Descripción

Maximiza tu potencial profesional estudiando un programa que te ayude a posicionarte como directivo en el área de la ciencia de datos”

master data science management dso

El programa aborda, desde una perspectiva técnica y de negocio, la ciencia del dato, ofreciendo todos los conocimientos necesarios para la extracción del conocimiento oculto en ellos. De esta forma, los ingenieros informáticos, o con alguna carrera afín, interesados en esta área podrán analizar con detalles los distintos algoritmos, plataformas y herramientas más actuales para la exploración, visualización, manipulación, procesamiento y análisis de los datos. Todo lo anterior, complementado con el desarrollo de habilidades empresariales, necesarias para alcanzar un perfil a nivel ejecutivo capaz de tomar decisiones claves en una empresa. Los nuevos conocimientos multidisciplinares que alcanzará el alumno tras finalizar el programa, le ayudarán a posicionarse como Data Science Officer (DSO) en empresas de todos los tamaños.

Análogamente, el abordaje del análisis del dato desde ambas perspectivas hace de este programa una capacitación actualizada y perfecta para cubrir todas las necesidades relativas al tratamiento de la información para su posterior transformación en un activo fundamental para cualquier organización.  

Al principio, el programa tratará la importancia de la utilización de un buen sistema de análisis en la empresa, donde cada departamento puede resultar beneficiado. Asimismo, se desarrollará un conocimiento especializado enfocado en la tipología y ciclo de vida de los recursos disponibles, para ello se instruirá al estudiante en un conocimiento básico sobre estadística.  

A medida que se avance en el programa, se indagará en aquellos modelos que presentan una mayor versatilidad y adaptabilidad para el análisis de series temporales como la de los modelos asociados a series económicas. Casi para finalizar el programa, se brindará una gran variedad de casos de usos e implementaciones de inteligencia artificial y ciencia del dato en el mundo actual.  

Con el programa del Máster título propio, los ingenieros informáticos serán capaces de especializarse en Data Science, convirtiéndose en la oportunidad perfecta para potenciar su carrera profesional hacia un puesto gerencial o de importancia en el departamento en el que ejerza sus funciones. Todo esto, será tangible gracias a un programa 100% online, que se adapta a las necesidades diarias de los estudiantes, solo será necesario contar con un dispositivo con conexión a internet para empezar a trabajar por un perfil profesional completo y con proyección internacional. 

Si estás buscando un programa que te permite aumentar tus capacidades y posicionarte como Data Science Officer entonces bienvenido, en TECH has encontrado tu lugar” 

Este Máster título propio en Data Science Management (DSO, Data Science Officer) contiene el programa educativo más completo y actualizado del mercado. Las características más destacadas de la capacitación son:

  • El desarrollo de casos prácticos presentados por expertos en Ingeniería enfocada en el análisis del dato
  • Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
  • Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
  • Su especial hincapié en metodologías innovadoras
  • Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
  • La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Prepárate para tomar decisiones con valor científico e implementar estrategias que mejoren las funciones de los departamentos de una empresa” 

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.   

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.   

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del programa. Para ello, contará con la ayuda de un novedoso sistema de vídeos interactivos realizados por reconocidos expertos, con gran experiencia en Data Science Management (DSO, Data Science Officer).

Potencia tu carrera determinando la creación de cuadros de mando y KPI’s en función del departamento trabajado"

maestria data science management dso

Desarrolla el conocimiento especializado relacionado con la gestión y manipulación de datos para procesos de Ciencia de Datos. Así te convertirás en un DSO de éxito”

Temario

En mundo dominado por los datos, es importante conocer los principales sistemas que se encargan de generarlos y almacenarlos para su posterior análisis. De esta manera, se ha diseñado un programa centrado en satisfacer los requerimientos preparativos de profesionales que deseen especializarse en las técnicas más completas y actuales para el procesamiento de datos y la extracción de conocimiento, desde una perspectiva tanto teórica como práctica. De esta manera, el ingeniero informático podrá avanzar en sus conocimientos técnicos a la vez que desarrolla un perfil de negocio.  

maestria online data science management dso

Genera conocimiento especializado en las arquitecturas y sistemas software necesarias para el uso intensivo de datos” 

Módulo 1. Analítica del dato en la organización empresarial        

1.1. Análisis de negocio 

1.1.1. Análisis de Negocio
1.1.2. Estructura del dato
1.1.3. Fases y elementos 

1.2. Analítica del dato en la empresa

1.2.1. Cuadros de mando y KPI's por departamentos 
1.2.2. Informes operativos, tácticos y estratégicos
1.2.3. Analítica del dato aplicada a cada departamento

1.2.3.1. Marketing y comunicación
1.2.3.2. Comercial
1.2.3.3. Atención al cliente
1.2.3.4. Compras 
1.2.3.5. Administración
1.2.3.6. RR.HH
1.2.3.7. Producción
1.2.3.8. IT

1.3. Marketing y comunicación

1.3.1. KPI's a medir, aplicaciones y beneficios
1.3.2. Sistemas de Marketing y Data Warehouse
1.3.3. Implementación de una estructura de analítica del dato en Marketing
1.3.4. Plan de Marketing y comunicación 
1.3.5. Estrategias, predicción y gestión de campañas

1.4. Comercial y ventas 

1.4.1. Aportaciones de analítica del dato en el área comercial 
1.4.2. Necesidades del departamento de Ventas
1.4.3. Estudios de mercado 

1.5. Atención al cliente 

1.5.1. Fidelización 
1.5.2. Calidad personal e inteligencia emocional 
1.5.3. Satisfacción del cliente

1.6. Compras  

1.6.1. Analítica del dato para estudios de mercado
1.6.2. Analítica del dato para estudios de competencia
1.6.3. Otras aplicaciones

1.7. Administración  

1.7.1. Necesidades en el departamento de administración
1.7.2. Data Warehouse y análisis de riesgo financiero 
1.7.3. Data Warehouse y análisis de riesgo de crédito

1.8. Recursos humanos

1.8.1. RR.HH y beneficios de la analítica del dato
1.8.2. Herramientas de analítica del dato en el departamento de RR.HH
1.8.3. Aplicación de analítica del dato en los RR.HH

1.9. Producción  

1.9.1. Análisis de datos en un departamento de producción
1.9.2. Aplicaciones
1.9.3. Beneficios 

1.10. IT 

1.10.1. Departamento de IT
1.10.2. Analítica del dato y transformación digital  
1.10.3. Innovación y productividad

Módulo 2. Gestión, manipulación de datos e información para ciencia de datos    

2.1. Estadística. Variables, índices y ratios  

2.1.1. La estadística 
2.1.2. Dimensiones estadísticas 
2.1.3. Variables, índices y ratios 

2.2. Tipología del dato 

2.2.1. Cualitativos 
2.2.2. Cuantitativos 
2.2.3. Caracterización y categorías 

2.3. Conocimiento de los datos a partir de medidas  

2.3.1. Medidas de centralización 
2.3.2. Medidas de dispersión
2.3.3. Correlación 

2.4. Conocimiento de los datos a partir de gráficos

2.4.1. Visualización según el tipo de dato 
2.4.2. Interpretación de información gráfica 
2.4.3. Customización de gráficos con R 

2.5. Probabilidad  

2.5.1. Probabilidad 
2.5.2. Función de probabilidad 
2.5.3. Distribuciones 

2.6. Recolección de datos 

2.6.1. Metodología de recolección 
2.6.2. Herramientas de recolección 
2.6.3. Canales de recolección 

2.7. Limpieza del dato 

2.7.1. Fases de la limpieza de datos 
2.7.2. Calidad del dato  
2.7.3. Manipulación de datos (con R) 

2.8. Análisis de datos, interpretación y valoración de resultados  

2.8.1. Medidas estadísticas 
2.8.2. Índices de relación 
2.8.3. Minería de datos 

2.9. Almacén del dato (Data Warehouse) 

2.9.1. Elementos  
2.9.2. Diseño 

2.10. Disponibilidad del dato 

2.10.1. Acceso 
2.10.2. Utilidad 
2.10.3. Seguridad

Módulo 3. Dispositivos y plataformas IoT como base para la ciencia de datos        

3.1. Internet of Things

3.1.1. Internet del futuro, Internet of Things
3.1.2. El consorcio de internet industrial

3.2. Arquitectura de referencia 

3.2.1. La arquitectura de referencia
3.2.2. Capas
3.2.3. Componentes

3.3. Sensores y dispositivos IoT 

3.3.1. Componentes principales
3.3.2. Sensores y actuadores

3.4. Comunicaciones y protocolos

3.4.1. Protocolos. Modelo OSI
3.4.2. Tecnologías de comunicación

3.5. Plataformas Cloud para IoT e IIoT 

3.5.1. Plataformas de propósito general 
3.5.2. Plataformas industriales
3.5.3. Plataformas de código abierto

3.6. Gestión de datos en plataformas IoT  

3.6.1. Mecanismos de gestión de datos. Datos abiertos
3.6.2. Intercambio de datos y visualización

3.7. Seguridad en IoT  

3.7.1. Requisitos y áreas de seguridad
3.7.2. Estrategias de seguridad en IIoT

3.8. Aplicaciones de IoT  

3.8.1. Ciudades inteligentes
3.8.2. Salud y condición física
3.8.3. Hogar inteligente
3.8.4. Otras aplicaciones

3.9. Aplicaciones de IIoT

3.9.1. Fabricación
3.9.2. Transporte
3.9.3. Energía
3.9.4. Agricultura y ganadería
3.9.5. Otros sectores

3.10. Industria 4.0 

3.10.1. IoRT (Internet of Robotics Things)
3.10.2. Fabricación aditiva 3D
3.10.3. Big data analytics        

Módulo 4. Representación gráfica para análisis de datos        

4.1. Análisis exploratorio 

4.1.1. Representación para análisis de información
4.1.2. El valor de la representación gráfica
4.1.3. Nuevos paradigmas de la representación gráfica

4.2. Optimización para ciencia de datos 

4.2.1. La gama cromática y el diseño
4.2.2. La Gestalt en la representación gráfica
4.2.3. Errores a evitar y consejos  

4.3. Fuentes de datos básicos

4.3.1. Para representación de calidad
4.3.2. Para representación de cantidad
4.3.3. Para representación de tiempo

4.4. Fuentes de datos complejos

4.4.1. Archivos, listados y BBDD 
4.4.2. Datos abiertos
4.4.3. Datos de generación continua

4.5. Tipos de gráficas 

4.5.1. Representaciones básicas
4.5.2. Representación de bloques 
4.5.3. Representación para análisis de dispersión
4.5.4. Representaciones circulares
4.5.5. Representaciones burbujas
4.5.6. Representaciones geográficas 

4.6. Tipos de visualización

4.6.1. Comparativas y relacional
4.6.2. Distribución
4.6.3. Jerárquica

4.7. Diseño de informes con representación gráfica 

4.7.1. Aplicación de gráficas en informes de Marketing
4.7.2. Aplicación de gráficas en cuadros de mando y KPI's
4.7.3. Aplicación de gráficas en planes estratégicos
4.7.4. Otros usos: ciencia, salud, negocio 

4.8. Narración gráfica

4.8.1. La narración gráfica
4.8.2. Evolución 
4.8.3. Utilidad

4.9. Herramientas orientadas a visualización 

4.9.1. Herramientas avanzadas
4.9.2. Software en línea
4.9.3. Open Source

4.10. Nuevas tecnologías en la visualización de datos 

4.10.1. Sistemas para virtualización de la realidad
4.10.2. Sistemas para aumento y mejora de la realidad
4.10.3. Sistemas inteligentes

Módulo 5. Herramientas de ciencia de datos            

5.1. Ciencia de datos

5.1.1. La ciencia de datos
5.1.2. Herramientas avanzadas para el científico de datos  

5.2. Datos, información y conocimiento

5.2.1. Datos, información y conocimiento 
5.2.2. Tipos de datos
5.2.3. Fuentes de datos

5.3. De los datos a la información 

5.3.1. Análisis de Datos
5.3.2. Tipos de análisis
5.3.3. Extracción de Información de un Dataset 

5.4. Extracción de información mediante visualización

5.4.1. La visualización como herramienta de análisis
5.4.2. Métodos de visualización 
5.4.3. Visualización de un conjunto de datos

5.5. Calidad de los datos

5.5.1.  Datos de calidad
5.5.2. Limpieza de datos 
5.5.3. Preprocesamiento básico de datos

5.6. Dataset

5.6.1. Enriquecimiento del Dataset
5.6.2. La maldición de la dimensionalidad
5.6.3. Modificación de nuestro conjunto de datos

5.7. Desbalanceo 

5.7.1. Desbalanceo de clases
5.7.2. Técnicas de mitigación del desbalanceo
5.7.3. Balanceo de un Dataset

5.8. Modelos no supervisados 

5.8.1. Modelo no supervisado
5.8.2. Métodos
5.8.3. Clasificación con modelos no supervisados

5.9. Modelos supervisados

5.9.1. Modelo supervisado
5.9.2. Métodos
5.9.3. Clasificación con modelos supervisados

5.10. Herramientas y buenas prácticas

5.10.1. Buenas prácticas para un científico de datos
5.10.2. El mejor modelo 
5.10.3. Herramientas útiles

Módulo 6. Minería de Datos. Selección, preprocesamiento y transformación     

6.1. La inferencia estadística

6.1.1. Estadística descriptiva vs. Inferencia estadística
6.1.2. Procedimientos paramétricos
6.1.3. Procedimientos no paramétricos

6.2. Análisis exploratorio

6.2.1. Análisis descriptivo 
6.2.2. Visualización
6.2.3. Preparación de datos

6.3. Preparación de datos

6.3.1. Integración y limpieza de datos 
6.3.2. Normalización de datos
6.3.3. Transformando atributos 

6.4. Los valores perdidos

6.4.1. Tratamiento de valores perdidos
6.4.2. Métodos de imputación de máxima verosimilitud
6.4.3. Imputación de valores perdidos usando aprendizaje automático

6.5. El ruido en los datos 

6.5.1. Clases de ruido y atributos
6.5.2. Filtrado de ruido 
6.5.3. El efecto del ruido

6.6. La maldición de la dimensionalidad

6.6.1. Oversampling
6.6.2. Undersampling
6.6.3. Reducción de datos multidimensionales

6.7. De atributos continuos a discretos

6.7.1. Datos continuos versus discretos
6.7.2. Proceso de discretización

6.8. Los datos 

6.8.1. Selección de datos 
6.8.2. Perspectivas y criterios de selección
6.8.3. Métodos de selección 

6.9. Selección de instancias

6.9.1. Métodos para la selección de instancias
6.9.2. Selección de prototipos
6.9.3. Métodos avanzados para la selección de instancias

6.10. Preprocesamiento de datos en entornos Big Data

6.10.1. Big Data
6.10.2. Preprocesamiento “clásico” versus masivo
6.10.3. Smart Data    

Módulo 7. Predictibilidad y análisis de fenómenos estocásticos

7.1. Series de tiempo

7.1.1. Series de tiempo  
7.1.2. Utilidad y aplicabilidad
7.1.3. Casuística relacionada

7.2. La Serie Temporal

7.2.1. Tendencia estacionalidad de ST
7.2.2. Variaciones típicas
7.2.3. Análisis de residuos

7.3. Tipologías

7.3.1. Estacionarias
7.3.2. No estacionarias
7.3.3. Transformaciones y ajustes

7.4. Esquemas para series temporales 

7.4.1. Esquema (modelo) aditivo
7.4.2. Esquema (modelo) multiplicativo
7.4.3. Procedimientos para determinar el tipo de modelo

7.5. Métodos básicos de forecast

7.5.1. Media
7.5.2. Naïve
7.5.3. Naïve estacional
7.5.4. Comparación de métodos

7.6. Análisis de residuos 

7.6.1. Autocorrelación
7.6.2. ACF de residuos
7.6.3. Test de correlación

7.7. Regresión en el contexto de series temporales 

7.7.1. ANOVA
7.7.2. Fundamentos
7.7.3. Aplicación practica 

7.8. Modelos predictivos de series temporales

7.8.1. ARIMA
7.8.2. Suavizado exponencial 

7.9. Manipulación y análisis de series temporales con R

7.9.1. Preparación de los datos
7.9.2. Identificación de patrones
7.9.3. Análisis del modelo
7.9.4. Predicción

7.10. Análisis gráficos combinados con R 

7.10.1. Situaciones habituales
7.10.2. Aplicación práctica para resolución de problemas sencillos 
7.10.3. Aplicación práctica para resolución de problemas avanzados 

Módulo 8. Diseño y desarrollo de sistemas inteligentes        

8.1. Preprocesamiento de datos  

8.1.1. Preprocesamiento de datos
8.1.2. Transformación de datos 
8.1.3. Minería de datos

8.2. Aprendizaje automático

8.2.1. Aprendizaje supervisado y no supervisado
8.2.2. Aprendizaje por refuerzo
8.2.3. Otros paradigmas de aprendizaje

8.3. Algoritmos de clasificación

8.3.1. Aprendizaje automático inductivo
8.3.2. SVM y KNN
8.3.3. Métricas y puntuaciones para clasificación

8.4. Algoritmos de regresión 

8.4.1. Regresión lineal, regresión logística y modelos no lineales 
8.4.2. Series temporales 
8.4.3. Métricas y puntuaciones para regresión 

8.5. Algoritmos de agrupamiento 

8.5.1. Técnicas de agrupamiento jerárquico 
8.5.2. Técnicas de agrupamiento particional 
8.5.3. Métricas y puntuaciones para clustering 

8.6. Técnicas de reglas de asociación 

8.6.1. Métodos para la extracción de reglas 
8.6.2. Métricas y puntuaciones para los algoritmos de reglas de asociación 

8.7. Técnicas de clasificación avanzadas. Multiclasificadores 

8.7.1. Algoritmos de Bagging 
8.7.2. Clasificador “Random Forests” 
8.7.3. “Boosting” para árboles de decisión 

8.8. Modelos gráficos probabilísticos 

8.8.1. Modelos probabilísticos 
8.8.2. Redes bayesianas. Propiedades, representación y parametrización  
8.8.3. Otros modelos gráficos probabilísticos 

8.9. Redes neuronales 

8.9.1. Aprendizaje automático con redes neuronales artificiales 
8.9.2. Redes feed forward 

8.10. Aprendizaje profundo 

8.10.1. Redes feed forward profundas 
8.10.2. Redes neuronales convolucionales y modelos de secuencia 
8.10.3. Herramientas para implementar redes neuronales profundas

Módulo 9. Arquitecturas y sistemas para uso intensivo de datos

9.1. Requisitos no funcionales. Pilares de las aplicaciones de datos masivos 

9.1.1. Fiabilidad 
9.1.2. Adaptabilidad 
9.1.3. Mantenibilidad 

9.2. Modelos de datos 

9.2.1. Modelo relacional 
9.2.2. Modelo documental 
9.2.3. Modelo de datos tipo grafo 

9.3. Bases de datos. Gestión del almacenamiento y recuperación de datos 

9.3.1. Índices hash     
9.3.2. Almacenamiento estructurado en log 
9.3.3. Árboles B 

9.4. Formatos de codificación de datos 

9.4.1. Formatos específicos del lenguaje 
9.4.2. Formatos estandarizados 
9.4.3. Formatos de codificación binarios 
9.4.4. Flujo de datos entre procesos

9.5. Replicación 

9.5.1. Objetivos de la replicación 
9.5.2. Modelos de replicación 
9.5.3. Problemas con la replicación 

9.6. Transacciones distribuidas 

9.6.1. Transacción  
9.6.2. Protocolos para transacciones distribuidas
9.6.3. Transacciones serializables 

9.7. Particionado 

9.7.1. Formas de particionado 
9.7.2. Interacción de índice secundarios y particionado 
9.7.3. Rebalanceo de particiones 

9.8. Procesamiento de datos offline 

9.8.1. Procesamiento por lotes 
9.8.2. Sistemas de ficheros distribuidos 
9.8.3. MapReduce 

9.9. Procesamiento de datos en tiempo real 

9.9.1. Tipos de bróker de mensajes 
9.9.2. Representación de bases de datos como flujos de datos 
9.9.3. Procesamiento de flujos de datos 

9.10. Aplicaciones prácticas en la empresa 

9.10.1. Consistencia en lecturas 
9.10.2. Enfoque holístico de datos 
9.10.3. Escalado de un servicio distribuido

Módulo 10. Aplicación práctica de la ciencia de datos en sectores de actividad empresarial 

10.1. Sector sanitario 

10.1.1. Implicaciones de la IA y la analítica de datos en el sector sanitario 
10.1.2. Oportunidades y desafíos  

10.2. Riesgos y tendencias en sector sanitario   

10.2.1. Uso en el sector sanitario 
10.2.2. Riesgos potenciales relacionados con el uso de IA

10.3. Servicios financieros  

10.3.1. Implicaciones de la IA y la analítica de datos en el sector de los servicios financieros
10.3.2. Uso en los servicios financieros 
10.3.3. Riesgos potenciales relacionados con el uso de IA 

10.4. Retail 

10.4.1. Implicaciones de la IA y la analítica de datos en el sector del retail 
10.4.2. Uso en el retail 
10.4.3. Riesgos potenciales relacionados con el uso de IA 

10.5. Industria 4.0  

10.5.1. Implicaciones de la IA y la analítica de datos en la Industria 4.0 
10.5.2. Uso en la Industria 4.0 

10.6. Riesgos y tendencias en Industria 4.0   

10.6.1. Riesgos potenciales relacionados con el uso de IA 

10.7. Administración pública  

10.7.1. Implicaciones de la IA y la analítica de datos en la Administración pública 
10.7.2. Uso en la Administración pública 
10.7.3. Riesgos potenciales relacionados con el uso de IA 

10.8. Educación  

10.8.1. Implicaciones de la IA y la analítica de datos en la educación 
10.8.2. Riesgos potenciales relacionados con el uso de IA 

10.9. Silvicultura y agricultura  

10.9.1. Implicaciones de la IA y la analítica de datos en la silvicultura y agricultura 
10.9.2. Uso en silvicultura y agricultura 
10.9.3. Riesgos potenciales relacionados con el uso de IA 

10.10. Recursos Humanos      

10.10.1. Implicaciones de la IA y la analítica de datos en la gestión de Recursos Humanos 
10.10.2. Aplicaciones prácticas en el mundo empresarial
10.10.3. Riesgos potenciales relacionados con el uso de IA

posgrado data science management dso

Un programa ideado para ingenieros informáticos que desean un cambio en su carrera e impulsar su trayectoria profesional”