Descripción

Con la cantidad creciente de datos que las empresas deben recopilar, almacenar y gestionar, no te faltarán oportunidades laborales en un campo altamente especializado” 

grand master big data management

Los analistas de datos han ido cobrando relevancia a lo largo de las últimas décadas gracias a los continuados avances tecnológicos que les han permitido especializar y administrar cantidades de información cada vez mayores. Tal ha sido el crecimiento de datos, que ha surgido la disciplina del big data, que, como la definió el propio Doug Laney, está caracterizada por el volumen, variedad y velocidad de los datos que llegan a las empresas continuamente. El analista encargado de filtrar y gestionar toda esa información debe tener una alta especialización en bases de datos y herramientas de evaluación para saber tratar correctamente todo el material con el que está trabajando. 

Debido a dicha alta especialización requerida en el campo del big data, TECH ha elaborado este Grand Master en Big Data Management. En él se recopilan las principales competencias y conocimientos que debe adquirir un especialista en el análisis de datos para ser competente y eficaz en el campo del big data. Así, se estudian las principales plataformas, algoritmos y herramientas más actualizadas, al igual que las visiones estratégicas necesarias para saber cómo tornar toda esa analítica en un activo de valor para la empresa con el que poder tomar decisiones de negocio productivas y satisfactorias. La enseñanza también profundiza en el internet of things, el data science, el marketing, el machine learning o el propio visual analytics, con lo que se garantiza una instrucción de gran calado para el alumno. 

Además, se trata de un programa 100% online, lo que implica que el alumno no debe desplazarse a un centro físico ni ajustarse a unos horarios prefijados. El estudiante puede acceder en todo momento al material didáctico y planificar sus estudios como mejor le convenga y se adapte a sus propias necesidades personales, profesionales o académicas. 

Vas a convertirte en el eje principal de toda estrategia de negocios en las grandes empresas. No dudes en darle un impulso a tu carrera con este Grand Master en Big Data Management” 

Este Grand Master en Big Data Management contiene el programa más completo y actualizado del mercado. Sus características más destacadas son:

  • El desarrollo de casos prácticos presentados por expertos en análisis de datos 
  • Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que están concebidos 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 en el campo de la analítica de datos 
  • 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 

Si conoces la historia de Billy Beane y los Oakland Athletics, eres consciente de cómo tu trabajo puede revolucionar el mundo. Especialízate en Big Data Management y sé el vector del cambio moderno” 

Incluye en su cuadro docente a profesionales pertenecientes al ámbito del análisis de datos, que vierten en este programa 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 un estudio inmersivo programado para entrenarse ante situaciones reales. 

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el alumno deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del programa. Para ello, el profesional contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.  

El análisis de big data va a mejorar la calidad en numerosos campos tecnológicos. Únete a un área donde serás el principal actor de la evolución empresarial y personal de la sociedad"

master big data management

Tu trabajo como analista big data será reconocido y apreciado por las mejores empresas del mundo, pues serás tú el que les ofrezca soluciones inteligentes para problemáticas complejas"

Temario

El alumno encontrará en el presente Grand Master en Big Data Management una enseñanza completa y actualizada a las demandas del mercado, con la que adquirir todos los conocimientos necesarios para ser el mejor analista de datos posible. El temario, redactado minuciosamente por todo el personal docente, se encuentra dividido en diferentes módulos y temas que agilizan el proceso de estudio al ser claros y concisos. Durante toda la duración de la enseñanza, el estudiante tiene acceso a la totalidad del material didáctico, pudiendo incluso estudiar el temario en el orden que quisiera.  

mejor maestria big data management

Tienes ante ti el temario más completo y detallado del mercado sobre el big data. Estudiándolo aprenderás todo lo necesario para llevar tu carrera hacia los mejores puestos de análisis 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 grafica  
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 (datawarehouse)  

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 BB. DD
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 feedforward  

8.10. Aprendizaje profundo  

8.10.1. Redes feedforward 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 broker 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 financiero  
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 

Módulo 11. Visual analytics en el contexto social y tecnológico  

11.1. Las olas tecnológicas en las diferentes sociedades. Hacia una ‘data society’ 
11.2. La globalización. Contexto mundial geopolítico y social 
11.3. Entorno VUCA. Viviendo siempre en el pasado 
11.4. Conociendo las nuevas tecnologías: 5G e IoT 
11.5. Conociendo las nuevas tecnologías: Cloud y edge computing 
11.6. Critical thinking en visual analytics 
11.7. Los know-mads. Nómadas entre datos 
11.8. Aprendiendo a emprender en visual analytics 
11.9. Teorías de anticipación aplicadas al visual analytics 
11.10. El nuevo entorno empresarial. La transformación digital 

Módulo 12. Análisis e interpretación de datos  

12.1. Introducción a la estadística 
12.2. Medidas aplicables al tratamiento de información 
12.3. Correlación estadística 
12.4. Teoría de la probabilidad condicional 
12.5. Variables aleatorias y distribuciones de probabilidad 
12.6. Inferencia bayesiana 
12.7. Teoría de muestras 
12.8. Intervalos de confianza 
12.9. Contrastes de hipótesis 
12.10. Análisis de la regresión 

Módulo 13. Técnicas de análisis de datos e IA  

13.1. Analítica predictiva 
13.2. Técnicas de evaluación y selección de modelos 
13.3. Técnicas de optimización lineal 
13.4. Simulaciones de Montecarlo 
13.5. Análisis de escenarios 
13.6. Técnicas de machine learning 
13.7. Analítica web 
13.8. Técnicas de text mining 
13.9. Métodos en Procesamiento Lenguaje Natural (PNL) 
13.10. Análisis de redes sociales 

Módulo 14. Herramientas de análisis de datos 

14.1. Entorno R de data science 
14.2. Entorno python de data science 
14.3. Gráficos estáticos y estadísticos 
14.4. Tratamiento de datos en diferentes formatos y diferentes fuentes 
14.5. Limpieza y preparación de datos 
14.6. Estudios exploratorios 
14.7. Árboles de decisión 
14.8. Reglas de clasificación y de asociación 
14.9. Redes neuronales 
14.10. Deep learning 

Módulo 15. Sistemas de gestión de bases de datos y paralelización de datos 

15.1. Bases de datos convencionales 
15.2. Bases de datos no convencionales 
15.3. Cloud computing: Gestión distribuida de datos  
15.4. Herramientas de ingesta de grandes volúmenes de datos 
15.5. Tipos de paralelismos 
15.6. Procesamiento de datos en streaming y tiempo real 
15.7. Procesamiento paralelo: Hadoop 
15.8. Procesamiento paralelo: Spark 
15.9. Apache Kafka 

15.9.1. Introducción a Apache Kafka 
15.9.2. Arquitectura 
15.9.3. Estructura de datos 
15.9.4. APIs Kafka 
15.9.5. Casos de uso 

15.10. Cloudera Impala 

Módulo 16. Data-driven soft skills en la dirección estratégica en visual analytics 

16.1. Drive profile for data-driven 
16.2. Habilidades gerenciales avanzadas en organizaciones data-driven 
16.3. Usando los datos para mejorar el performance de la comunicación estratégica 
16.4. Inteligencia emocional aplicada a la dirección en visual analytics 
16.5. Presentaciones eficaces 
16.6. Mejorando el performance mediante la gestión motivacional 
16.7. Liderazgo en organizaciones data-driven 
16.8. Talento digital en organizaciones data-driven 
16.9. Data-driven Agile Organization I 
16.10. Data-driven Agile Organization II 

Módulo 17. Dirección estratégica de proyectos de visual analytics y big data  

17.1. Introducción a la dirección estratégica de proyectos 
17.2. Best practices en la descripción de procesos de big data (PMI) 
17.3. Metodología Kimball 
17.4. Metodología SQuID 

17.4.1. Introducción a la metodología SQuID para abordar proyectos de big data 
17.4.2. Fase I. Sources 
17.4.3. Fase II. Data quality 
17.4.4. Fase III. Impossible questions 
17.4.5. Fase IV. Discovering 
17.4.6. Best practices en la aplicación de SQuID a proyectos de big data 

17.5. Aspectos legales del mundo de los datos 
17.6. Privacidad en big data 
17.7. Ciberseguridad en big data 
17.8. La identificación y deidentificación con grandes volúmenes de datos 
17.9. Ética de los datos I 
17.10. Ética de los datos II 

Módulo 18. Análisis del cliente. Aplicando la inteligencia de los datos al marketing 

18.1. Conceptos del marketing. Marketing estratégico 
18.2. Marketing relacional  
18.3. El CRM como centro de la organización para el análisis del cliente 
18.4. Tecnologías de la web 
18.5. Fuentes de datos web 
18.6. Adquisición de datos web 
18.7. Herramientas para la extracción de datos de la web 
18.8. Web semántica 
18.9. OSINT: Inteligencia de fuente abierta 
18.10. MasterLead o como mejorar la conversión a ventas usando big data 

Módulo 19. Visualización interactiva de los datos  

19.1. Introducción al arte de hacer visible los datos 
19.2. Cómo hacer un storytelling con datos  
19.3. Representaciones de datos 
19.4. Escalabilidad de representaciones visuales 
19.5. Visual analytics vs. information visualization. Entendiendo que no es lo mismo 
19.6. Proceso de análisis visual (keim) 
19.7. Reportes estratégicos, operativos y de dirección 
19.8. Tipos de gráficos y su función 
19.9. Interpretación de reportes y gráficos. Jugando el rol del receptor 
19.10. Evaluación de sistemas de visual analytics 

Módulo 20. Herramientas de visualización  

20.1. Introducción a las herramientas de visualización de datos 
20.2. Many Eyes 
20.3. Google Charts 
20.4. jQuery 
20.5. Data-driven documents I 
20.6. Data-driven documents II 
20.7. Matlab 
20.8. Tableau 
20.9. SAS visual analytics 
20.10. Microsoft Power BI 

estudiar big data management

El análisis de datos es el futuro de todo campo de la innovación que puedas imaginar. Forma parte del futuro de la sociedad con este completo programa en Big Data Management”