Maestría Oficial en Data Science & Business Analytics

Este Prework permite introducir conceptos en los que el programa profundizará, haciendo que el alumno se sienta cómodo desde el primer día y consiguiendo que todo el grupo tenga un nivel parejo, lo que permite avanzar más y mejor, así como mejorar la cooperación entre todos los integrantes.

1. Funcionamiento básico de un ordenador: Conceptos como hardware y software, CPU, memoria, dispositivos de almacenamiento, sistemas operativos y redes.
2. Introducción a los lenguajes de programación: Explicar qué es un lenguaje de programación, para qué sirve y los tipos de lenguajes (compilados e interpretados).Dar una visión general de los lenguajes más utilizados en la actualidad, y por qué se usan.
3. Conceptos fundamentales de programación: Hablar de elementos como variables, tipos de datos, operaciones, estructuras de control de flujo (if/else, bucles) y funciones.Enseñar cómo descomponer un problema complejo en subproblemas más pequeños y manejables.Contarlo todo de forma muy básica para evitar meterse en el módulo de Fundamentos de Programación (ya con python).
4. Herramientas de desarrollo y buenas prácticasIntroducir el uso de un IDE, como PyCharm o VSCode, así como los notebooks. Hablar sobre el control de versiones con Git.Mencionar buenas prácticas de programación, como la importancia de comentar el código y seguir convenciones de estilo (pythonic code).
5. Introducción a las estructuras de datos: Presentar conceptos como arrays, listas, conjuntos, diccionarios/mapas y árboles.Enfocarlo no dentro de un lenguaje de programación específico, más a nivel de pseudocódigo también. El objetivo es que los estudiantes comprendan qué son, para qué se utilizan y cuándo podría ser apropiado utilizar una estructura de datos sobre otra.
6. Conceptos fundamentales de bases de datos: Explicar qué es una base de datos, para qué se utiliza y qué tipos existen (por ejemplo, bases de datos relacionales y no relacionales).Introducir conceptos clave como tabla, registro, campo, clave primaria y relaciones entre tablas.

Revisión de los conceptos claves de programación necesarios para abordar el tratamiento y aprovechamiento de los datos mediante código. Introducción al lenguaje de programación R y amplia presentación de las capacidades que ofrece Python.

1. Fundamentos de Python y librerías para ciencia de datos: Numpy, Pandas
2. Python intermedio y avanzado
3. Procesamiento de datos y visualización con Python

50h.

En este módulo aprenderemos qué son las bases de datos y los principales tipos que existen. Entraremos en el mundo del modelado de las bases de datos relacionales y aprenderemos a programar en SQL. Ademas, estudiaremos qué son los procesos ETL y cómo se diseñan e implementan.

• Diseño de base de datos
• Estándar SQL I
• Estándar SQL II
• El almacén de datos / Datawarehouse y Herramientas y procesos de extracción, transformación y carga ETL"

80h.

En esta asignatura repasaremos el ciclo de vida del dato y cómo afecta en el proceso a de análisis de los datos. Además, nos introduciremos en el mundo de la visualización de datos, dónde aprendemos a diseñar dashboards en PowerBI.

1. Ciclo de vida y calidad del dato
2. Preparación y pre proceso de datos
3. Herramientas y técnicas de visualización I
4. Herramientas y técnicas de visualización II

80h.

Este módulo tiene como finalidad conocer el análisis big data como herramienta para abordar temas sustantivos y preguntas de investigación. Aprenderás qué se entiende por big data, su evolución en el contexto histórico, entender las causas que han llevado a la aparición de las tecnologías big data y compararlo con la inteligencia de negocio tradicional.

1. Introducción al mundo del Big Data
2. Inteligencia de Negocio vs. Big Data
3. Tecnologías Big Data
4. Valor del dato y aplicaciones por sectores

80h.

Conocer y utilizar las herramientas que componen el ecosistema para el manejo de gran cantidad de datos. Entre estos, está Spark, Hadoop o las BBDD NoSQL.

1. HADOOP y su ecosistema
2. SPARK
3. Bases de datos NOSQL
4. Plataformas CLOUD

80h.

En este módulo aprenderás los fundamentos de Programación en R, un lenguaje de programación para estadística. En paralelo, se introducirán los principales conceptos estadísticos que son esenciales para el análisis de datos.

1. Introducción a la estadística
2. Probabilidad y muestreo
3. Inferencia y regresión lineal
4. Diseño de experimentos

80h.

Aprender los conceptos y algoritmos fundamentales en una de las piezas angulares de la ciencia de datos y la inteligencia artificial, el denominado “aprendizaje automático”.

1. Herramientas para machine learning y técnicas y aplicaciones del aprendizaje supervisado
2. Técnicas y aplicaciones del aprendizaje no supervisado
3. Modalidades y técnicas de deep learning
4. Soluciones en la nube para machine learning

64h.

La asignatura de Investigación Dirigida I tiene como propósito mostrar al estudiante que lainvestigación es un proceso sistemático y ordenado dirigido a gestionar el conocimiento. Por lo tanto, en todo profeso de formación académica se hace necesario el desarrollo de un trabajo de investigación orientado a las necesidades del contexto que demuestre las competencias en investigación del estudiante.

1. La pregunta de investigación
2. La justificación de la investigación
3. La formulación de objetivos de investigación
4. La delimitación contextual y temporal de la investigación

64h.

Comprender el concepto de inteligencia artificial, su significado y el tipo de problemas que puede resolver. Identificar las técnicas para la toma de decisiones (sistemas expertos y aprendizaje supervisado), así como sus aplicaciones. Analizar el aprendizaje por refuerzo, su ciclo de vida, sus componentes más importantes y el tipo de problemas que resuelve...

Inteligencia artificial y aplicaciones para la toma de decisiones. Aprendizaje por refuerzo y aplicaciones. Técnica y aplicaciones del procesamiento del lenguaje natural NLP. Sistema de recomendaciones y aplicaciones.

80h.

Analizar el concepto de transformación digital desde el punto de vista de las tecnoogías que la impulsan poniendo especial interés en las siguientes tendencias: Big data, inteligencia Artificial, Blockchain, Internet de las Cosas, Industria 4,0 y Ciudades Inteligentes.

La transformación digital. Blockchain. Internet of Thinngs. Industria 4,0 y Ciudades Inteligentes

80h.

Entender cómo la analitica se aplica a escenarios concretos y espefícicos. Conocer métodos analíticos especializados que pueden aplicarse a datos de distinta naturaleza

Analítica escalable. Análisis de redes sociales e Internet de las Cosas. Análisis del área financiera y servicio al cliente. Análisis de técnicas de recuperación de la información.

80h.

• Reconocer los tipos de investigación según el conocimiento generado
• Estudiar los diseños de investigación
• Estudiar las técnicas e instrumentos de recolección de los datos en el proceso de investigación
• Estudiar los criterios que caracterizan las unidades de estudio, población
• Construir los instrumentos de recolección de datos
• Aplicar las pruebas de validez y confiabilidad al (los) instrumento (s) de recolección de datos
• Recoger los datos según los criterios definidos en el estudio.
• Conocer el proceso de análisis de los datos y sus fases
• Identificar las técnicas de análisis a utilizar según los códigos de los datos (códigos verbales o numéricos)"

Técnicas de recolección de datos. Instrumentos de recolección de datos. La población o unidades de estudio de la investigación. Procedimiento de validez y confiabilidad de los instrumentos. Análisis de datos. Técnicas de análisis.

64h.

La presentación del documento escrito y la generación de productos científicos que emerjan de la experiencia investigativa es un aspecto fundamental en un nivel de maestría. En esta asignatura el estudiante organiza la presentación del informe escrito.

Introducción. Aspectos formales para la presentación del trabajo de grado. Procedimientos institucionales. Sustentación. Divulgación.

192h.