Curso Superior en Data Science
100% Online
6 meses
360€
Matricularme
Curso Superior en Data Science
    Curso Superior en Data Science

    Curso Superior en Data Science

    100% Online
    12 ECTS
    6 meses
    360€
    Matricularme
    Seguridad y confianza en tus pagos online.

    Presentación

    En el mundo actual, la cantidad de datos generados por las organizaciones está creciendo exponencialmente. Esta avalancha de datos representa una valiosa oportunidad para obtener información y conocimientos que impulsen la toma de decisiones basadas en evidencias. Este Curso en Data Science se justifica por varias razones. El análisis de datos se ha convertido en una disciplina clave para extraer información significativa de conjuntos de datos complejos y de gran escala. A través de técnicas de procesamiento, modelado y análisis estadístico, los científicos de datos pueden descubrir patrones ocultos, identificar tendencias, realizar predicciones y tomar decisiones informadas. Además, contarás con un equipo de profesionales especializados en la materia.
    Qs World University Rankings

    Universidades colaboradoras

    Para qué te prepara
    Este Curso en Data Science te prepara para convertirte en un profesional en el análisis de datos, capaz de tomar decisiones inteligentes basadas en información relevante. Aprenderás a utilizar herramientas y técnicas avanzadas de Big Data, Machine Learning y visualización de datos. Al finalizar, estarás preparado para aplicar tus conocimientos en la industria tecnológica, en roles como científico de datos, analista de datos o ingeniero de datos.
    Objetivos
    - Comprender los conceptos fundamentales de Big Data y Business Intelligence. - Adquirir habilidades para tomar decisiones inteligentes basadas en datos. - Conocer y utilizar herramientas de análisis de datos como Python, R y Hadoop. - Dominar técnicas de Machine Learning y Data Mining. - Desarrollar habilidades en visualización de datos para presentar resultados de manera efectiva. - Entender el papel de la ciencia de datos en la industria tecnológica y sus aplicaciones.
    A quién va dirigido
    Este Curso en Data Science está dirigido a profesionales y estudiantes interesados en aprender sobre el análisis de datos y la toma de decisiones inteligentes. También es adecuado para aquellos que deseen ampliar sus conocimientos en Big Data, Machine Learning y visualización de datos. No se requieren conocimientos previos en el campo, pero se recomienda tener ciertas nociones.
    Salidas Profesionales
    Al completar este Curso en Data Science, estarás preparado para acceder a diversas salidas laborales en el campo de la ciencia de datos y el análisis de datos. Podrás optar por roles como científico de datos, analista de datos, ingeniero de datos, consultor de Business Intelligence, desarrollador de Big Data, especialista en Machine Learning, entre otros.
    Temario

    MÓDULO 1. BIG DATA & BUSINESS INTELLIGENCE FUNDAMENTALS

    UNIDAD DIDÁCTICA 1. LA REVOLUCIÓN DE LOS DATOS MASIVOS: BIG DATA Y THICK DATA

    1. ¿Qué es Big Data?
    2. ¿Y Thick Data? ¿Cuál es el matiz para diferenciar ambos términos?
    3. El gran auge del big data
    4. La importancia de almacenar y extraer información
    5. ¿Cual es el papel de las fuentes de datos?
    6. Soluciones novedosas gracias a la selección de datos
    7. Naturaleza de las fuentes de datos Big Data

    UNIDAD DIDÁCTICA 2. TOMA DE DECISIONES INTELIGENTES

    1. Thick Data, el valor de lo cualitativo. Entender emociones humanas, intenciones y sentimientos
    2. Fases en un proyecto de Big Data
    3. Big Data enfocado a los negocios
    4. Apoyo del Big Data en el proceso de toma de decisiones
    5. Toma de decisiones operativas

    UNIDAD DIDÁCTICA 3. CÓMO HACER CRECER UN NEGOCIO A TRAVÉS DEL BIG DATA Y SUS APLICACIONES

    1. Marketing estratégico y Big Data
    2. Open data
    3. Ejemplo de uso de Open Data
    4. IoT (Internet of Things-Internet de las cosas)

    UNIDAD DIDÁCTICA 4. BIG DATA EN DIFERENTES SECTORES

    1. Relación entre inteligencia artificial y big data
    2. IA y Big Data combinados
    3. El papel del Big Data en IA
    4. Big Data en salud
    5. Necesidad de Big Data en la asistencia sanitaria
    6. Retos del big data en salud
    7. Big Data y People Analytics en RRHH

    UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN

    1. Definiendo el concepto de Business Intelligence y sociedad de la información
    2. Arquitectura de una solución Business Intelligence
    3. Business Intelligence en los departamentos de la empresa
    4. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
    5. Sistemas Operacionales y Procesos ETL en un sistema de BI
    6. Ventajas y Factores de Riesgos del Business Intelligence

    UNIDAD DIDÁCTICA 6. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE

    1. Cuadros de Mando Integrales (CMI)
    2. Sistemas de Soporte a la Decisión (DSS)
    3. Sistemas de Información Ejecutiva (EIS)

    UNIDAD DIDÁCTICA 7. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO

    1. Introducción a la minería de datos y el aprendizaje automático
    2. Proceso KDD
    3. Modelos y Técnicas de Data Mining
    4. Áreas de aplicación
    5. Minería de Textos y Web Mining
    6. Data mining y marketing

    UNIDAD DIDÁCTICA 8. DATAMART: CONCEPTO DE BASE DE DATOS DEPARTAMENTAL

    1. Aproximación al concepto de DataMart
    2. Bases de datos OLTP
    3. Bases de Datos OLAP
    4. MOLAP, ROLAP & HOLAP
    5. Herramientas para el desarrollo de cubos OLAP

    UNIDAD DIDÁCTICA 9. DATAWAREHOUSE O ALMACEN DE DATOS CORPORATIVOS

    1. Visión General: ¿Por qué DataWarehouse?
    2. Estructura y Construcción
    3. Fases de implantación
    4. Características
    5. Data Warehouse en la nube

    UNIDAD DIDÁCTICA 10. INTERNET DE LAS COSAS

    1. Contexto Internet de las Cosas (IoT)
    2. ¿Qué es IoT?
    3. Elementos que componen el ecosistema IoT
    4. Arquitectura IoT
    5. Dispositivos y elementos empleados
    6. Ejemplos de uso
    7. Retos y líneas de trabajo futuras

    UNIDAD DIDÁCTICA 11. STORYTELLING

    1. ¿Qué es el Data Storytelling?
    2. Elementos clave del Data Storytelling
    3. ¿Por qué es importante el Data Storytelling?
    4. ¿Cómo hacer Data Storytelling?

    UNIDAD DIDÁCTICA 12. ECOSISTEMA HADOOP

    1. ¿Qué es Hadoop? Relación con Big Data
    2. Instalación y configuración de insfraestructura y ecosistema Hadoop
    3. Sistema de archivos HDFS
    4. MapReduce con Hadoop
    5. Apache Hive
    6. Apache Hue
    7. Apache Spark

    MÓDULO 2. DATA SCIENCE: ALMACENAMIENTO, ANÁLISIS Y PROCESAMIENTO DE DATOS

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS

    1. ¿Qué es la ciencia de datos?
    2. Herramientas necesarias para el científico de datos
    3. Data Science & Cloud Computing
    4. Aspectos legales en Protección de Datos

    UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES

    1. Introducción
    2. El modelo relacional
    3. Lenguaje de consulta SQL
    4. MySQL Una base de datos relacional

    UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE

    1. ¿Qué es una base de datos NoSQL?
    2. Bases de datos Relaciones Vs Bases de datos NoSQL
    3. Tipo de Bases de datos NoSQL Teorema de CAP
    4. Sistemas de Bases de datos NoSQL

    UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB

    1. ¿Qué es MongoDB?
    2. Funcionamiento y uso de MongoDB
    3. Primeros pasos con MongoDB: Instalación y shell de comandos
    4. Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
    5. Actualización de datos en MongoDB: Sentencias set y update
    6. Trabajando con índices en MongoDB para optimización de datos
    7. Consulta de datos en MongoDB

    UNIDAD DIDÁCTICA 5. WEKA Y DATA MINING

    1. ¿Qué es Weka?
    2. Técnicas de Data Mining en Weka
    3. Interfaces de Weka
    4. Selección de atributos

    UNIDAD DIDÁCTICA 6. PENTAHO

    1. Una aproximación a PENTAHO
    2. Soluciones que ofrece PENTAHO
    3. MongoDB & PENTAHO
    4. Hadoop & PENTAHO
    5. Weka & PENTAHO

    UNIDAD DIDÁCTICA 7. R COMO HERRAMIENTA PARA BIG DATA

    1. Introducción a R
    2. ¿Qué necesitas?
    3. Tipos de datos
    4. Estadística Descriptiva y Predictiva con R
    5. Integración de R en Hadoop

    UNIDAD DIDÁCTICA 8. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS

    1. Obtención y limpieza de los datos (ETL)
    2. Inferencia estadística
    3. Modelos de regresión
    4. Pruebas de hipótesis

    UNIDAD DIDÁCTICA 9. ANÁLISIS DE LOS DATOS

    1. Inteligencia Analítica de negocios
    2. La teoría de grafos y el análisis de redes sociales
    3. Presentación de resultados

    MÓDULO 3. ANÁLISIS DE DATOS CON PYTHON

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS

    1. ¿Qué es el análisis de datos?

    UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB

    1. Análisis de datos con NumPy
    2. Pandas
    3. Matplotlib

    UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS

    1. Cómo usar loc en Pandas
    2. Cómo eliminar una columna en Pandas

    UNIDAD DIDÁCTICA 4. PIVOT TABLES

    1. Pivot tables en pandas

    UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN

    1. El grupo de pandas

    UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES

    1. Python Pandas fusionando marcos de datos

    UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN

    1. Matplotlib
    2. Seaborn

    UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING

    1. Aprendizaje automático

    UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA

    1. Regresión lineal
    2. Regresión logística

    UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES

    1. Estructura de árbol

    UNIDAD DIDÁCTICA 11. NAIVE BAYES

    1. Algortimo de Naive bayes
    2. Tipos de Naive Bayes

    UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)

    1. Máquinas de vectores soporte (Support Vector Machine-SVM)
    2. ¿Cómo funciona SVM?
    3. Núcleos SVM
    4. Construcción de clasificador en Scikit-learn

    UNIDAD DIDÁCTICA 13. KNN

    1. K-nearest Neighbors (KNN)
    2. Implementación de Python del algoritmo KNN

    UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)

    1. Análisis de componentes principales

    UNIDAD DIDÁCTICA 15. RANDOM FOREST

    1. Algoritmo de Random Forest

    MÓDULO 4. VISUALIZACIÓN DE DATOS

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS

    1. ¿Qué es la visualización de datos?
    2. Importancia y herramientas de la visualización de datos
    3. Visualización de datos: Principios básicos

    UNIDAD DIDÁCTICA 2. TABLEAU

    1. ¿Qué es Tableau? Usos y aplicaciones
    2. Tableau Server: Arquitectura y Componentes
    3. Instalación Tableau
    4. Espacio de trabajo y navegación
    5. Conexiones de datos en Tableau
    6. Tipos de filtros en Tableau
    7. Ordenación de datos, grupos, jerarquías y conjuntos
    8. Tablas y gráficos en Tableau

    UNIDAD DIDÁCTICA 3. D3 (DATA DRIVEN DOCUMENTS)

    1. Fundamentos D3
    2. Instalación D3
    3. Funcionamiento D3
    4. SVG
    5. Tipos de datos en D3
    6. Diagrama de barras con D3
    7. Diagrama de dispersión con D3

    UNIDAD DIDÁCTICA 4. LOOKER STUDIO (GOOGLE DATA STUDIO)

    1. Visualización de datos
    2. Tipologías de gráficos
    3. Fuentes de datos
    4. Creación de informes

    UNIDAD DIDÁCTICA 5. QLIKVIEW

    1. Instalación y arquitectura
    2. Carga de datos
    3. Informes
    4. Transformación y modelo de datos
    5. Análisis de datos

    UNIDAD DIDÁCTICA 6. POWER BI

    1. Introducción a Power BI
    2. Instalación de Power BI
    3. Modelado de datos
    4. Visualización de datos
    5. Dashboards
    6. Uso compartido de datos

    UNIDAD DIDÁCTICA 7. CARTO

    1. CartoDB
    2. ¿Qué es CARTO?
    3. Carga y uso de datos. Tipos de análisis
    4. Programación de un visor con la librería CARTO.js
    5. Uso de ejemplos y ayudas de la documentación de la API
    Titulación
    Titulación Universitaria:
    Diploma Universidad Católica de Murcia
    Solicitar información