Máster en Formación Permanente en Big Data Deportivo
100% Online
12 meses
2195€
Matricularme
Máster en Formación Permanente en Big Data Deportivo
    Máster en Formación Permanente en Big Data Deportivo

    Máster en Formación Permanente en Big Data Deportivo

    100% Online
    60 ECTS
    12 meses
    2195€
    Matricularme
    Seguridad y confianza en tus pagos online.

    Presentación

    Gracias a este Master en Big Data Deportivo conseguirás obtener un amplio abanico de conocimientos y habilidades para aprovechar el potencial de análisis de datos en el ámbito deportivo y general. A lo largo del master se adquirirán diferentes competencias en el big data, almacenamiento, análisis y procesamiento de datos haciendo uso de diferentes herramientas tecnológicas, tratamiento de la visión artificial… Además, aprenderás a aplicar técnicas de visualización de datos y focalizar todos estos conocimientos hacia el ámbito deportivo. Al finalizar el master, se estará preparado para aplicar el Big Data en la toma de decisiones, la mejora del rendimiento deportivo y la generación de ventajas competitivas en el mundo del deporte.
    Qs World University Rankings

    Universidades colaboradoras

    Para qué te prepara
    Con este Master en Big Data Deportivo estarás preparado para utilizar el poder del análisis de datos para mejorar el rendimiento deportivo, la toma de decisiones estratégicas y obtener una ventaja competitiva en el mundo deportivo. Para esta formación se requiere un nivel básico de conocimientos en análisis de datos y programación, y se beneficiarán aquellos con experiencia o interés en deportes y tecnología.
    Objetivos
    - Comprender la relevancia del Big Data y el Business Intelligence en la toma de decisiones estratégicas. - Utilizar bases de datos NoSQL, como MongoDB, y bases de datos SQL, como MySQL,. - Dominar los lenguajes Python y R para Data Science. - Aprender a realizar mediciones mediante la analítica web haciendo uso de diferentes técnicas y estrategias de análisis. - Analizar de forma óptima los datos a nivel deportivo para la mejora de rendimiento y optimización deportiva. - Trabajar la visión artificial con Python y OpenCV así como nociones básicas de inteligencia artificial.
    A quién va dirigido
    El Master en formación permanente en Big Data D Master en Big Data Deportivo está dirigido a profesionales del ámbito deportivo o científico y estudiantes interesados en combinar su pasión por el deporte con habilidades en el análisis de datos. Está diseñado para aquellos que deseen adquirir conocimientos avanzados en el campo del Big Data aplicado al ámbito deportivo.
    Salidas Profesionales
    Este Master en Big Data Deportivo te ofrece diversas salidas laborales en el ámbito deportivo de análisis y gestión de datos, como por ejemplo: analista de datos deportivos en clubes deportivos o agencias; consultor deportivo en Big Data; desarrollador de software deportivo para el análisis de datos; investigador en Big Data contribuyendo a su avance…
    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. Algoritmo de Naive Bayes
    2. Tipos de Naive Bayes

    UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)

    1. Máquinas de vectores soporte (Support Vector Machine-SVN)
    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. Algortimo 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

    MÓDULO 5. ANALÍTICA WEB

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA ANALÍTICA WEB

    1. ¿Qué es la analítica web?
    2. Establecimiento de objetivos y KPIs
    3. Métricas principales y avanzadas
    4. Objetivos y ventajas de medir
    5. Plan de medición

    UNIDAD DIDÁCTICA 2. GOOGLE ANALYTICS 4

    1. Introducción a Google Analytics 4
    2. Interfaz
    3. Métricas y dimensiones
    4. Informes básicos
    5. Filtros
    6. Segmentos
    7. Eventos
    8. Informes personalizados
    9. Comportamiento de los usuarios e interpretación de datos

    UNIDAD DIDÁCTICA 3. GOOGLE TAG MANAGER

    1. Introducción a GTM
    2. Implementación con GTM
    3. Medición con GTM
    4. Uso de Debug/Preview Mode

    UNIDAD DIDÁCTICA 4. MODELOS DE ATRIBUCIÓN

    1. La atribución
    2. Multicanalidad
    3. Customer Journey
    4. Principales modelos de atribución
    5. Modelos de atribución personalizados

    UNIDAD DIDÁCTICA 5. CREACIÓN DE DASHBORAD CON GOOGLE DATA STUDIO

    1. Planificación del Dashboard
    2. Características del Dashboard
    3. Introducción a Data Studio
    4. Conectores
    5. Tipos de gráficos
    6. Personalización de informes
    7. Elementos de control
    8. Dimensiones y métricas
    9. Campos Calculados
    10. Compartir informes

    UNIDAD DIDÁCTICA 6. ANALÍTICA WEB ORIENTADA AL SEO

    1. Introducción al SEO
    2. Historia de los motores de búsqueda
    3. Componentes de un motor de búsqueda
    4. Organización de resultados en un motor de búsqueda
    5. La importancia del contenido
    6. El concepto de autoridad en Internet
    7. Campaña SEO

    UNIDAD DIDÁCTICA 7. ANALÍTICA WEB ORIENTADA AL SEM

    1. Introducción al SEM
    2. Principales conceptos en SEM
    3. Sistema de pujas y Calidad del anuncio
    4. Primer contacto con Google Ads
    5. Creación de anuncios con calidad
    6. Indicadores clave de rendimiento en SEM

    UNIDAD DIDÁCTICA 8. ANALÍTICA WEB ORIENTADA A LAS REDES SOCIALES

    1. Análisis del tráfico en redes sociales
    2. Fijar objetivos en redes sociales
    3. Facebook
    4. Twitter
    5. Youtube
    6. LinkedIn
    7. Tik tok
    8. Instagram

    UNIDAD DIDÁCTICA 9. TÉCNICAS Y ESTRATEGIAS

    1. Usabilidad
    2. Mapas de calor
    3. Grabaciones de sesiones de usuario
    4. Ordenación de tarjetas
    5. Test A/B
    6. Test multivariante
    7. KPI, indicadores clave de rendimiento
    8. Cambios a realizar para optimizar una página web

    UNIDAD DIDÁCTICA 10. OTRAS HERRAMIENTAS PARA ANALÍTICA WEB

    1. Hotjar
    2. Microsoft Power BI
    3. Google Search Console
    4. Matomo
    5. Awstats
    6. Chartbeat
    7. Adobe Analytics

    UNIDAD DIDÁCTICA 11. COOKIES Y TECNOLOGÍAS DE SEGUIMIENTO

    1. ¿Qué son las cookies?
    2. Tipos de cookies
    3. GDPR
    4. Herramientas para manejar el consentimiento de cookies

    MÓDULO 6. ANÁLISIS DE DATOS A NIVEL DEPORTIVO

    UNIDAD DIDÁCTICA 1. TECNOLOGÍA Y DEPORTE

    1. La revolución tecnológica
    2. Medios de comunicación y marketing digital
    3. Tecnología en la industria deportiva
    4. La tecnología en los eventos deportivos

    UNIDAD DIDÁCTICA 2. ANÁLISIS DE DATOS EN EL DEPORTE

    1. Analítica y biometría deportiva
    2. Data Mining aplicado al deporte
    3. Sistema BI aplicado al deporte
    4. Análisis por Envoltura de Datos (DEA) aplicada al deporte
    5. Datos deportivos y transformación del mercado

    UNIDAD DIDÁCTICA 3. PROVEEDORES DE DATOS DEPORTIVOS

    UNIDAD DIDÁCTICA 4. ANÁLISIS INDIVIDUALES, COLECTIVOS Y DE LOS RIVALES

    UNIDAD DIDÁCTICA 5. ANÁLISIS DE DATOS Y RENDIMIENTO

    UNIDAD DIDÁCTICA 6. INTRODUCCIÓN AL SCOUTING EN EL FÚTBOL

    1. ¿Qué es el Scouting?
    2. Importancia del Scouting
    3. Perfil del responsable de video

    UNIDAD DIDÁCTICA 7. HERRAMIENTAS EMPLEADAS EN EL SCOUTING

    1. Elementos de hardware y software
    2. Elementos de captación y reproducción de video
    3. Programas para el videoanálisis de partidos

    UNIDAD DIDÁCTICA 8. ANÁLISIS DE ESQUEMAS TÁCTICOS

    1. ¿Qué se puede analizar de un equipo?
    2. La táctica
    3. Metodología de la preparación táctica
    4. Ocupación racional del terreno
    5. Las transiciones en el fútbol
    6. Algunas tácticas o acciones ofensivas con balón
    7. El posicionamiento defensivo
    8. Fundamentos del sistema de juego

    UNIDAD DIDÁCTICA 9. ELABORACIÓN DE INFORMES

    1. Introducción a los informes
    2. Recogida de datos e información
    3. Ejemplo de ficha de seguimiento a un jugador
    4. Ejemplo de ficha de scouting de un partido

    UNIDAD DIDÁCTICA 10. TOMA DE DECISIONES

    1. Toma de decisiones del entrenador
    2. La táctica deportiva
    3. La estrategia deportiva

    MÓDULO 7. PROGRAMACIÓN DE VISIÓN ARTIFICIAL CON PYTHON Y OPENCV

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN E INSTALACIÓN DE OPENCV

    1. Descripción general OpenCV
    2. Instalación OpenCV para Python en Windows
    3. Instalación OpenCV para Python en Linux
    4. Anaconda y OpenCV

    UNIDAD DIDÁCTICA 2. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS

    1. Manejo de archivos
    2. Leer una imagen con OpenCV
    3. Mostrar imagen con OpenCV
    4. Guardar una imagen con OpenCV
    5. Operaciones aritméticas en imágenes usando OpenCV
    6. Funciones de dibujo

    UNIDAD DIDÁCTICA 3. TRATAMIENTO DE IMÁGENES

    1. Redimensión de imágenes
    2. Erosión de imágenes
    3. Desenfoque de imágenes
    4. Bordeado de imágenes
    5. Escala de grises en imágenes
    6. Escalado, rotación, desplazamiento y detección de bordes
    7. Erosión y dilatación de imágenes
    8. Umbrales simples
    9. Umbrales adaptativos
    10. Umbral de Otsu
    11. Contornos de imágenes
    12. Incrustación de imágenes
    13. Intensidad en imágenes
    14. Registro de imágenes
    15. Extracción de primer plano
    16. Operaciones morfológicas en imágenes
    17. Pirámide de imágen

    UNIDAD DIDÁCTICA 4. HISTOGRAMAS Y TEMPLATE MATCHING

    1. Analizar imágenes usando histogramas
    2. Ecualización de histogramas
    3. Template matching
    4. Detección de campos en documentos usando Template matching

    UNIDAD DIDÁCTICA 5. COLORES Y ESPACIOS DE COLOR

    1. Espacios de color en OpenCV
    2. Cambio de espacio de color
    3. Filtrado de color
    4. Denoising de imágenes en color
    5. Visualizar una imagen en diferentes espacios de color

    UNIDAD DIDÁCTICA 6. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS

    1. Detección de líneas
    2. Detección de círculos
    3. Detectar esquinas (Método Shi-Tomasi)
    4. Detectar esquinas (método Harris)
    5. Encontrar círculos y elipses
    6. Detección de caras y sonrisas

    UNIDAD DIDÁCTICA 7. APRENDIZAJE AUTOMÁTICO

    1. Vecino más cercano (K-Nearest Neighbour)
    2. Agrupamiento de K-medias (K-Means Clustering)

    MÓDULO 8. PROYECTO FIN DE MÁSTER

    Titulación
    Titulación Universitaria:
    Diploma Universidad Católica de Murcia
    Solicitar información