Titulación universitaria
La mayor facultad de informática del mundo”
Presentación
Con esta especialización en MBA en Data Science Management serás el mejor candidato posible para la dirección de cualquier equipo de trabajo, aportando un punto de vista analítico y técnico único”
Los equipos de trabajo de cualquier empresa actualizada a la realidad digital requieren de profesionales multidisciplinares. Estos equipos, generalmente de alta cualificación, requieren de una dirección aún más especializada y adaptada a su nivel de conocimientos. El presente Grand Master de Formación Permanente MBA en Data Science Management cubre ese nicho laboral aportando al alumno un conjunto de conocimientos únicos y útiles para liderar equipos de trabajo. Haciendo uso de la ciencia de los datos y la analítica profunda, el estudiante será capaz de tomar decisiones rápidas con una perspectiva global de negocio, comprendiendo todas las realidades que envuelven a estos entornos empresariales complejos y cambiantes.
El material didáctico cubre todos los aspectos necesarios para liderar con éxito, desde una perspectiva analítica, la gestión, manipulación e interpretación de los datos recogidos; los dispositivos y plataformas óptimos para la gestión de datos; la minería de datos, la representación gráfica de los mismos y los modelos predictivos basados en datos; y, por último, el liderazgo y la comunicación efectiva en grupos amplios de trabajo. A todo lo anterior mencionado, se deben sumar, además, otras competencias complementarias más técnicas que hacen de esta una enseñanza versátil y completa.
Además, el alumno contará con la libertad total de cursar el presente programa a su propio ritmo, ya que se trata de una enseñanza completamente online, sin horarios fijos ni obligación de asistencia a un centro físico. El material didáctico está accesible en todo momento y el estudiante puede adaptar el aprendizaje a sus obligaciones personales o profesionales.
Con el set de conocimientos que te proporciona este Grand Master de Formación Permanente MBA en Data Science Management, tendrás todo lo que hace falta para lanzar tu carrera profesional hacia nuevas cotas y metas”
Este Grand Master de Formación Permanente MBA en Data Science Management contiene el programa más completo y actualizado del mercado. Sus características más destacadas son:
- El desarrollo de casos prácticos presentados por expertos en liderazgo y analítica 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 ciencia de los 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
Los líderes con mayores capacidades y conocimientos son los que pueden marcar la diferencia en un entorno empresarial disputado y competitivo. Marca la diferencia y triunfa donde otros fracasaron con aptitudes en liderazgo y ciencia de los datos”
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 curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.
Es tu momento para alcanzar el cenit de tu carrera profesional. Especialízate con este Grand Master de Formación Permanente MBA en Data Science Management y postula a los puestos de trabajo que siempre has soñado"
TECH te ofrece la posibilidad de estudiar a tu ritmo. Tienes una oportunidad única para darle ese plus distintivo a tu currículum y destacar entre los mejores”
Temario
El Grand Master de Formación Permanente MBA en Data Science Management se compone de 19 módulos con distintos temarios y subtemas cada uno, recopilando toda la información de forma precisa y clara para que el alumno no tenga dificultades a la hora de realizar sus estudios. Durante la enseñanza, el estudiante aprenderá metodologías de trabajo innovadoras, formas diferentes de gestión y almacenamiento de datos, así como a solucionar y mediar ante posibles conflictos laborales de distinta índole, entre otros conocimientos que también serán de utilidad para su carrera profesional hacia la dirección de grupos de trabajo.
Este Grand Master de Formación Permanente MBA en Data Science Management te da la oportunidad de adquirir los mejores conocimientos de la forma más concisa y precisa posible”
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 (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. Principales Sistemas de Gestión de Información
11.1. ERP y CRM
11.1.1. El ERP
11.1.2. El CRM
11.1.3. Diferencias entre ERP, CRM. Punto de venta
11.1.4. Éxito empresarial
11.2. El ERP
11.2.1. El ERP
11.2.2. Tipos de ERP
11.2.3. Desarrollo de un proyecto de implantación de un ERP
11.2.4. ERP. Optimizador de recursos
11.2.5. Arquitectura de un sistema ERP
11.3. Información aportada por el ERP
11.3.1. Información aportada por el ERP
11.3.2. Ventajas e inconvenientes
11.3.3. La información
11.4. Sistemas ERP
11.4.1. Sistemas y herramientas actuales de ERP
11.4.2. Toma de decisiones
11.4.3. Día a día con un ERP
11.5. CRM: El proyecto de implantación
11.5.1. El CRM. Proyecto de Implantación
11.5.2. El CRM como herramienta comercial
11.5.3. Estrategias para el sistema de información
11.6. CRM: Fidelización de clientes
11.6.1. Punto de partida
11.6.2. Vender o Fidelizar
11.6.3. Factores de éxito en nuestro sistema de fidelización
11.6.4. Estrategias multicanal
11.6.5. Diseño de las acciones de fidelización
11.6.6. E-fidelización
11.7. CRM: Campañas de comunicación
11.7.1. Acciones y planes de comunicación
11.7.2. Importancia del cliente informado
11.7.3. La escucha al cliente
11.8. CRM: Prevención de insatisfechos
11.8.1. Las bajas de cliente
11.8.2. Detección de errores a tiempo
11.8.3. Procesos de mejora
11.8.4. Recuperación del cliente insatisfecho
11.9. CRM: Acciones especiales de comunicación
11.9.1. Objetivos y planificación de un evento en la empresa
11.9.2. Diseño y realización del evento
11.9.3. Acciones desde el departamento
11.9.4. Análisis de resultados
11.10. El marketing relacional
11.10.1. Implantación. Errores
11.10.2. Metodología, segmentación y procesos
11.10.3. Actuación, según el departamento
11.10.4. Herramientas CRM
Módulo 12. Tipos y ciclo de vida del dato
12.1. La estadística
12.1.1. Estadística: estadística descriptiva, estadística inferencias
12.1.2. Población, muestra, individuo
12.1.3. Variables: definición, escalas de medida
12.2. Tipos de datos estadísticos
12.2.1. Según tipo
12.2.1.1. Cuantitativos: datos continuos y datos discretos
12.2.1.2. Cualitativos: datos binomiales, datos nominales y datos ordinales
12.2.2. Según su forma
12.2.2.1. Numérico
12.2.2.2. Texto
12.2.2.3. Lógico
12.2.3. Según su fuente
12.2.3.1. Primarios
12.2.3.2. Secundarios
12.3. Ciclo de vida de los datos
12.3.1. Etapas del ciclo
12.3.2. Hitos del ciclo
12.3.3. Principios FAIR
12.4. Etapas iniciales del ciclo
12.4.1. Definición de metas
12.4.2. Determinación de recursos necesarios
12.4.3. Diagrama de Gantt
12.4.4. Estructura de los datos
12.5. Recolección de datos
12.5.1. Metodología de recolección
12.5.2. Herramientas de recolección
12.5.3. Canales de recolección
12.6. Limpieza del dato
12.6.1. Fases de la limpieza de datos
12.6.2. Calidad del dato
12.6.3. Manipulación de datos (con R)
12.7. Análisis de datos, interpretación y valoración de resultados
12.7.1. Medidas estadísticas
12.7.2. Índices de relación
12.7.3. Minería de datos
12.8. Almacén del dato (datawarehouse)
12.8.1. Elementos que lo integran
12.8.2. Diseño
12.8.3. Aspectos a considerar
12.9. Disponibilidad del dato
12.9.1. Acceso
12.9.2. Utilidad
12.9.3. Seguridad
12.10. Aspectos normativos
12.10.1. Ley de protección de datos
12.10.2. Buenas prácticas
12.10.3. Otros aspectos normativos
Módulo 13. Número- aprendizaje automático
13.1. El conocimiento en bases de datos
13.1.1. Preprocesamiento de datos
13.1.2. Análisis
13.1.3. Interpretación y evaluación de los resultados
13.2. Machine learning
13.2.1. Aprendizaje supervisado y no supervisado
13.2.2. Aprendizaje por refuerzo
13.2.3. Aprendizaje semi-supervisado. Otros modelos de aprendizaje
13.3. Clasificación
13.3.1. Árboles de decisión y aprendizaje basado en reglas
13.3.2. Máquinas de Soporte Vectorial (SVM) y algoritmos de vecinos más cercanos (KNN)
13.3.3. Métricas para algoritmos de clasificación
13.4. Regresión
13.4.1. Regresión lineal y regresión logística
13.4.2. Modelos de regresión no lineales
13.4.3. Análisis de series temporales
13.4.4. Métricas para algoritmos de regresión
13.5. Clustering
13.5.1. Agrupamiento jerárquico
13.5.2. Agrupamiento particional
13.5.3. Métricas para algoritmos de clustering
13.6. Reglas de Asociación
13.6.1. Medidas de interés
13.6.2. Métodos de extracción de reglas
13.6.3. Métricas para los algoritmos de reglas de asociación
13.7. Multiclasificadores
13.7.1. Bootstrap aggregation o bagging
13.7.2. Algoritmo de Random Forests
13.7.3. Algoritmo de boosting
13.8. Modelos de razonamiento probabilístico
13.8.1. Razonamiento probabilístico
13.8.2. Redes bayesianas o redes de creencia
13.8.3. Hidden markov models
13.9. Perceptrón multicapa
13.9.1. Red neuronal
13.9.2. Aprendizaje automático con redes neuronales
13.9.3. Descenso del gradiente, backpropagation y funciones de activación
13.9.4. Implementación de una red neuronal artificial
13.10 Aprendizaje profundo
13.10.1. Redes neuronales profundas. Introducción
13.10.2. Redes convolucionales
13.10.3. Sequence modeling
13.10.4. Tensorflow y pytorch
Módulo 14. Analítica web
14.1. Analítica web
14.1.1. Introducción
14.1.2. Evolución de la analítica web
14.1.3. Proceso de análisis
14.2. Google Analytics
14.2.1. Google Analytics
14.2.2. Uso
14.2.3. Objetivos
14.3. Hits. Interacciones con el sitio web
14.3.1. Métricas básicas
14.3.2. KPI (Key Performance Indicators)
14.3.3. Porcentajes de conversión adecuados
14.4. Dimensiones frecuentes
14.4.1. Fuente
14.4.2. Medio
14.4.3. Keyword
14.4.4. Campaña
14.4.5. Etiquetado personalizado
14.5. Configuración de Google Analytics
14.5.1. Instalación. Creación de la cuenta
14.5.2. Versiones de la herramienta: UA / GA4
14.5.3. Etiqueta de seguimiento
14.5.4. Objetivos de conversión
14.6. Organización de Google Analytics
14.6.1. Cuenta
14.6.2. Propiedad
14.6.3. Vista
14.7. Informes de Google Analytics
14.7.1. En tiempo real
14.7.2. Audiencia
14.7.3. Adquisición
14.7.4. Comportamiento
14.7.5. Conversiones
14.7.6. Comercio electrónico
14.8. Informes avanzados de Google Analytics
14.8.1. Informes personalizados
14.8.2. Paneles
14.8.3. APIs
14.9. Filtros y segmentos
14.9.1. Filtro
14.9.2. Segmento
14.9.3. Tipos de segmentos: predefinidos / personalizados
14.9.4. Listas de remarketing
14.10. Plan de analítica digital
14.10.1. Medición
14.10.2. Implementación en el entorno tecnológico
14.10.3. Conclusiones
Módulo 15. Normativas para gestión de datos
15.1. Marco regulatorio
15.1.1. Marco normativo y definiciones
15.1.2. Responsables, corresponsables y encargados de tratamiento
15.1.3. Próximo marco normativo en materia de inteligencia artificial
15.2. Principios relativos al tratamiento de datos personales
15.2.1. Licitud, lealtad y transparencia y limitación de la finalidad
15.2.2. Minimización de datos, exactitud y limitación del plazo de conservación
15.2.3. Integridad y confidencialidad
15.2.4. Responsabilidad proactiva
15.3. Legitimación y habilitación para el tratamiento
15.3.1. Bases de legitimación
15.3.2. Habilitaciones para el tratamiento de categorías especiales de datos
15.3.3. Comunicaciones de datos
15.4. Derechos de los individuos
15.4.1. Transparencia e información
15.4.2. Acceso
15.4.3. Rectificación y supresión (derecho al olvido), limitación y portabilidad
15.4.4. Oposición y decisiones individuales automatizadas
15.4.5. Límites a los derechos
15.5. Análisis y gestión de riesgos
15.5.1. Identificación de riesgos y amenazas para los derechos y libertades de las personas físicas
15.5.2. Evaluación de riesgos
15.5.3. Plan de tratamiento de riesgos
15.6. Medidas de responsabilidad proactiva
15.6.1. Identificación de técnicas para garantizar y acreditar cumplimiento
15.6.2. Medidas organizativas
15.6.3. Medidas técnicas
15.6.4. Gestión de violaciones de la seguridad de los datos personales
15.6.5. El registro de actividades de tratamiento
15.7. La Evaluación de Impacto relativa a la Protección de los Datos Personales (EIPD o DPIA)
15.7.1. Actividades que requieren EIPD
15.7.2. Metodología de evaluación
15.7.3. Identificación de riesgos, amenazas y consulta a la autoridad de control
15.8. Regulación contractual: responsables, encargados y otros sujetos
15.8.1. Contratos en materia de protección de datos
15.8.2. Atribución de responsabilidades
15.8.3. Contratos entre corresponsables
15.9. Transferencias internacionales de datos
15.9.1. Definición y garantías que deben adoptarse
15.9.2. Las cláusulas contractuales tipo
15.9.3. Otros instrumentos para regular transferencias
15.10. Infracciones y sanciones
15.10.1. Infracciones y sanciones
15.10.2. Criterios de graduación en materia sancionadora
15.10.3. El delegado de protección de datos
15.10.4. Funciones de las autoridades de control
Módulo 16. Sistemas escalables y confiables de uso masivo de datos
16.1. Escalabilidad, confiabilidad y mantenibilidad
16.1.1. Escalabilidad
16.1.2. Confiabilidad
16.1.3. Mantenibilidad
16.2. Modelos de datos
16.2.1. Evolución de los modelos de datos
16.2.2. Comparación del modelo relacional con el modelo NoSQL basado en documentos
16.2.3. Modelo de grafos
16.3. Motores de almacenamiento y recuperación de datos
16.3.1. Almacenamiento estructurado en log
16.3.2. Almacenamiento en tablas de segmentos
16.3.3. Árboles B
16.4. Servicios, paso de mensajes y formatos para codificar datos
16.4.1. Flujo de datos en servicios REST
16.4.2. Flujo de datos en paso de mensajes
16.4.3. Formatos de envío de mensajes
16.5. Replicación
16.5.1. Teorema CAP
16.5.2. Modelos de consistencia
16.5.3. Modelos de réplica en base a conceptos de líder y seguidores
16.6. Transacciones distribuidas
16.6.1. Operaciones atómicas
16.6.2. Transacciones distribuidas desde diferentes enfoques Calvin, spanner
16.6.3. Serializabilidad
16.7. Particionado
16.7.1. Tipos de particionado
16.7.2. Índices en particiones
16.7.3. Rebalanceado de particiones
16.8. Procesamiento por lotes
16.8.1. El procesamiento por lotes
16.8.2. MapReduce
16.8.3. Enfoques posteriores a MapReduce
16.9. Procesamiento de flujos de datos
16.9.1. Sistemas de mensajes
16.9.2. Persistencia de flujos de datos
16.9.3. Usos y operaciones con flujos de datos
16.10. Casos de uso. Twitter, Facebook, Uber
16.10.1. Twitter: el uso de caches
16.10.2. Facebook: modelos no relacionales
16.10.3. Uber: diferentes modelos para diferentes propósitos
Módulo 17. Administración de sistemas para despliegues distribuidos
17.1. Administración clásica. El modelo monolítico
17.1.1. Aplicaciones clásicas. Modelo monolítico
17.1.2. Requisitos de sistemas para aplicaciones monolíticas
17.1.3. La administración de sistemas monolíticos
17.1.4. Automatización
17.2. Aplicaciones distribuidas. El microservicio
17.2.1. Paradigma de computación distribuida
17.2.2. Modelos basados en microservicios
17.2.3. Requisitos de sistemas para modelos distribuidos
17.2.4. Aplicaciones monolíticas vs. aplicaciones distribuidas
17.3. Herramientas para la explotación de recursos
17.3.1. Gestión del “hierro”
17.3.2. Virtualización
17.3.3. Emulación
17.3.4. Paravirtualización
17.4. Modelos IaaS, PaaS y SaaS
17.4.1. Modelo IaaS
17.4.2. Modelo PaaS
17.4.3. Modelo SaaS
17.4.4. Patrones de diseño
17.5. Containerización
17.5.1. Virtualización con cgroups
17.5.2. Containers
17.5.3. De la aplicación al contenedor
17.5.4. Orquestación de contenedores
17.6. Clusterización
17.6.1. Alto rendimiento y alta disponibilidad
17.6.2. Modelos de alta disponibilidad
17.6.3. Clúster como plataforma SaaS
17.6.4. Securización de clústers
17.7. Cloud computing
17.7.1. Clústers vs. clouds
17.7.2. Tipos de clouds
17.7.3. Modelos de servicio en cloud
17.7.4. Sobresuscripción
17.8. Monitorización y testing
17.8.1. Tipos de monitorización
17.8.2. Visualización
17.8.3. Tests de infraestructura
17.8.4. Ingeniería del caos
17.9. Caso de estudio: Kubernetes
17.9.1. Estructura
17.9.2. Administración
17.9.3. Despliegue de servicios
17.9.4. Desarrollo de servicios para K8S
17.10. Caso de estudio: OpenStack
17.10.1. Estructura
17.10.2. Administración
17.10.3. Despliegues
17.10.4. Desarrollo de servicios para OpenStack
Módulo 18. Gestión de proyectos y metodologías ágiles
18.1. Dirección y gestión de proyectos
18.1.1. El proyecto
18.1.2. Fases de un proyecto
18.1.3. Dirección y gestión de proyectos
18.2. Metodología PMI para la gestión de proyectos
18.2.1. PMI (Project Management Institute)
18.2.2. PMBOK
18.2.3. Diferencia entre proyecto, programa y porfolio de proyectos
18.2.4. Evolución de las organizaciones que trabajan con proyectos
18.2.5. Activos de los procesos en las organizaciones
18.3. Metodología PMI para la gestión de proyectos: Procesos
18.3.1. Grupos de procesos
18.3.2. Áreas de conocimiento
18.3.3. Matriz de procesos
18.4. Metodologías Agile para la gestión de proyectos
18.4.1. Contexto VUCA (Volatilidad, incertidumbre, complejidad y ambigüedad)
18.4.2. Valores Agile
18.4.3. Principios del manifiesto Ágil
18.5. Framework Agile SCRUM para la gestión de proyectos
18.5.1. Scrum
18.5.2. Los pilares de la metodología Scrum
18.5.3. Los valores en Scrum
18.6. Framework Agile SCRUM para la gestión de proyectos. Proceso
18.6.1. El proceso de Scrum
18.6.2. Roles tipificados en un proceso Scrum
18.6.3. Las ceremonias en Scrum
18.7. Framework Agile SCRUM para la gestión de proyectos. Artefactos
18.7.1. Artefactos en un proceso Scrum
18.7.2. El Equipo Scrum
18.7.3. Métricas para evaluación del rendimiento de un equipo Scrum
18.8. Framework Agile KANBAN para la gestión de proyectos. Método Kanban
18.8.1. Kanban
18.8.2. Beneficios de Kanban
18.8.3. Método Kanban. Elementos
18.9. Framework Agile KANBAN para la gestión de proyectos. Prácticas del método Kanban
18.9.1. Los valores de Kanban
18.9.2. Principios del método Kanban
18.9.3. Prácticas generales del método Kanban
18.9.4. Métricas para evaluación del rendimiento de Kanban
18.10. Comparación: PMI, SCRUM y KANBAN
18.10.1. PMI–SCRUM
18.10.2. PMI–KANBAN
18.10.3. SCRUM–KANBAN
Módulo 19. Comunicación, liderazgo y gestión de equipos
19.1. Desarrollo organizativo en la empresa
19.1.1. Clima, cultura y desarrollo organizativo en la empresa
19.1.2. La gestión del capital humano
19.2. Modelos de dirección. Toma de decisiones
19.2.1. Cambio de paradigma en los modelos de dirección
19.2.2. Proceso directivo de la empresa tecnológica
19.2.3. Toma de Decisiones. Instrumentos de planificación
19.3. Liderazgo. Delegación y empowerment
19.3.1. Liderazgo
19.3.2. Delegación y empowerment
19.3.3. Evaluación del desempeño
19.4. Liderazgo. Gestión del talento y del compromiso
19.4.1. Gestión del talento en la empresa
19.4.2. Gestión del compromiso en la empresa
19.4.3. Mejora de la comunicación en la empresa
19.5. Coaching aplicado a la empresa
19.5.1. Coaching directivo
19.5.2. Coaching de equipos
19.6. Mentoring aplicado a la empresa
19.6.1. Perfil del mentor
19.6.2. Los 4 procesos de un programa de mentoring
19.6.3. Herramientas y técnicas en un proceso de mentoring
19.6.4. Beneficios del mentoring en el ámbito de la empresa
19.7. Gestión de equipos I. Las relaciones interpersonales
19.7.1. Relaciones interpersonales
19.7.2. Estilos relacionales: enfoques
19.7.3. Reuniones efectivas y acuerdos en situaciones difíciles
19.8. Gestión de equipos II. Los conflictos
19.8.1. Los conflictos
19.8.2. Prevenir, afrontar y resolver el conflicto
19.8.2.1. Estrategias para prevenir el conflicto
19.8.2.2. La gestión de conflictos. Principios básicos
19.8.3. Estrategias para resolver conflictos
19.8.4. Estrés y motivación laboral
19.9. Gestión de equipos III. La negociación
19.9.1. La negociación en el ámbito directivo de las empresas tecnológicas
19.9.2. Estilos de negociación
19.9.3. Fases de la negociación
19.9.3.1. Barreras a superar en las negociaciones
19.10. Gestión de equipos IV. Técnicas de negociación
19.10.1. Técnicas y estrategias de negociación
19.10.1.1. Estrategias y principales tipos de negociación
19.10.1.2. Tácticas de negociación y cuestiones prácticas
19.10.2. La figura del sujeto negociador
No dejes pasar la oportunidad de marcar un antes y un después en tu carrera profesional y matricúlate ya en este Grand Master de Formación Permanente MBA en Data Science Management”
Grand Master MBA en Data Science Management
Frente a un contexto en el que las tecnologías y los programas avanzan de forma acelerada para responder adecuadamente ante la nueva realidad digital, el surgimiento de disciplinas transversales como las ciencias de los datos es fundamental. Asimismo, la asistencia de especialistas en el área con un alto nivel de cualificación resulta indispensable a medida que la integración de estas tecnologías se convierte en una necesidad cada vez mayor para las empresas. En TECH Universidad Tecnológica desarrollamos el Grand Master en MBA en Data Science Management, un programa que te permitirá actualizar tus conocimientos para abordar con habilidad el manejo de la información con el objetivo de convertirla en una ventaja determinante para las compañías en las que te desempeñes. De esta manera, alcanzarás un nuevo nivel de conocimiento para progresar en tus metas profesionales.
Especialízate en la mayor Facultad de Informática del mundo
Si estás interesado en complementar tus competencias con conocimientos en programación e informática para adaptar los sistemas y metodologías de trabajo digitales a las necesidades de almacenamiento, procesamiento y análisis de los datos de las empresas modernas, este programa es para ti. Con el plan de estudios profundizarás en la analítica, gestión y manipulación de información para las ciencias de los datos en la organización empresarial; en el diseño y desarrollo de sistemas inteligentes teniendo en cuenta los tipos y ciclo de vida de las cifras estadísticas, y en marco normativo de protección de datos y sus relaciones con la futura regulación de sistemas basados en inteligencia artificial, entre otros. Este Grand Master es una oportunidad única para convertirte en un experto analítico, informático y tecnológico capaz de asumir grandes responsabilidades en múltiples entornos laborales. En la mayor Facultad de Informática del mundo podrás dar un paso definitivo para perfilar tus competencias técnicas y destacar eficazmente en un sector altamente competitivo.