Estamos en una etapa de cambio tecnológico. Dia a día crece la cantidad de información que generamos y cada vez se ven más avances en la automatización de tareas y en la creación de modelos artificiales inteligentes dentro de empresas, páginas web, aplicaciones, etc.
Todo esto hace que la importancia de saber analizar estos grandes volúmenes de datos, conocidos como Big Data, se convierta en trascendental para tomar cualquier decisión importante dentro de una empresa, ámbito social o cualquier otro campo profesional.
Saber cómo interpretar todos estos grandes volúmenes de información y aplicarlo en campos como la inteligencia artificial, el machine learning y el deep learning se vuelve clave para llevar a cabo una actualización tecnológica dentro de cualquier empresa.
Gracias a la realización de este Máster en Formación Permanente en Data Management podrás obtener los conocimientos necesarios para el análisis de datos masivos y su aplicación en el ámbito de la inteligencia artificial (IA). Además, descubrirás un mundo lleno de oportunidades laborales y en pleno auge debido a la cada vez mayor importancia de diferenciarse de los competidores y actualizar todos los procesos de negocio a la era digital.
En la realización del máster contarás con un equipo de profesionales especializados en la materia que te ayudarán en todo momento y gracias a las prácticas garantizadas en empresas punteras dentro del sector podrás acceder a un mercado laboral con gran auge y futuro.
El Máster en Formación Permanente en Data Management, está principalmente orientado a profesionales informáticos que deseen dar un salto de calidad en sus carreras gracias al estudio y aplicación de grandes volúmenes de información en áreas como la inteligencia artificial, el Machine Learning y el Deep Learning que cada vez tiene mayor importancia en todas las tecnologías actuales y futuras. Además, también está pensado para aquellos estudiantes que busquen una formación especializada que les ayude a adentrase en el mercado laboral a través de sus prácticas garantizadas.
Objetivos
– Descubrir la importancia del Big Data y sus principales aplicaciones.
– Aprender a utilizar las principales herramientas de Big Data.
– Comprender la importancia y actualidad de la inteligencia artificial y su aplicación para construir sistemas inteligentes gracias al machine learning y el deep learning.
– Analizar y procesar datos mediante Python y R, lenguajes clave en la programación estadística.
– Aprender a crear un chatbot gracias al uso del procesamiento de lenguaje natural.
– Entender la importancia y saber aplicar la ciberseguridad en todos estos ámbitos.
Salidas Profesionales
Gracias a la realización de este máster podrás a optar a puestos de gran futuro y tan importantes como Big Data Scientist, Data Manager, AI Developer, Consultor Data Science, Data Analyst, Data Engineer o líder de proyectos big data.
La era de las grandes cantidades de información. Historia del big data
La importancia de almacenar y extraer información
Big Data enfocado a los negocios
Open Data
Información pública
IoT (Internet of Things-Internet de las cosas)
Definición y relevancia de la selección de las fuentes de datos
Naturaleza de las fuentes de datos Big Data
Definición, Beneficios y Características
Ejemplo de uso de Open Data
Diagnóstico inicial
Diseño del proyecto
Proceso de implementación
Monitorización y control del proyecto
Responsable y recursos disponibles
Calendarización
Alcance y valoración económica del proyecto
Definiendo el concepto de Business Intelligence y sociedad de la información
Arquitectura de una solución de Business Intelligence
Business Intelligence en los departamentos de la empresa
Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
Sistemas operacionales y Procesos ETL en un sistema de BI
Ventajas y Factores de Riesgos del Business Intelligence
Cuadros de Mando Integrales (CMI)
Sistemas de Soporte a la Decisión (DSS)
Sistemas de Información Ejecutiva (EIS)
Apoyo del Big Data en el proceso de toma de decisiones
Toma de decisiones operativas
Marketing estratégico y Big Data
Nuevas tendencias en management
Concepto de web semántica
Linked Data Vs Big Data
Lenguaje de consulta SPARQL
Contexto Internet de las Cosas (IoT)
¿Qué es IoT?
Elementos que componen el ecosistema IoT
Arquitectura IoT
Dispositivos y elementos empleados
Ejemplos de uso
Retos y líneas de trabajo futuras
Hadoop
Pig
Hive
Sqoop
Flume
Spark Core
Spark 2.0
Fundamentos de Streaming Processing
Spark Streaming
Kafka
Pulsar y Apache Apex
Implementación de un sistema real-time
Hbase
Cassandra
MongoDB
NeoJ
Redis
Berkeley DB
Lucene + Solr
Arquitectura Lambda
Arquitectura Kappa
Apache Flink e implementaciones prácticas
Druid
ElasticSearch
Logstash
Kibana
Amazon Web Services
Google Cloud Platform
Administración e Instalación de clusters: Cloudera y Hortonworks
Optimización y monitorización de servicios
Seguridad: Apache Knox, Ranger y Sentry
Herramientas de visualización: Tableau y CartoDB
Librerías de Visualización: D, Leaflet, Cytoscape
Introducción a la minería de datos y el aprendizaje automático
Proceso KDD
Modelos y Técnicas de Data Mining
Áreas de aplicación
Minería de textos y Web Mining
Data mining y marketing
Aproximación al concepto de DataMart
Bases de datos OLTP
Bases de Datos OLAP
MOLAP, ROLAP & HOLAP
Herramientas para el desarrollo de cubos OLAP
Visión General. ¿Por qué DataWarehouse?
Estructura y Construcción
3. Fases de implantación
Características
Data Warehouse en la nube
Tipos de herramientas para BI
Productos comerciales para BI
Productos Open Source para BI
Business Intelligence en Excel
Herramienta Powerbi
Herramienta Tableau
Instalación y arquitectura
Carga de datos
Informes
Transformación y modelo de datos
Análisis de datos
¿Qué es una base de datos NoSQL?
Bases de datos Relaciones Vs Bases de datos NoSQL
Tipo de Bases de datos NoSQL: Teorema de CAP
Sistemas de Bases de datos NoSQL
¿Qué es MongoDB?
Funcionamiento y uso de MongoDB
Primeros pasos con MongoDB: Instalación y shell de comandos
Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
Actualización de datos en MongoDB: Sentencias set y update
Trabajando con índices en MongoDB para optimización de datos
Consulta de datos en MongoDB
¿Qué es Hadoop? Relación con Big Data
Instalación y configuración de insfraestructura y ecosistema Hadoop
Sistema de archivos HDFS
MapReduce con Hadoop
Apache Hive
Apache Hue
Apache Spark
¿Qué es Weka?
Técnicas de Data Mining en Weka
Interfaces de Weka
Selección de atributos
Una aproximación a Pentaho
Soluciones que ofrece Pentaho
MongoDB & Pentaho
Hadoop & Pentaho
Weka & Pentaho
Introducción a Python
¿Qué necesitas?
Librerías para el análisis de datos en Python
MongoDB, Hadoop y Python. Dream Team del Big Data
Introducción a R
¿Qué necesitas?
Tipos de datos
Estadística Descriptiva y Predictiva con R
Integración de R en Hadoop
¿Qué es la ciencia de datos?
Herramientas necesarias para el científico de datos
Data Science & Cloud Compunting
Aspectos legales en Protección de Datos
Introducción
El modelo relacional
Lenguaje de consulta SQL
MySQL. Una base de datos relacional
Obtención y limpieza de los datos (ETL)
Inferencia estadística
Modelos de regresión
Pruebas de hipótesis
Inteligencia Analítica de negocios
La teoría de grafos y el análisis de redes sociales
Presentación de resultados
Introducción a la inteligencia artificial
Historia
La importancia de la IA
Tipos de inteligencia artificial
Algoritmos aplicados a la inteligencia artificial
Relación entre inteligencia artificial y big data
IA y Big Data combinados
El papel del Big Data en IA
Tecnologías de IA que se están utilizando con Big Data
Sistemas expertos
Estructura de un sistema experto
Inferencia: Tipos
Fases de construcción de un sistema
Rendimiento y mejoras
Dominios de aplicación
Creación de un sistema experto en C#
Añadir incertidumbre y probabilidades
Futuro de la inteligencia artificial
Impacto de la IA en la industria
El impacto económico y social global de la IA y su futuro
Introducción
Clasificación de algoritmos de aprendizaje automático
Ejemplos de aprendizaje automático
Diferencias entre el aprendizaje automático y el aprendizaje profundo
Tipos de algoritmos de aprendizaje automático
El futuro del aprendizaje automático
Introducción
Algoritmos
Introducción
Filtrado colaborativo
Clusterización
Sistemas de recomendación híbridos
Clasificadores
Algoritmos
Componentes
Aprendizaje
Introducción
El proceso de paso de DSS a IDSS
Casos de aplicación
Aprendizaje profundo
Entorno de Deep Learning con Python
Aprendizaje automático y profundo
Redes neuronales
Redes profundas y redes poco profundas
Perceptrón de una capa y multicapa
Ejemplo de perceptrón
Tipos de redes profundas
Trabajar con TensorFlow y Python
Entrada y salida de datos
Entrenar una red neuronal
Gráficos computacionales
Implementación de una red profunda
El algoritmo de propagación directa
Redes neuronales profundas multicapa
¿Qué es PLN?
¿Qué incluye el PLN?
Ejemplos de uso de PLN
Futuro del PLN
Introducción a Python
¿Qué necesitas?
Librerías para el análisis de datos en Python
PLN en Python con la librería NLTK
Otras herramientas para PLN
Principios del análisis sintáctico
Gramática libre de contexto
Analizadores sintácticos (Parsers)
Aspectos introductorios del análisis semántico
Lenguaje semántico para PLN
Análisis pragmático
Aspectos introductorios
Pasos en la extracción de información
Ejemplo PLN
Ejemplo PLN con entrada de texto en inglés
Introducción a la Inteligencia artificial
El Test de Turing
Agentes Inteligentes
Aplicaciones de la inteligencia artificial
Aspectos introductorios
¿Qué es un chatbot?
¿Cómo funciona un chatbot?
VoiceBots
Desafios para los Chatbots
Chatbots y el papel de la Inteligencia Artificial (IA)
Usos y beneficios de los chatbots
Diferencia entre bots, chatbots e IA
Áreas de aplicación de Chatbots
Desarrollo de un chatbot con ChatterBot y Python
Desarrollo de un chatbot para Facebook Messenger con Chatfuel
Concepto de seguridad TIC
Tipos de seguridad TIC
Aplicaciones seguras en Cloud
Plataformas de administración de la movilidad empresarial (EMM)
Redes WiFi seguras
Caso de uso: Seguridad TIC en un sistema de gestión documental
Buenas prácticas de seguridad móvil
Protección de ataques en entornos de red móv
Inteligencia Artificial
Tipos de inteligencia artificial
Impacto de la Inteligencia Artificial en la ciberseguridad
Contexto Internet de las Cosas (IoT)
¿Qué es IoT?
Elementos que componen el ecosistema IoT
Arquitectura IoT
Dispositivos y elementos empleados
Ejemplos de uso
Retos y líneas de trabajo futuras
Vulnerabilidades de IoT
Necesidades de seguridad específicas de IoT
Industria 4.0
Necesidades en ciberseguridad en la Industria 4.0
Titulación
Titulación de Máster de Formación Permanente en Data Management con 1500 horas y 60 ECTS expedida por UTAMED – Universidad Tecnológica Atlántico Mediterráneo.