Máster en Big Data Aplicado

Que hemos entrado de lleno en la era de los datos es una realidad que se ve refrendada, constantemente, por la aparición repetitiva de palabras como Big Data o Data Science, tanto en los medios de comunicación tradicionales más influyentes como en las nuevas formas de comunicación online.

Google calcula que, actualmente, se están generando tantos datos en Internet en 48 horas como todos los que ha generado la civilización humana desde su inicio hasta el año 2003. Del mismo modo, el fenómeno Big Data ha entrado de lleno en las principales compañías de muy diferentes ámbitos empresariales empezando a demandar perfiles de profesionales extremadamente especializados y muy bien preparados en el manejo de grandes volúmenes de datos.

Al finalizar este master, los alumnos contarán con el potencial suficiente para cubrir algunos de estos perfiles especializados, siendo capaces de extraer conocimientos valiosos a partir de grandes volúmenes de datos, guiando las decisiones de negocio de diferentes compañías (“Data Driven Companies”) e instituciones, siendo éste el nuevo foco estratégico en el que muchas empresas están avanzando. Todo ello, dominando las fases del ciclo completo del Data Science, donde, partiendo de los datos en bruto y aplicando los más modernos métodos y tecnologías para el análisis de datos en gran escala se lleguen a mostrar resultados de impacto en el negocio utilizando visualizaciones muy atractivas.

Concretando más, mediante una combinación equilibrada de teoría y práctica los estudiantes serán capaces de hacerse las preguntas de negocio correctas sobre los datos, aplicar los más modernos métodos estadísticos y computacionales en R y Python, los lenguajes de programación más utilizados por los Data Sciencist, actualmente, identificando patrones y extrayendo conocimiento valioso de conjuntos de datos complejos.

En un siguiente nivel también serán capaces de realizar proyectos y soluciones Big Data recolectando grandes volúmenes de datos con Flume, almacenándolos en HDFS Hadoop o las nuevas bases de datos NoSQL y procesándolos en batch con MapReduce o en streaming en memoria con Spark.

Igualmente el alumno será capaz de comunicar eficazmente, tanto de forma oral como escrita, los conocimientos de negocio obtenidos apoyándose en herramientas de visualización interactivas construidas con tecnología javascript (D3.js) o de Discovery Data comerciales tipo Tableau.

Por último, mediante la realización de un proyecto final de tipo práctico que se irá completando paulatinamente a medida que se van cursando los distintos módulos del Master, los alumnos crearán un producto de datos completo en el que podrán demostrar todo el conocimiento adquirido y podrán defender sus principales hallazgos (insights) utilizando las habilidades de analista de negocio (Business Analytics) que también habrán desarrollado a lo largo del curso.

Los objetivos esenciales del Máster en Big Data Aplicado son:

• Comenzar a pensar como un Data Science, aplicando las metodologías de análisis de datos que ayuden a plantear y resolver los problemas de negocio a partir de los datos.
• Tomar conciencia del impacto que puede tener el Big Data en la estrategia de negocio de las compañías.
• Conocer aspectos básicos y avanzados de los lenguajes más utilizados por los Data Scientist: R, Python y SQL.
• Adquirir, organizar, combinar, limpiar y almacenar datos provenientes de diferentes fuentes en bases de datos y sistemas de almacenamiento tradicionales, incluyendo la información proveniente de Internet a través de APIs o directamente de páginas web.
• Aplicar análisis de datos estadísticos avanzados y técnicas de aprendizaje automático (machine learning) para identificar patrones utilizando R, RStudio y paquetes relevantes de este lenguaje de programación.
• Desarrollar software de análisis de datos en Python utilizando las librerías más populares de manejo de datos mediante Notebooks de IPython.
• Ser capaz de definir la arquitectura de una plataforma Big Data, saber desplegar Hadoop y obtener los conocimientos para administrar dicha plataforma.
• Conocer el sistema de almacenamiento de datos de Hadoop (HDFS) y cuáles son las herramientas más importantes para la ingesta de datos de forma masiva (Flume) y la integración de Big Data con elementos de almacenamiento tradicional tipo Data Warehouse (Sqoop).
• Comprender las diferentes tecnologías de almacenamiento escalables NoSQL (MongoDB, HBase…) y de indexación de documentos (Elasticsearch, Solr), saber seleccionarlas y aplicarlas.
• Adquirir las habilidades necesarias para determinar el volumen de almacenamiento, memoria y capacidad de procesamiento de la plataforma Hadoop, desde un conocimiento profundo de la misma, permitiendo realizar así un correcto dimensionamiento de los nodos que componen el cluster Big Data y posibilitando la realización de análisis exploratorios y preparación de los datos en escala sobre conjuntos de datos enormes mediante la aplicación del paradigma fundamental Map&Reduce.
• Reconocer las principales herramientas de análisis (HUE, Hive, Pig…) que forman parte del ecosistema de una plataforma distribuida Hadoop y entender su comportamiento.
• Manejar las herramientas de última generación de computación distribuida (Spark) sobre Big Data para el análisis exploratorio, preparación y acondicionamiento de grandes volúmenes de datos.
• Realizar análisis de datos avanzados en escala con las librerías de machine learning distribuidas más avanzadas: Spark Mlib, H2O…
• Comprender los fundamentos de la teoría de Recuperación de la Información (Information Retrieval) y los Sistemas de Recomendación.
• Estar al día de los principales actores en el mundo de las herramientas de Big Data, tanto comerciales como Open Source que actualmente operan en el mercado.
• Hacerse eco de la importancia de la visualización de datos, afrontar proyectos de visualización interactiva de grandes volúmenes de datos utilizando herramientas comerciales (Tableau) y Open Source (D3, R, Python) y comunicar los conocimientos importantes para el negocio adquiridos a partir de los datos de una manera atractiva y efectiva.

El Máster está Certificado por la Universidad Católica de Murcia como "Máster Telefónica en Big Data Aplicado".

El Máster en Big Data Aplicado está dirigido a:

• Titulados Superiores con perfil de empresa.
• Titulados técnicos o titulados en las diferentes áreas relacionadas con la tecnología
• Profesionales o titulados en Adminstración de Empresa o Ciencias Económicas, en estadística, Ingeniería o estudios de la rama de las Ciencias Sociales.
• Emprendedores, desempleados y todos aquellos que quieran formarse en una disciplina de máxima actualidad y demanda.

PROFESIONALES CON PERFILES DE NEGOCIO CON COMPETENCIAS TÉCNICAS. 

A continuación, mostramos los Módulos principales que componen el programa del Máster.

Módulo 1. Introducción y Metodología
[75 horas / 3 Créditos ECTS]

Introducción y Motivación
Metodología y diseño de aplicaciones de Análisis de Datos

Módulo 2. Datascience Tradicional: Almacenamiento y Adquisición de Datos
[75 horas / 3 Créditos ECTS]

Almacenamiento y adquisición de datos: Tecnologías tradicionales de Almacenamiento de datos (BBDD relacionales, BI  y Datawarehouse)
Almacenamiento y adquisición de datos: Información Online (Web, APIs…)

Módulo 3. Datascience Tradicional: Análisis de Datos y Aprendizaje Automático con R y SQL
[175 horas / 7 Créditos ECTS]

Programación básica: Introducción a SQL y R
Análisis exploratorio con R
Limpieza y preparación de datos con R
Construcción de modelos de aprendizaje NO supervisado con R
Análisis Predictivo. Construcción de modelos de aprendizaje supervisado con R
Evaluación de modelos de aprendizaje con R
Modelos avanzados: Procesado del Lenguaje Natural (NLP) con R

Módulo 4. Datascience Tradicional: Análisis de Datos y Aprendizaje Automático con Python
[150 horas / 6 Créditos ECTS]

Programación básica: Introducción a Python (I)
Programación básica: Introducción a Python (II)
Aplicaciones de Análisis de Datos con Python (I)
Aplicaciones de Análisis de Datos con Python (II)

Módulo 5. Datascience en escala: Administración de Hadoop
[75 horas / 3 Créditos ECTS]

Administración y Configuración de plataforma Hadoop y herramientas Big Data

Módulo 6. Datascience en escala: Adquisición y Almacenamiento Big Data
[75 horas / 3 Créditos ECTS]

Almacenamiento y adquisición de datos: Nuevas tecnologías de almacenamiento Big Data I (Hadoop, Flume, Sqoop…)
Almacenamiento y adquisición de datos: Nuevas tecnologías de almacenamiento Big Data II (NoSQL, Indexadores de documentos…)

Módulo 7. Datascience en escala: Análisis de Datos y Machine Learning con Big Data
[225 horas / 9 Créditos ECTS]

Análisis exploratorio y preparación de datos: Hadoop 1.0 y 2.0 (YARN) y Map & Reduce
Análisis exploratorio y preparación de datos. Herramientas del ecosistema Hadoop (HUE, Hive, Pig…)
Análisis exploratorio y preparación de datos con Spark
Construcción de modelos de aprendizaje automático en escala: RSpark, Spark Mlib, H2O…

Módulo 8. Datascience en escala: Universo Big Data
[75 horas / 3 Créditos ECTS]

Recuperación de la Información y Sistemas de Recomendación
Principales actores en el universo Big Data. Clasificación y posicionamiento de herramientas

Móudlo 9. Visualización de Datos y Comunicación
[200 horas / 8 Créditos ECTS]

La importancia de la visualización de datos
Tecnologías de visualización de datos (CartoDB/Tableau)
D3.js
Creación de Informes y visualizaciones atractivas con R y Python

Módulo 10. Business Analytics. Master Classes
[75 horas / 3 Créditos ECTS]

Máster Class: Introducción al Bussines Analytics
Máster Class: Casos prácticos de aplicación del Business Analytics
Máster Class: Últimas tendencias en Analítica Avanzada

Módulo 11. Proyecto Final Guiado
[300 horas / 12 Créditos ECTS]

Introducción a la realización de Proyectos de Big Data
Pautas esenciales para la organización del proyecto
Preparación del Proyecto Final
Realización del Proyecto Fin de Máster
Presentación de Proyectos

A continuación podrás ver las aplicaciones y herramientas que se usarán a lo largo de la realización del Máster.

• Tableau 
• Python
• Librerías de visualización de Python: numpy, scipy, pandas, sklearn, matplotlib, seaborn, bokeh y pygal 
• Máquina Virtual Hortonworks en Docker o en Microsoft Azure
• Apache Nutch
• Apache HBase
• Apache Solr
• Apache Hive
• Apache HUE
• Apache Oozie
• Apache Spark
• Apache Ambari
• Apache Flume
• Apache Sqoop
• R y RStudio
• R y paquetes de R: knitR, slidify, ggplot2, rcharts, plotly, rbokeh, ggvis, rattle
• MySQL
• Carto
• D3.js
• PyCharm
• Anaconda
• Jupyter Notebooks
• Elasticsearch
• Databricks
• Qlik View
• H2O.ai
• Arcadia Data
• Rapidminer

A continuación, enumeramos las características esenciales de nuestra metología.

MODALIDAD E-LEARNING A través del estudio de los contenidos multimedia e interactivos de los distintos módulos, la participación en dinámicas colaborativas, la realización de tareas y la elaboración del proyecto final, los estudiantes contarán con una experiencia de formación inmersiva. A través del aula virtual, los participantes, podrán:

• Consultar y descargar los materiales de estudio.
• Visualizar los contenidos audiovisuales del curso.
• Realizar los cuestionarios de evaluación continua.
• Consultar y enviar las tareas propuestas en cada uno de los módulos.
• Acceder a las distintas correcciones y a los correspondientes feedbacks que los tutores realizan sobre las tareas enviadas.
• Espacio de Acceso, seguimiento, entrega y retroalimentación del Proyecto Fin de Máster.
• Participar en las actividades colaborativas propuestas, tanto de tipo abierto como de tipo pedagógico.
• Acceder a las herramientas de tutorización, tanto síncronas como asíncronas.
• Consultar su libro de calificaciones y sus informes de seguimiento.
• Biblioteca especializada de materiales complementarios.

La metodología del curso se construye en base al “Learning by doing”, combinando la exposición y estudio de contenidos teóricos, enfocada a la realización de tareas prácticas del mundo real, en este caso, trabajando, de primera mano, todos aquellos aspectos esenciales del mundo del Big Data estudiados a lo largo de los distintos módulos del Máster.

A lo largo de la impartición, tanto por medio de los tutores como de la Dirección Académica, se fomentan la interacción,la  participación y la colaboración de los estudiantes, tanto con el equipo docente como con sus propios compañeros, favoreciendo un planteamiento socio-constructivista del aprendizaje.

A continuación os mostramos enlaces de interés relacionados con el Máster en Big Data Aplicado

• ¿Cuál es el trabajo de un Data Scientist?
• ¿Para qué sirve el Big data?
• El Big Data, protagonista de máxima actualidad
• Entrevista a David Sáez, Director del Big Data International Campus.
• Daniel Carretero San Jose, alumno del Máster en Big Data Aplicado ha sido uno de los 3 ganadores de la segunda edición del 'CDO University Challenge', con su proyecto “Business Predictive Insighs”

.

Las fechas de interés del Máster Telefónica en Big Data Aplicado son:

• [INICIO] Pendiente de confirmar fecha

SOLICITA INFORMACIÓN DEL MÁSTER