2295€
1836€
-20% (hasta el 22/11/2026)
* Becas y descuentos no aplicables a formación programada
- Presentación
- Temario
- Metodología
- Titulación
Descripción
¿Quién puede acceder al master?
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.
Temario del Máster en Data Management + 60 Créditos ECTS
MÓDULO 1. BIG DATA INTRODUCTION
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
- ¿Qué es 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)
UNIDAD DIDÁCTICA 2. FUENTES DE DATOS
- Definición y relevancia de la selección de las fuentes de datos
- Naturaleza de las fuentes de datos Big Data
UNIDAD DIDÁCTICA 3. OPEN DATA
- Definición, Beneficios y Características
- Ejemplo de uso de Open Data
UNIDAD DIDÁCTICA 4. FASES DE UN PROYECTO DE BIG 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
UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
- 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
UNIDAD DIDÁCTICA 6. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
- Cuadros de Mando Integrales (CMI)
- Sistemas de Soporte a la Decisión (DSS)
- Sistemas de Información Ejecutiva (EIS)
UNIDAD DIDÁCTICA 7. BIG DATA Y MARKETING
- Apoyo del Big Data en el proceso de toma de decisiones
- Toma de decisiones operativas
- Marketing estratégico y Big Data
- Nuevas tendencias en management
UNIDAD DIDÁCTICA 8. DEL BIG DATA AL LINKED OPEN DATA
- Concepto de web semántica
- Linked Data Vs Big Data
- Lenguaje de consulta SPARQL
UNIDAD DIDÁCTICA 9. INTERNET DE LAS COSAS
- 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
MÓDULO 2. ARQUITECTURA BIG DATA
UNIDAD DIDÁCTICA 1. BATCH PROCESSING
- Hadoop
- Pig
- Hive
- Sqoop
- Flume
- Spark Core
- Spark 2.0
UNIDAD DIDÁCTICA 2. STREAMING PROCESSING
- Fundamentos de Streaming Processing
- Spark Streaming
- Kafka
- Pulsar y Apache Apex
- Implementación de un sistema real-time
UNIDAD DIDÁCTICA 3. SISTEMAS NOSQL
- Hbase
- Cassandra
- MongoDB
- NeoJ
- Redis
- Berkeley DB
UNIDAD DIDÁCTICA 4. INTERACTIVE QUERY
- Lucene + Solr
UNIDAD DIDÁCTICA 5. SISTEMAS DE COMPUTACIÓN HÍBRIDOS
- Arquitectura Lambda
- Arquitectura Kappa
- Apache Flink e implementaciones prácticas
- Druid
- ElasticSearch
- Logstash
- Kibana
UNIDAD DIDÁCTICA 6. CLOUD COMPUTING
- Amazon Web Services
- Google Cloud Platform
UNIDAD DIDÁCTICA 7. ADMINISTRACIÓN DE SISTEMAS BIG
- Administración e Instalación de clusters: Cloudera y Hortonworks
- Optimización y monitorización de servicios
- Seguridad: Apache Knox, Ranger y Sentry
UNIDAD DIDÁCTICA 8. VISUALIZACIÓN DE DATOS
- Herramientas de visualización: Tableau y CartoDB
- Librerías de Visualización: D, Leaflet, Cytoscape
MÓDULO 3. BUSINESS INTELLIGENCE
UNIDAD DIDÁCTICA 1. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
- 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
UNIDAD DIDÁCTICA 2. DATAMART. CONCEPTO DE BASE DE DATOS DEPARTAMENTAL
- Aproximación al concepto de DataMart
- Bases de datos OLTP
- Bases de Datos OLAP
- MOLAP, ROLAP & HOLAP
- Herramientas para el desarrollo de cubos OLAP
UNIDAD DIDÁCTICA 3. DATAWAREHOUSE O ALMACÉN DE DATOS CORPORATIVOS
- Visión General. ¿Por qué DataWarehouse?
- Estructura y Construcción
- 3. Fases de implantación
- Características
- Data Warehouse en la nube
UNIDAD DIDÁCTICA 4. INTELIGENCIA DE NEGOCIO Y HERRAMIENTAS DE ANALÍTICA
- Tipos de herramientas para BI
- Productos comerciales para BI
- Productos Open Source para BI
UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE CON POWERBI
- Business Intelligence en Excel
- Herramienta Powerbi
UNIDAD DIDÁCTICA 6. HERRAMIENTA TABLEAU
- Herramienta Tableau
UNIDAD DIDÁCTICA 7. HERRAMIENTA QLIKVIEW
- Instalación y arquitectura
- Carga de datos
- Informes
- Transformación y modelo de datos
- Análisis de datos
MÓDULO 4. HERRAMIENTAS PARA EXPLOTACIÓN Y ANÁLISIS DE BIG DATA
UNIDAD DIDÁCTICA 1. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
- ¿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
UNIDAD DIDÁCTICA 2. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB
- ¿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
UNIDAD DIDÁCTICA 3. ECOSISTEMA HADOOP
- ¿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
UNIDAD DIDÁCTICA 4. WEKA Y DATA MINING
- ¿Qué es Weka?
- Técnicas de Data Mining en Weka
- Interfaces de Weka
- Selección de atributos
UNIDAD DIDÁCTICA 5. PENTAHO UNA SOLUCIÓN OPEN SOURCE PARA BUSINESS INTELLIGENCE
- Una aproximación a Pentaho
- Soluciones que ofrece Pentaho
- MongoDB & Pentaho
- Hadoop & Pentaho
- Weka & Pentaho
MÓDULO 5. INTRODUCCIÓN A LA PROGRAMACIÓN ESTADÍSTICA
UNIDAD DIDÁCTICA 1. PYTHON Y EL ANÁLISIS DE DATOS
- Introducción a Python
- ¿Qué necesitas?
- Librerías para el análisis de datos en Python
- MongoDB, Hadoop y Python. Dream Team del Big Data
UNIDAD DIDÁCTICA 2. R COMO HERRAMIENTA PARA BIG DATA
- Introducción a R
- ¿Qué necesitas?
- Tipos de datos
- Estadística Descriptiva y Predictiva con R
- Integración de R en Hadoop
MÓDULO 6. DATA SCIENCE
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
- ¿Qué es la ciencia de datos?
- Herramientas necesarias para el científico de datos
- Data Science & Cloud Compunting
- Aspectos legales en Protección de Datos
UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
- Introducción
- El modelo relacional
- Lenguaje de consulta SQL
- MySQL. Una base de datos relacional
UNIDAD DIDÁCTICA 3. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
- Obtención y limpieza de los datos (ETL)
- Inferencia estadística
- Modelos de regresión
- Pruebas de hipótesis
UNIDAD DIDÁCTICA 4. ANÁLISIS DE LOS DATOS
- Inteligencia Analítica de negocios
- La teoría de grafos y el análisis de redes sociales
- Presentación de resultados
MÓDULO 7. INTELIGENCIA ARTIFICIAL, MACHINE LEARNING Y DEEP LEARNING
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
- Concepto, evolución y aplicaciones de la inteligencia artificial
- Principales enfoques de la IA: simbólica, conexionista y basada en datos
- Sistemas expertos y evolución hacia la IA moderna
- Tipos y capacidades de los sistemas de inteligencia artificial
- IA generativa y nuevos paradigmas de inteligencia artificial
- Aplicaciones, oportunidades y limitaciones de la IA
UNIDAD DIDÁCTICA 2. DATOS Y APRENDIZAJE AUTOMÁTICO
- Fundamentos del machine learning
- Aprendizaje supervisado, no supervisado y por refuerzo
- Datos de entrenamiento, validación y prueba
- Preparación y transformación de datos
- Selección y construcción de variables (features)
- Algoritmos de aprendizaje automático y criterios de selección
UNIDAD DIDÁCTICA 3. ALGORITMOS DE APRENDIZAJE SUPERVISADO
- Regresión y predicción
- Clasificación y principales algoritmos
- Árboles de decisión y métodos ensemble
- Máquinas de vectores soporte (SVM)
UNIDAD DIDÁCTICA 4. ALGORITMOS DE APRENDIZAJE NO SUPERVISADO
- Clustering: K-means, jerárquico y DBSCAN
- Reducción de dimensionalidad: PCA y t-SNE
- Detección de anomalías
UNIDAD DIDÁCTICA 5. APRENDIZAJE POR REFUERZO
- Fundamentos del aprendizaje por refuerzo: agente, entorno, recompensa y política
- Métodos de aprendizaje por refuerzo: de Q-learning a los métodos basados en política
- Exploración frente a explotación y principales retos del aprendizaje por refuerzo
- Aplicaciones del aprendizaje por refuerzo: juegos, robótica y sistemas de recomendación
UNIDAD DIDÁCTICA 6. EVALUACIÓN Y DESARROLLO DE MODELOS DE MACHINE LEARNING
- Entrenamiento y evaluación de modelos
- Métricas de evaluación y selección según el problema
- Validación cruzada y partición de los datos
- Sobreajuste, infraajuste y regularización
- Optimización e hiperparámetros
- Interpretación y comparación de modelos
UNIDAD DIDÁCTICA 7. REDES NEURONALES Y DEEP LEARNING
- Fundamentos de las redes neuronales artificiales
- Perceptrón y redes neuronales multicapa
- Funciones de activación y arquitectura de una red
- Entrenamiento, descenso de gradiente y retropropagación
- Sobreajuste y técnicas de regularización en redes profundas
- Fundamentos y aplicaciones del deep learning
UNIDAD DIDÁCTICA 8. ARQUITECTURAS DE REDES NEURONALES PROFUNDAS
- Redes neuronales convolucionales (CNN)
- Redes recurrentes y modelos para datos secuenciales (RNN y LSTM)
- Transformers frente a las arquitecturas secuenciales anteriores
- Arquitecturas generativas: autoencoders y redes generativas antagónicas (GAN)
UNIDAD DIDÁCTICA 9. APLICACIONES Y TRANSFERENCIA DE APRENDIZAJE EN DEEP LEARNING
- Aplicaciones del deep learning en visión artificial
- Aplicaciones del deep learning en procesamiento del lenguaje natural
- Transferencia de aprendizaje y modelos preentrenados
UNIDAD DIDÁCTICA 10. APLICACIÓN, IMPACTO Y USO RESPONSABLE DE LA IA
- Sistemas de recomendación y soporte a la decisión
- Casos de uso de IA en diferentes sectores
- Sesgos, explicabilidad y transparencia
- Privacidad, seguridad, ética y gobernanza de la IA
- Impacto económico y social de la inteligencia artificial
MÓDULO 8. PROCESAMIENTO DE LENGUAJE NATURAL (PLN)
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN
- ¿Qué es PLN?
- ¿Qué incluye el PLN?
- Ejemplos de uso de PLN
- Futuro del PLN
UNIDAD DIDÁCTICA 2. RECURSOS PARA EL 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
UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN
- Principios del análisis sintáctico
- Gramática libre de contexto
- Analizadores sintácticos (Parsers)
UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN
- Aspectos introductorios del análisis semántico
- Lenguaje semántico para PLN
- Análisis pragmático
UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN
- Aspectos introductorios
- Pasos en la extracción de información
- Ejemplo PLN
- Ejemplo PLN con entrada de texto en inglés
MÓDULO 9. CHATBOTS E INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1 .¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?
- Introducción a la Inteligencia artificial
- El Test de Turing
- Agentes Inteligentes
- Aplicaciones de la inteligencia artificial
UNIDAD DIDÁCTICA 2. ¿QUÉ ES UN CHATBOT?
- Aspectos introductorios
- ¿Qué es un chatbot?
- ¿Cómo funciona un chatbot?
- VoiceBots
- Desafios para los Chatbots
UNIDAD DIDÁCTICA 3. RELACIÓN ENTRE IA Y CHATBOTS
- Chatbots y el papel de la Inteligencia Artificial (IA)
- Usos y beneficios de los chatbots
- Diferencia entre bots, chatbots e IA
UNIDAD DIDÁCTICA 4. ÁMBITOS DE APLICACIÓN CHATBOTS
- Áreas de aplicación de Chatbots
- Desarrollo de un chatbot con ChatterBot y Python
- Desarrollo de un chatbot para Facebook Messenger con Chatfuel
MÓDULO 10. CIBERSEGURIDAD APLICADA A INTELIGENCIA ARTIFICIAL (IA), SMARTPHONES, INTERNET DE LAS COSAS (IOT) E INDUSTRIA 4.0
UNIDAD DIDÁCTICA 1. CIBERSEGURIDAD EN NUEVAS TECNOLOGÍAS
- 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
UNIDAD DIDÁCTICA 2. CIBERSEGURIDAD EN SMARTPHONES
- Buenas prácticas de seguridad móvil
- Protección de ataques en entornos de red móv
UNIDAD DIDÁCTICA 3. INTELIGENCIA ARTIFICIAL (IA) Y CIBERSEGURIDAD
- Inteligencia Artificial
- Tipos de inteligencia artificial
- Impacto de la Inteligencia Artificial en la ciberseguridad
UNIDAD DIDÁCTICA 4. CIBERSEGURIDAD E INTERNET DE LAS COSAS (IOT)
- 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
UNIDAD DIDÁCTICA 5. SEGURIDAD INFORMÁTICA EN LA INDUSTRIA 4.0
- Industria 4.0
- Necesidades en ciberseguridad en la Industria 4.0
MÓDULO 11. PROYECTO FIN DE MÁSTER
Metodología
EDUCA LXP se basa en 6 pilares
Item
Titulación del Máster en Data Management + 60 Créditos ECTS
Titulación de Máster de Formación Permanente en Data Management con 1500 horas y 60 ECTS expedida por UTAMED-Universidad Tecnológica Atlántico Mediterráneo.
Explora nuestras Áreas Formativas
Construye tu carrera profesional
Descubre nuestro amplio Catálogo Formativo, incluye programas de Cursos Superior, Expertos, Master Profesionales y Master Universitarios en las diferentes Áreas Formativas para impulsar tu carrera profesional.
Máster en Data Management + 60 Créditos ECTS
2295€
1836€
2295€
1836€