Icono de modalidad 100% Online
Icono de duración 1500 horas
Icono de flexibilidad horaria Flexibilidad horaria
Precio
2295€ 1836€ -20% (hasta el 13/11/2026) * Becas y descuentos no aplicables a formación programada
Seguridad y confianza en tus pagos online.

Descripción

¿Quién puede acceder al master?

Este Máster de Formación Permanente en Big Data, Business Intelligence y Data Science Aplicada está diseñado para profesionales y graduados que deseen adquirir habilidades en el campo de Business Intelligence, Big Data y Analítica Web. Está dirigido a aquellos interesados en visualizar y analizar datos para la toma de decisiones basadas en datos.

Objetivos

- Dominar las técnicas y herramientas de visualización de datos para comunicar eficazmente información clave. - Utilizar Tableau, D3, Power BI y R con ggplot2 para crear visualizaciones y análisis de datos interactivos. - Aplicar técnicas de analítica web utilizando Google Analytics y Google Tag Manager para comprender a los usuarios. - Desarrollar estrategias de SEO y SEM para aumentar la visibilidad y la efectividad de los sitios web. - Utilizar las redes sociales como fuente de análisis y tomar decisiones basadas en datos. - Implementar y gestionar proyectos de analítica web, desde la planificación hasta la presentación de informes. - Analizar información mediante el lenguaje Python y sus diferentes librerías y funcionalidades.

Salidas Profesionales

Tras completar este Máster de Formación Permanente en Big Data, Business Intelligence y Data Science Aplicada, estarás preparado para desempeñar diferentes roles en empresas de multitud de sectores. Podrás ocupar puestos como analista de datos, especialista en visualización de datos, analista de negocios, gestor de proyectos de analítica web o consultor de Business Intelligence.

Temario del Máster en Big Data, Business Intelligence y Data Science Aplicada + 60 Créditos ECTS

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. MINERÍA DE DATOS CON ORANGE

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A ORANGE DATA MINING

  1. Qué es orange Data Mining
  2. Ventajas de utilizar Orange Data Mining

UNIDAD DIDÁCTICA 2. FUNCIONALIDADES DE ORANGE PARA EL ANÁLISIS DE DATOS

  1. Carga y preprocesamiento de datos
  2. Programación visual
  3. Exploración y visualización de datos
  4. Modelado predictivo
  5. Ingeniería de características

UNIDAD DIDÁCTICA 3. FLUJOS DE TRABAJO DE DATOS ORANGE

  1. Creación y uso de flujos de trabajo de datos para realizar análisis

UNIDAD DIDÁCTICA 4. WIDGETS Y CANALES EN ORANGE DATA MINING

  1. Tipos de widgets y sus funciones
  2. Conexión de widgets mediante canales
  3. Personalización de widgets para obtener resultados específicos

UNIDAD DIDÁCTICA 5. CARGA DE DATOS CON ORANGE

  1. Importación de datos desde diferentes fuentes
  2. Configuración de parámetros de importación
  3. Manejo de diferentes formatos de datos
  4. Visualización previa de los datos importados

UNIDAD DIDÁCTICA 6. ANÁLISIS EXPLORATORIO DE DATOS CON ORANGE

  1. Identificación de grupos o clusters de datos
  2. Análisis de la jerarquía de los clusters
  3. Visualización de la estructura de clusters mediante dendrogramas

UNIDAD DIDÁCTICA 7. MODELADO PREDICTIVO CON ORANGE

  1. Selección del algoritmo adecuado en función del problema y los datos
  2. Entrenamiento y ajuste de los modelos
  3. Interpretación de los resultados
  4. Evaluación del rendimiento de los modelos predictivos

MÓDULO 3. 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 UNA SOLUCIÓN OPEN SOURCE PARA BUSINESS INTELLIGENCE

  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 4. 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-SVM)
  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. Algoritmo de Random Forest

MÓDULO 5. 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 6. VISUALIZACIÓN DE DATOS EN R CON GGPLOT2

UNIDAD DIDÁCTICA 1. GGPLOT2 COMO LIBRERÍA PARA VISUALIZACIÓN DE DATOS EN R

  1. Introducción a Gplot
  2. El paquete ggplot2

UNIDAD DIDÁCTICA 2. EJES

  1. Cambiar títulos de eje
  2. Aumentar el espacio entre ejes y títulos de ejes
  3. Cambiar la estética de los títulos de Axis
  4. Cambiar la estética del texto del eje
  5. Texto del eje de rotación
  6. Eliminar texto de eje y marcas
  7. Eliminar títulos de eje
  8. Límite del rango del eje
  9. Forzar el trazado para que comience en el origen
  10. Ejes con la misma escala
  11. Usar una función para modificar etiquetas

UNIDAD DIDÁCTICA 3. TÍTULOS

  1. Añade un título
  2. Ajustar la posición de los títulos
  3. Use una fuente no tradicional en su título
  4. Cambiar espaciado en texto de varias líneas

UNIDAD DIDÁCTICA 4. LEYENDAS

  1. Trabajando con leyendas
  2. Apaga la leyenda
  3. Eliminar títulos de leyenda
  4. Cambiar la posición de la leyenda
  5. Cambiar la dirección de la leyenda
  6. Cambiar el estilo del título de la leyenda
  7. Cambiar título de leyenda
  8. Cambiar el orden de las claves de leyenda
  9. Cambiar etiquetas de leyenda
  10. Cambiar cuadros de fondo en la leyenda
  11. Cambiar el tamaño de los símbolos de leyenda
  12. Dejar una capa fuera de la leyenda
  13. Adición manual de elementos de leyenda
  14. Usar otros estilos de leyenda

UNIDAD DIDÁCTICA 5. FONDOS Y LÍNEAS DE CUADRÍCULA

  1. Cambiar el color de fondo del panel
  2. Cambiar líneas de cuadrícula
  3. Cambiar el espaciado de las líneas de cuadrícula
  4. Cambiar el color de fondo de la trama

UNIDAD DIDÁCTICA 6. MÁRGENES

  1. Trabajar con márgenes

UNIDAD DIDÁCTICA 7. GRÁFICOS DE PANELES MÚLTIPLES

  1. Trabajar con gráficos de paneles múltiples
  2. Crear múltiplos pequeños basados en una variable
  3. Permitir que los ejes deambulen libremente
  4. Uso facet_wrapcon dos variables
  5. Modificar el estilo de los textos de la tira
  6. Crear un panel de diferentes parcelas

UNIDAD DIDÁCTICA 8. COLORES

  1. Trabajar con colores
  2. Especificar colores individuales
  3. Asignar colores a las variables
  4. Variables Cualitativas
  5. Seleccionar manualmente colores cualitativos
  6. Utilice paletas de colores cualitativas integradas
  7. Use paletas de colores cualitativos de paquetes de extensión
  8. Variables Cuantitativas
  9. La paleta de colores Viridis
  10. Usar paletas de colores cuantitativas de paquetes de extensión
  11. Modificar paletas de colores después

UNIDAD DIDÁCTICA 9. TEMAS

  1. Cambiar el estilo de trazado general
  2. Cambiar la fuente de todos los elementos de texto
  3. Cambiar el tamaño de todos los elementos de texto
  4. Cambiar el tamaño de todos los elementos de línea y rectángulo
  5. Crea tu propio tema
  6. Actualizar el tema actual

UNIDAD DIDÁCTICA 10. LÍNEAS

  1. Agregar líneas horizontales o verticales a un gráfico
  2. Agregar una línea dentro de un gráfico
  3. Agregar líneas curvas y flechas a un gráfico

UNIDAD DIDÁCTICA 11. TEXTO

  1. Agregue etiquetas
  2. Agregar anotaciones de texto
  3. Use Markdown y HTML Rendering para anotaciones

UNIDAD DIDÁCTICA 12. COORDENADAS

  1. Voltear una parcela
  2. arreglar un eje
  3. Invertir un eje
  4. Transformar un eje
  5. Circularizar una parcela

UNIDAD DIDÁCTICA 13. TIPOS DE GRÁFICOS

  1. Alternativas a un diagrama de caja
  2. Crear una representación de alfombra en un gráfico
  3. Crear una matriz de correlación
  4. Crear un gráfico de contorno
  5. Crear un mapa de calor
  6. Crear un diagrama de cresta

UNIDAD DIDÁCTICA 14. CINTAS

  1. Trabajar con cintas (AUC, CI, etc.)

UNIDAD DIDÁCTICA 15. SUAVIZADOS

  1. Predeterminado: agregar un suavizado LOESS o GAM

UNIDAD DIDÁCTICA 16. GRÁFICOS INTERACTIVOS

  1. Trabajar con gráficos interactivos

MÓDULO 7. 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 8. INTELIGENCIA ARTIFICIAL, MACHINE LEARNING Y DEEP LEARNING

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL

  1. Concepto, evolución y aplicaciones de la inteligencia artificial
  2. Principales enfoques de la IA: simbólica, conexionista y basada en datos
  3. Sistemas expertos y evolución hacia la IA moderna
  4. Tipos y capacidades de los sistemas de inteligencia artificial
  5. IA generativa y nuevos paradigmas de inteligencia artificial
  6. Aplicaciones, oportunidades y limitaciones de la IA

UNIDAD DIDÁCTICA 2. DATOS Y APRENDIZAJE AUTOMÁTICO

  1. Fundamentos del machine learning
  2. Aprendizaje supervisado, no supervisado y por refuerzo
  3. Datos de entrenamiento, validación y prueba
  4. Preparación y transformación de datos
  5. Selección y construcción de variables (features)
  6. Algoritmos de aprendizaje automático y criterios de selección

UNIDAD DIDÁCTICA 3. ALGORITMOS DE APRENDIZAJE SUPERVISADO

  1. Regresión y predicción
  2. Clasificación y principales algoritmos
  3. Árboles de decisión y métodos ensemble
  4. Máquinas de vectores soporte (SVM)

UNIDAD DIDÁCTICA 4. ALGORITMOS DE APRENDIZAJE NO SUPERVISADO

  1. Clustering: K-means, jerárquico y DBSCAN
  2. Reducción de dimensionalidad: PCA y t-SNE
  3. Detección de anomalías

UNIDAD DIDÁCTICA 5. APRENDIZAJE POR REFUERZO

  1. Fundamentos del aprendizaje por refuerzo: agente, entorno, recompensa y política
  2. Métodos de aprendizaje por refuerzo: de Q-learning a los métodos basados en política
  3. Exploración frente a explotación y principales retos del aprendizaje por refuerzo
  4. Aplicaciones del aprendizaje por refuerzo: juegos, robótica y sistemas de recomendación

UNIDAD DIDÁCTICA 6. EVALUACIÓN Y DESARROLLO DE MODELOS DE MACHINE LEARNING

  1. Entrenamiento y evaluación de modelos
  2. Métricas de evaluación y selección según el problema
  3. Validación cruzada y partición de los datos
  4. Sobreajuste, infraajuste y regularización
  5. Optimización e hiperparámetros
  6. Interpretación y comparación de modelos

UNIDAD DIDÁCTICA 7. REDES NEURONALES Y DEEP LEARNING

  1. Fundamentos de las redes neuronales artificiales
  2. Perceptrón y redes neuronales multicapa
  3. Funciones de activación y arquitectura de una red
  4. Entrenamiento, descenso de gradiente y retropropagación
  5. Sobreajuste y técnicas de regularización en redes profundas
  6. Fundamentos y aplicaciones del deep learning

UNIDAD DIDÁCTICA 8. ARQUITECTURAS DE REDES NEURONALES PROFUNDAS

  1. Redes neuronales convolucionales (CNN)
  2. Redes recurrentes y modelos para datos secuenciales (RNN y LSTM)
  3. Transformers frente a las arquitecturas secuenciales anteriores
  4. Arquitecturas generativas: autoencoders y redes generativas antagónicas (GAN)

UNIDAD DIDÁCTICA 9. APLICACIONES Y TRANSFERENCIA DE APRENDIZAJE EN DEEP LEARNING

  1. Aplicaciones del deep learning en visión artificial
  2. Aplicaciones del deep learning en procesamiento del lenguaje natural
  3. Transferencia de aprendizaje y modelos preentrenados

UNIDAD DIDÁCTICA 10. APLICACIÓN, IMPACTO Y USO RESPONSABLE DE LA IA

  1. Sistemas de recomendación y soporte a la decisión
  2. Casos de uso de IA en diferentes sectores
  3. Sesgos, explicabilidad y transparencia
  4. Privacidad, seguridad, ética y gobernanza de la IA
  5. Impacto económico y social de la inteligencia artificial

MÓDULO 9. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL PROCESAMIENTO DEL LENGUAJE NATURAL

  1. Concepto, evolución y aplicaciones del PLN
  2. Principales tareas del procesamiento del lenguaje
  3. Del PLN basado en reglas a los modelos basados en aprendizaje automático
  4. Representación del lenguaje: tokens, vectores y embeddings
  5. PLN multilingüe y retos del lenguaje natural
  6. Aplicaciones actuales del PLN

UNIDAD DIDÁCTICA 2. MODELOS DE LENGUAJE Y TRANSFORMERS

  1. Concepto y evolución de los modelos de lenguaje
  2. De las redes neuronales recurrentes a los Transformers en el procesamiento del lenguaje
  3. Modelos preentrenados y modelos fundacionales de PLN: BERT, GPT y otras familias
  4. Grandes modelos de lenguaje (LLM) aplicados al procesamiento del lenguaje
  5. Adaptación de modelos de lenguaje a tareas específicas de PLN: fine-tuning y transfer learning
  6. Criterios de selección de un modelo de lenguaje según la tarea de PLN

UNIDAD DIDÁCTICA 3. TÉCNICAS Y APLICACIONES DEL PLN

  1. Procesamiento y preparación de textos
  2. Clasificación y análisis de textos
  3. Extracción de información y reconocimiento de entidades
  4. Análisis de sentimientos y opiniones
  5. Generación, resumen y traducción automática
  6. Búsqueda semántica y recuperación de información

UNIDAD DIDÁCTICA 4. CHATBOTS E INTELIGENCIA ARTIFICIAL CONVERSACIONAL

  1. Evolución de los sistemas conversacionales
  2. Concepto y arquitectura de un chatbot
  3. Chatbots basados en reglas, intención y modelos de lenguaje
  4. LLM como motor de sistemas conversacionales
  5. Contexto, memoria y gestión del diálogo
  6. Voicebots y asistentes conversacionales
  7. Limitaciones y retos de los sistemas conversacionales

UNIDAD DIDÁCTICA 5. DISEÑO Y DESARROLLO DE SISTEMAS CONVERSACIONALES

  1. Diseño de experiencias conversacionales
  2. Definición de objetivos, usuarios y casos de uso
  3. Prompting y diseño de instrucciones
  4. Integración de modelos de lenguaje mediante API
  5. Embeddings y bases de datos vectoriales
  6. RAG (Retrieval-Augmented Generation)
  7. Evaluación y mejora de sistemas conversacionales

UNIDAD DIDÁCTICA 6. HERRAMIENTAS Y PLATAFORMAS PARA EL DESARROLLO DE SISTEMAS CONVERSACIONALES

  1. Frameworks de desarrollo: Rasa, Microsoft Bot Framework y Dialogflow
  2. Orquestación de aplicaciones con LLM: LangChain y LlamaIndex
  3. Plataformas no-code y low-code para chatbots
  4. Despliegue e integración en canales: web, WhatsApp y redes sociales
  5. Pruebas, monitorización y mantenimiento de un chatbot en producción

UNIDAD DIDÁCTICA 7. AGENTES DE IA Y SISTEMAS CONVERSACIONALES AVANZADOS

  1. Concepto y evolución de los agentes de IA
  2. Agentes basados en modelos de lenguaje
  3. Uso de herramientas y conexión con sistemas externos
  4. Memoria, planificación y ejecución de tareas
  5. Sistemas multimodales: texto, voz, imagen y vídeo
  6. Aplicaciones empresariales de agentes y asistentes de IA

UNIDAD DIDÁCTICA 8. SEGURIDAD, ÉTICA Y APLICACIONES DEL PLN Y LA IA CONVERSACIONAL

  1. Matriz de riesgo por caso de uso: dónde la seguridad y la ética del PLN son críticas
  2. Alucinaciones y limitaciones de los modelos de lenguaje
  3. Sesgos, privacidad y protección de datos
  4. Seguridad de los sistemas conversacionales
  5. Evaluación, supervisión y control de sistemas de IA
  6. Diseño responsable de experiencias conversacionales
  7. Tendencias y evolución de la IA conversacional

MÓDULO 10. VISIÓN ARTIFICIAL CON PYTHON Y OPENCV APLICADA A LA INDUSTRIA 4.0

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA VISIÓN ARTIFICIAL INDUSTRIAL

  1. Concepto, evolución y aplicaciones de la visión artificial
  2. Componentes y funcionamiento de un sistema de visión artificial
  3. Captura, procesamiento e interpretación de imágenes

UNIDAD DIDÁCTICA 2. MODALIDADES Y APLICACIÓN DE LA VISIÓN ARTIFICIAL EN LA INDUSTRIA 4.0

  1. Visión 2D, 3D y sistemas multiespectrales
  2. Ventajas, limitaciones y retos de la visión artificial industrial
  3. Integración de la visión artificial en la Industria 4.0

UNIDAD DIDÁCTICA 3. SISTEMAS DE CAPTURA Y ADQUISICIÓN DE IMÁGENES

  1. Cámaras y sensores para visión industrial
  2. Ópticas, resolución y campo de visión
  3. Iluminación y condiciones de captura
  4. Sistemas de visión 3D
  5. Selección y configuración del sistema de adquisición
  6. Integración de cámaras y sistemas de visión en entornos industriales

UNIDAD DIDÁCTICA 4. PROCESAMIENTO DE IMÁGENES CON PYTHON Y OPENCV

  1. Python y OpenCV para visión artificial
  2. Lectura, visualización y gestión de imágenes y vídeo
  3. Transformaciones geométricas y espacios de color
  4. Filtrado, reducción de ruido y mejora de imágenes
  5. Umbralización y operaciones morfológicas
  6. Segmentación, detección de bordes y extracción de características

UNIDAD DIDÁCTICA 5. DETECCIÓN DE FORMAS Y CARACTERÍSTICAS EN IMÁGENES

  1. Histogramas y análisis de características de imagen
  2. Detección de contornos, formas y objetos
  3. Detección de líneas, círculos y puntos de interés

UNIDAD DIDÁCTICA 6. RECONOCIMIENTO Y EXTRACCIÓN DE INFORMACIÓN EN IMÁGENES

  1. Reconocimiento y comparación de patrones
  2. Template matching y técnicas de correspondencia
  3. Extracción de información y reconocimiento de texto (OCR)

UNIDAD DIDÁCTICA 7. APLICACIONES DE VISIÓN ARTIFICIAL EN LA INDUSTRIA

  1. Inspección y control de calidad
  2. Detección de defectos y anomalías
  3. Medición, posicionamiento y guiado de procesos
  4. Identificación, lectura de códigos y trazabilidad
  5. Visión artificial aplicada a robótica y automatización
  6. Integración de sistemas de visión con procesos industriales

UNIDAD DIDÁCTICA 8. MACHINE LEARNING APLICADO A LA VISIÓN ARTIFICIAL

  1. Fundamentos del aprendizaje automático aplicado a imágenes
  2. Clasificación y reconocimiento de imágenes
  3. Extracción y selección de características
  4. Clustering y detección de patrones
  5. Evaluación y validación de modelos
  6. Aplicaciones de machine learning en inspección industrial

UNIDAD DIDÁCTICA 9. DEEP LEARNING Y VISIÓN ARTIFICIAL AVANZADA

  1. Redes neuronales convolucionales aplicadas a visión
  2. Clasificación de imágenes mediante deep learning
  3. Detección y localización de objetos
  4. Segmentación semántica y segmentación de instancias
  5. Modelos preentrenados de visión artificial: ImageNet y transfer learning aplicado a visión
  6. YOLO y otros modelos modernos de detección
  7. Visión clásica frente a deep learning: selección del enfoque adecuado

UNIDAD DIDÁCTICA 10. DESARROLLO E IMPLANTACIÓN DE SOLUCIONES DE VISIÓN ARTIFICIAL

  1. Diseño de un sistema de visión artificial industrial
  2. Selección de hardware, software y modelos de IA
  3. Desarrollo y prueba de soluciones con Python y OpenCV
  4. Integración con sistemas industriales y edge computing
  5. Evaluación del rendimiento y fiabilidad del sistema
  6. Mantenimiento, monitorización y mejora de modelos
  7. Seguridad, privacidad y uso responsable de la visión artificial

MÓDULO 11. PROYECTO FIN DE MASTER

Metodología

EDUCA LXP se basa en 6 pilares

Item
Estrellas

Distintiva

EDUCA EDTECH Group es proveedor de conocimiento. Respaldado por el expertise de nuestras instituciones educativas, el alumnado consigue una formación relevante y avalada por un sello de calidad como es el grupo EDUCA EDTECH.

Gráfica

Realista

La metodología EDUCA LXP prescinde de conocimientos excesivamente teóricos o de métodos prácticos poco eficientes. La combinación de contenidos en constante actualización y el seguimiento personalizado durante el proceso educativo hacen de EDUCA LXP una metodología única.

Birrete

Student First

La metodología EDUCA LXP y la formación del grupo EDUCA EDTECH conciben al estudiante como el centro de la experiencia educativa, nutriéndose de su retroalimentación. Su feedback es nuestro motor del cambio.

Inteligencia Artificial

Inteligencia Artificial

La personalización en el aprendizaje no sería posible sin una combinación precisa entre experiencia académica e investigación tecnológica, así como la Inteligencia Artificial. Por eso contamos con herramientas IA de desarrollo propio, adaptadas a cada institución educativa del grupo.

Monitor

Profesionales en activo

Nuestro equipo de profesionales docentes, además de ser especialistas en su sector, cuentan con una formación específica en el manejo de herramientas tecnológicas que conforman el ecosistema EDUCA EDTECH.

Libro

Timeless Learning

La formación debe ser una experiencia de vida, concibiendo el e-learning como una excelente solución para los desafíos de la educación convencional. Entendemos el aprendizaje como un acompañamiento continuo del estudiante en cada momento de su vida.

Titulación del Máster en Big Data, Business Intelligence y Data Science Aplicada + 60 Créditos ECTS

Titulación de Máster de Formación Permanente en Big Data, Business Intelligence y Data Science Aplicada con 1500 horas y 60 ECTS expedida por UTAMED-Universidad Tecnológica Atlántico Mediterráneo.
Titulacion de INESEM

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 Big Data, Business Intelligence y Data Science Aplicada + 60 Créditos ECTS

Icono de modalidad 100% Online
Icono de duración 1500 horas
Icono de flexibilidad horaria Flexibilidad horaria
Precio
2295€ 1836€
Matricularme