Datos básicos
Créditos
60 ECTS
Tipo de curso
Máster
Idioma
Castellano
Fechas
4/11/2024 - 21/10/2025
Modalidad
Online
Precio
6.320 €
(El precio incluye tasas administrativas de la Universidad de Barcelona)
Matrícula abierta
Horas bonificadas
750 h. (Horas para poder realizar el cálculo de la bonificación a empresas)
Presentación
Se estima que cada minuto al día se envían más de 200 millones de e-mails, se comparten más de 700.000 publicaciones en Facebook, se realizan 2 millones de búsquedas en Google o se editan 100 horas de vídeo en YouTube.
En resumen, en un día se generan más datos de los que han existido en los últimos 20 años.
No hay duda que el Big Data & Data Science es una de las profesiones del futuro, con un aumento del 122 % en la publicación de ofertas de empleo relacionadas directamente con el Big Data.
Es por ello que el Máster en Big Data & Data Science tiene un enfoque totalmente práctico para dar respuesta a la necesidad de las empresas de incorporar profesionales especializados.
Dentro del Máster en Big Data & Data Science aprenderás a utilizar e implementar todas las herramientas necesarias que requiere un Data Science.
Además, aprenderás a utilizar herramientas imprescindibles como Hadoop y Spark, el uso de diferentes bases de datos NoSQL y SQL, así como herramientas para la implementación de machine learning, redes neuronales y deep learning, sin olvidar herramientas en cloud (laaS, paaS, saaS, Google, Azure, AWS…), herramientas de control (Github…) y análisis (programación en R y en Python).
El Máster en Big Data & Data Science está desarrollado e impartido por expertos de grandes compañías con una destacada trayectoria y experiencia en el campo del Big Data. También contarás con la participación de profesionales mediante masterclass.
Si buscas un Máster en Big Data & Data Science que te dé una visión global de todo el paradigma dentro del Data Science, con un enfoque 100 % práctico, este es tu máster.
Objetivos
-
Realizarás casos reales aplicando técnicas de Data Science.
-
Alcanzarás un elevado conocimiento en visualización de datos y data digital.
-
Sabrás extraer información relevante para la empresa a partir de la aplicación de técnicas de Data Science y aprenderás a realizar un eficiente web scraping.
-
Aprenderás a desarrollar los algoritmos como Redes Neuronales, Deep Learning y algoritmos avanzados de Machine Learning.
-
Alcanzarás conocimientos profundos y avanzados de programación en R y Python.
-
Trabajarás y desarrollaras trabajos en SQL, MongoDB, Spark y Hadoop.
-
Mejorarás en la eficiencia del tiempo con metodologías como Agile o Scrum.
Tres razones para escogerlo
- Programa diseñado y estructurado para que el alumno obtenga un total conocimiento para implementar y manejar un departamento de Big Data & Data Science, así como el uso de las últimas herramientas.
- Creado e impartido por expertos de gran nivel, con una metodología práctica, enfocada a la realidad y necesidad de las empresas.
- No solo adquirirás conocimientos de las últimas herramientas y sistemas, sino que también potenciará tu conocimiento en la gestión del Big data dándote una visión transversal de toda su magnitud.
COLABORADORES
Acreditación académica
Máster de Formación Permanente en Big Data & Data Science por la Universitat de Barcelona.
Curso propio diseñado según las directrices del Espacio Europeo de Educación Superior y equivalente a 60 créditos ECTS.
Programa
1. Herramientas de big data
1.1. Almacenamiento de grandes volúmenes de datos: data mark¸ data lakes¸ definición de big data, SQL, NoSQL y procesamiento escalable: Hadoop, MapReduce y Spark
1.2. Herramientas en cloud: servicios en la nube. Diferencias entre las IaaS, PAAS, SaaS. Google Cloud, Azure Amazon Web Services
1.3. Monitorización y control. Control de versiones: Git o SVVN. Ventajas e inconvenientes de utilizar GitHub. Alternativas a GitHub
1.4. Herramientas de análisis: programación en R y programación en Python
1.5. Herramientas de visualización: Power BI y Power Query (Microsoft Office Excel), Qlik y Tableau
2. Fundamentos de Estadística
2.1. Introducción a la Estadística: concepto de Estadística. conceptos básicos: población, muestra, variable estadística ...
2.2. Estadística Descriptiva Unidimensional: Distribución de frecuencias, métodos gráficos, tablas estadísticas. Medidas de posición, dispersión, forma y concentración. Gráficos.
2.3. Estadística Descriptiva Bidimensional: Distribución de frecuencias bidimensionales. Tablas estadísticas de doble entrada. Métodos gráficos.
2.4. Regresión y Correlación: Línea general de regresión. Correlación. Regresión no-lineal. Correlación entre atributos. Coeficiente Sperman, Kendall y Chi-cuadrado.
2.5. Introducción al Cálculo de Probabilidades: Azar y probabilidad. Definiciones y propiedades. Probabilidad condicionada e independencia. Teorema de Bayes y probabilidad total.
3. Data Management & Data Digital
3.1. Digital data: fuentes de datos externas oficiales (INE, EUROSTAT...)
3.2. Google Analytics. Social anatlytics: Hootsuite, Twitter analytics y Facebook insights
3.3. Web scrapping. Uso de correo basura
3.4. Data management. Gobierno de los datos. Ética y leyes
3.5. Data cooking. Preparación de los datos: selección, transformación y codificación
3.6. Data discovery: creación de nuevas métricas (KPI, insights), discretización de variables
3.7. Data quality. Técnicas avanzadas de detección de outliers, valores missing, imputación
3.8. Muestreo probabilístico, aleatorio, estratificado y sistemático
4. Técnicas avanzadas de Data Mining
4.1. Análisis multivariante: estimación, contraste de hipótesis e intervalos de confianza
4.2. Análisis de componentes principales (PCE) y factorial
4.3. Análisis discriminante: elección de variables (forward, backward¸ stepwise)
4.4. Análisis clúster: algoritmos de clasificación jerárquica y no jerárquica
4.5. Distribuciones. Gauss. Teorema Central de Límite
5. Técnicas avanzadas de predicción
5.1. Preparación de tablero de modelización. Modelos supervisados vs. modelos no supervisados
5.2. Técnicas para mejorar un modelo: training validation y cross validation
5.3. Regresión lineal y regresión logística
5.4. GLM (modelo lineal general). Ridge y PLS
5.5. Series temporales
6. Técnicas de Machine Learning
6.1. Classification algorithms: árboles de decisión
6.2. K-nearest neighbors
6.3. Modelo probabilístico: Bayes
6.4. Random forest
6.5. Boosting
6.6. Bagging
6.7. Adaboost
7. Técnicas avanzadas de Machine Learning
7.1. Redes neuronales (neural networks – NN)
7.2. Support vector machine (SVN)
7.3. Deep learning
7.4. Técnicas de machine learning en imágenes y videos
7.5. Modelos de sentimientos (computación sobre texto, redes sociales, etc.)
8. Project Management
8.1. Herramientas para la gestión de clúster
8.2. Validación del modelo: verificación p-values en regresiones; test de bondad de ajuste; R-cuadrado, MSE, BIC, AIC
8.3. Test discriminate: curva ROC, curva lift, Gini index. Jackknifing y bootrstrapping
8.4. Diagnóstico de los residuos. Prueba de estabilidad y validación con prueba ciega
8.5. Implementación del modelo: metodología para garantizar una solución viable
8.6. Mantenimiento y actualización. Uso del modelo y requerimientos de implementación. Monitorizar el rendimiento y la efectividad de los modelos implementados
8.7. Aportar análisis que faciliten la toma de decisiones y desarrollos futuros
8.8. Gestión de proyectos: planificación de un proyecto
8.9. Metodología agile y metodología scrum
9. Trabajo final de máster
Destinatarios
El Máster en Big Data & Data Science está dirigido de manera preferente a alumnos con perfiles técnicos que estén interesados en desarrollar su carrera profesional en el ámbito del análisis y la gestión de grandes volúmenes de datos.
Para acceder a esta titulación los alumnos deberán ser:
- Ingenieros/graduados en informática, telecomunicaciones e industriales.
- Licenciados/graduados en matemáticas, física, química y estadística como titulaciones de ingreso preferente.
También se valorará el acceso a alumnos sin titulación universitaria que lleven al menos 2 años trabajando en áreas de Business Intelligence, Business Analytics, etc. En este sentido, podrán acceder si cumplen alguno de estos requisitos:
- Perfiles técnicos: tener conocimientos en analizar y gestionar datos o tener al menos 2 años de experiencia laboral en departamentos analíticos.
- Conocimientos de programación (preferiblemente SQL, Python o R) o haber programado al menos 2 años en alguna empresa.
El alumnado sin titulación universitaria puede adquirir las mismas habilidades y conocimientos impartidos en este curso y optar a una acreditación de Diploma Superior Universitario. Es necesario consultar a los responsables del curso sobre los requisitos y condiciones de acceso establecidos para este tipo de alumnado.
- Requisitos técnicos mínimos para poder realizar el programa: el equipo ha de tener al menos 16 GB.
- La máquina virtual estará disponible en Linux y en Windows, no en Mac.
Salidas profesionales
El Máster propuesto tendrá una orientación profesional, para facilitar la incorporación de los estudiantes al mercado laboral, o para permitir el reciclaje de profesionales que ya se encuentran incorporados al mercado de trabajo.
Se pueden destacar las siguientes salidas profesionales:
- Científico de datos (Data Scientist)
- Analista de datos (Data Analyst)
- Analista de Big Data (Big Data Analyst)
- Ingeniero de datos (Data Engineer)
- Analista de negocio (Data Business)
- Arquitecto Big Data (Big Data Architect)
- Desarrollador de aplicaciones Big Data (Big Data Developer)
- Consultor de soluciones Big Data (Big Data Consultant)
- Jefe de proyecto Big Data (Big Data Project Manager)
- Analista digital (Digital Analyst)
- Analista de proyectos de I+D (R&D Proyect Analyst)
- Emprendedor de negocios basados en el análisis de datos, productos y/o servicios basados en datos (Data Entrepreneur)
Sectores: Financiero (Banca y/o Seguros), Consultoría, Comercio electrónico, Automovilístico, Sanitario, Farmacéutico, Retail, Telecomunicación, Televisión..., prácticamente se puede trabajar en cualquier sector que trabaje con datos.
Profesorado
Dirección
Sra. Dolores Lorente Muñoz
Profesional con más de quince años de experiencia en el mundo de la analítica, apasionada de la estadística (con diplomatura y grado). Experiencia desarrollando modelos predictivos, descriptivos y cuadros de mando de business intelligence y aplicando técnicas de machine learning en los modelos. Experiencia como docente en data mining en KeepCoding y en IMF International Business School y directora y profesora del programa Just Data Science, impartido en la URJC. Actualmente trabaja como responsable científica de datos desarrollando análisis de modelos, comparativas y puesta en producción, tanto con técnicas estadísticas convencionales como con técnicas de machine learning, obteniendo mejoras en las predicciones y un retorno positivo en los proyectos trabajados.
Coordinación
Sr. Ignacio Pérez Torres
Gerente y arquitecto Big data en Accenture Technology. Entusiasta de la tecnología con más de quince años de experiencia trabajando en proyectos con alto contenido tecnológico para las principales empresas del país y seis años trabajando en proyectos de Big data. Cuatro años de experiencia como profesor de Big data y cloud computing tanto en instituciones públicas como privadas.
Cuadro docente
Sr. Ferran Arroyo Vendrell
Profesional con más de ocho años de experiencia como data scientist en grandes compañías como Aegon-Santander o Fidias Actuaris. Actualmente trabaja en AXA en modelos predictivos, cross-selling, fraude y optimización. Conocimiento en modelos tanto descriptivos como predictivos en planes de pensiones. Experiencia en machine learning con un alto conocimiento en la analítica y fuertes conocimientos de estadística. Trabaja tanto con R como con Python para al desarrollo de los modelos. Experiencia como docente en la Universidad de Alcalá, en la asignatura de analítica actuarial, y en la Universidad Europea. Licenciado en Empresariales y en Ciencias Actuariales y Financiaras con el Máster Executive en Data Science por la MBIT School.
Sr. Parfait Atchade Adelomou
Ingeniero Superior de Telecomunicaciones, MBAs, PhD Candidate en Computación cuántica. Director Estratégico de Negocio de Lighthouse Disruptive Innovation Group LLC.
Sr. Ferrán Carrascosa Mallafré
Licenciado en Matemáticas en 2001 en la Universidad de Barcelona, y Técnico en Machine learning, Deep learning y Big data, con experiencia de más de 18 años. Actualmente, es responsable de Data Science en análisis de riesgos para CaixaBank. Como docente, tiene una experiencia de 15 años en diferentes cursos universitarios sobre Computación Estadística Moderna con R, Análisis multivariante, Aplicación de métodos estadísticos a la Ciencia Política y la Administración Pública, o Prácticas desarrolladas en R.
Sra. Lidia Cortés
Licenciada en Ciencias Físicas con más de siete años de experiencia en el mundo de los datos, trabajando actualmente en una multinacional. Amplio conocimiento de diferentes herramientas, así como de las distintas fases de un proyecto business intelligence, con amplia experiencia en la parte de reporting. Entusiasta en la representación visual de la información, aportando valor y haciéndola más atractiva y entendible. Tiene experiencia en impartición de diferentes formaciones tanto a usuarios finales como a personal técnico en diferentes empresas.
Sr. Miguel Ángel De La Llave Montiel
Más de diez años de experiencia en el mundo de la analítica, responsable del departamento de pricing en AXA, experto en modelización de riesgo crediticio en Barclays y analista de inversiones. Doctorando en Econometría Espacial, actualmente cuenta con dos másteres, Máster en Ciencias Actuariales y Financieras y Máster en Técnicas Cuantitativas, y dos licenciaturas, una en Económicas y otra en Actuariales y Financieras. Experiencia como docente en el Máster de Business Analytics en la Universidad Europea, en la que trabaja actualmente.
Sr. José Ángel González Barba
Senior Research Scientist en Symanto y PhD en Ciencias de la Computación por la Universitat Politècnica de València (UPV), con 10 años de experiencia en el Procesamiento del Lenguaje Natural (PLN) y el Deep Learning. Estudió Ingeniería Informática y el Máster en Inteligencia Artificial, Reconocimiento de Formas e Imagen Digital (MIARFID) en la UPV. Actualmente, trabaja en áreas del PLN. Su tesis doctoral recibió el premio a la mejor tesis por la Sociedad Española del Procesamiento del Lenguaje Natural (SEPLN). Sus contribuciones científicas son extensas: 5 proyectos de investigación, más de 30 publicaciones científicas en revistas y congresos de prestigio internacionales y organizador de competiciones de gran impacto en la SEPLN. Como docente, José Ángel ha impartido asignaturas y dirigido Tesis en el grado en Ingeniería Informática de la UPV y de la Universidad Europea.
Sra. Dolores Lorente Muñoz
Profesional con más de quince años de experiencia en el mundo de la analítica, apasionada de la estadística (con diplomatura y grado). Experiencia desarrollando modelos predictivos, descriptivos y cuadros de mando de business intelligence y aplicando técnicas de machine learning en los modelos. Experiencia como docente en data mining en KeepCoding y en IMF International Business School y directora y profesora del programa Just Data Science, impartido en la URJC. Actualmente trabaja como responsable científica de datos desarrollando análisis de modelos, comparativas y puesta en producción, tanto con técnicas estadísticas convencionales como con técnicas de machine learning, obteniendo mejoras en las predicciones y un retorno positivo en los proyectos trabajados.
Sr. Jorge Maestre Martínez
Head Of Agile en VASS, con una experiencia desde 1995 en trabajos web, desea acercar la tecnología a todos, haciéndola más manejable y accesible. Está especialmente interesado en aplicaciones que tengan un profundo impacto social, buscando una sociedad mejor. Fundó Devtopia Coop, una cooperativa de desarrolladores, donde colideró y cogestionó proyectos relacionados con internet y tecnologías emergentes.
Sr. Ignacio Pérez Torres
Gerente y arquitecto Big data en Accenture Technology. Entusiasta de la tecnología con más de quince años de experiencia trabajando en proyectos con alto contenido tecnológico para las principales empresas del país y seis años trabajando en proyectos de Big data. Cuatro años de experiencia como profesor de Big data y cloud computing tanto en instituciones públicas como privadas.
Sr. Francisco Manuel Rangel Pardo
Doctor en Inteligencia Artificial por la Universidad Politécnica de Valencia (UPV). Es Máster en Tecnologías del Lenguaje, Ingeniero Informático y Grado en Ingeniería Técnica en Telecomunicaciones por la UPV. Trabaja como Head of Product en Symanto.
Descuentos
Con la voluntad de facilitarte el acceso a la formación, te ofrecemos la posibilidad de aplicar descuentos en el momento de realizar la matrícula. Los descuentos pueden variar según el tipo de estudios o la titulación que quieras cursar y el número de créditos que tengas que matricular, el colectivo, y la comunidad a la que puedas acreditar la condición de beneficiario.
Ponte en contacto con nosotros mediante el formulario que encontrarás en la ficha de la página web y te informaremos ampliamente de los descuentos y facilitaciones de pago que ponemos a tu alcance.
COLECTIVOS CON DESCUENTO:
- Alumnado o exalumnado de la Fundación IL3-UB.
- Alumni UB con cuota Máster.
- Colegios, asociaciones profesionales y otras entidades con convenio de colaboración.
- Colectivos con descuento matrícula corporativa o entidad colaboradora.
- Colegiados/as del Col·legi de Biòlegs de Catalunya (CBC). 10% descuento.
- Colegiados/das del Col·legi d’Enginyers Graduats i Enginyers Tècnics Industrials de Barcelona. 10% de descuento.
- Asociados/das del Clúster de la Energía Eficiente de Cataluña (CEEC). 10% de descuento.
Además, disponemos de descuentos específicos y para otros colectivos. Puedes ampliar la información en el siguiente enlace
Recuerda confirmar, en el momento de validar tu matrícula, si eres beneficiario de alguno de nuestros descuentos. La aplicación de los descuentos no tiene carácter retroactivo. Para poder beneficiarte de cualquier descuento ofrecido por el Instituto de Formación Continua de la Universidad de Barcelona deberás acreditar debidamente que eres beneficiario antes del inicio del curso. Si tienes cualquier duda, no dudes en consultar con una de nuestras asesoras.
La mayor parte de nuestros programas (tanto presenciales como en línea) cumplen con los requisitos para ser bonificados a través de la Fundación Tripartida. Si deseas más información para tramitar la bonificación para tu empresa, consulta con nuestra asesora en el momento de formalizar la matrícula.
Condiciones:
- No se aplicará ningún descuento que no esté acreditado.
- Los descuentos no son acumulables.
- No se aplicarán descuentos una vez iniciado el curso.
CONTACTO
Instituto Forymat
Dirección:
C. de la Princesa, 41
28008. Madrid
WhatsApp: 630 25 42 67
E-mail: admision@il3.ub.edu
De Lunes a Jueves de 9:30h a 20:30h y Viernes de 9:30h a 18:30h
Proceso de matriculación
Este curso está respaldado por el prestigio y la experiencia del Instituto de Formación Continua de la Universidad de Barcelona (IL3-UB) y el Instituto Forymat.
El proceso de matriculación se gestiona directamente desde el Instituto Forymat. Te facilitamos los datos de contacto para que te dirijas a ellos.
Instituto Forymat.
Teléfono: 91 559 27 86.
WhatsApp: 630 25 42 67
E-mail: admision@il3.ub.edu