Especialización en Almacenamiento, Recuperación y Tratamiento de Datos

Especialización

Online

$ 1.195 IVA inc.

Descripción

  • Tipología

    Especialización

  • Metodología

    Online

  • Horas lectivas

    450h

  • Duración

    6 Meses

  • Inicio

    Fechas disponibles

  • Campus online

  • Clases virtuales

Las nuevas tecnologías permiten la gestión de gran cantidad de datos que son fundamentales para el buen hacer de los negocios, pero, para lograr que sean almacenados y tratados de manera eficiente, es preciso utilizar las herramientas idóneas. Aplicar las más adecuadas para las necesidades de cada empresa no es tarea fácil, por lo que programas como este capacitan al estudiante para que sea capaz de realizar las tareas de exploración, visualización, transformación y análisis de datos haciendo uso de los lenguajes de programación Python y R, incidiendo en las librerías disponibles para llevar a cabo cada una de ellas. Además, les ayudará a elaborar síntesis de datos usando los sistemas más actualizados del mercado. Sin duda, se trata de una titulación indispensable para los profesionales de los negocios, y ha sido diseñada gracias al apoyo de un grupo de expertos capacitados en el área, que ponen a disposición del alumnado sus múltiples años de experiencia

Información importante

Documentación

  • 40especializacion-almacenamiento-recuperacion-lt-.pdf

Sedes y fechas disponibles

Ubicación

comienzo

Online

comienzo

Fechas disponiblesInscripciones abiertas

Información relevante sobre el curso

Objetivos
- Demostrar habilidades básicas para utilizar Python y R como herramientas para el análisis de datos
- Identificar las fortalezas y debilidades de los lenguajes para adaptar su uso de forma adecuada
- Evaluar las librerías necesarias e identificar los módulos existentes maximizando la reutilización de recursos disponibles 
- Definir la estrategia para afrontar un problema generando valor añadido a los datos
- Fundamentar el uso de técnicas y métodos usando análisis cualitativos y cuantitativos
- Desarrollar la capacidad de establecer y proponer combinaciones de métodos de preprocesamiento que mejoren la calidad de los datos

TECH garantiza la excelencia académica y profesional de sus estudiantes a través de titulaciones de gran calidad. Por esta razón, ha diseñado un programa centrado en cubrir las demandas e inquietudes en el sector empresarial por el tratamiento de los datos. Lo fundamental será, en este caso, realizar las tareas de exploración, visualización, transformación y análisis de datos haciendo uso de los lenguajes de programación Python y R, así como implementar sistemas claves para organizar la información de una empresa por departamentos y profundizar en los sistemas de Apache más utilizados, tanto para el procesamiento por lotes con Apache Hadoop como en tiempo real con Apache Spark. Tras finalizar el programa, el alumno será capaz de tomar decisiones de carácter global con una perspectiva innovadora y una visión internacional.

Este Experto Universitario en Almacenamiento, Recuperación y Tratamiento de Datos contiene el programa más completo y actualizado del mercado.

Tras la superación de la evaluación, el alumno recibirá por correo postal* con acuse de recibo su correspondiente título de Experto Universitario emitido por TECH Universidad Tecnológica.

El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Experto Universitario, y reunirá los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.

Título: Experto Universitario en Almacenamiento, Recuperación y Tratamiento de Datos
N.º Horas Oficiales: 450 h.

Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos. Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning.
Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los estudiantes que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.

Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.

En primer lugar, necesitas un ordenador (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad.

Preguntas & Respuestas

Añade tu pregunta

Nuestros asesores y otros usuarios podrán responderte

¿Quién quieres que te responda?

Déjanos tus datos para recibir respuesta

Sólo publicaremos tu nombre y pregunta

Opiniones

Materias

  • Marketing
  • Rentabilidad
  • Compras
  • Ventas
  • Negocio
  • Organización
  • Mercado
  • Negocios
  • Modelos
  • Estructura

Profesores

Arturo Peralta Martín-Palomino

Arturo Peralta Martín-Palomino

Profesor

Temario

Módulo 1. Manipulación y analítica de datos mediante Python y R

1.1. Py thon y R

1.1.1. Historia y características de los lenguajes
1.1.2. Instalación de Python
1.1.3. Instalación de R
1.1.4. Otras herramientas

1.2. Tipos de datos en Python

1.2.1. Tipos básicos
1.2.2. Tipos complejos
1.2.3. Operaciones con datos
1.2.4. Estructuras de control
1.2.5. Operaciones con ficheros

1.3. Tipos de datos en R

1.3.1. Tipos básicos
1.3.2. Tipos complejos
1.3.3. Operaciones con datos
1.3.4. Estructuras de control
1.3.5. Operaciones con ficheros

1.4. Extracción de información y visualización con Python

1.4.1. Principales resúmenes estadísticos
1.4.2. Análisis univariable
1.4.3. Análisis multivariable

1.5. Extracción de información y visualización con R

1.5.1. Principales resúmenes estadísticos
1.5.2. Análisis univariable
1.5.3. Análisis multivariable

1.6. Responsabilidad social corporativa en proyectos de IT

1.6.1. Detección y análisis de outliers
1.6.2. Submuestreo y remuestreo
1.6.3. Reducción de dimensionalidad

1.7. Preprocesamiento en R

1.7.1. Detección y análisis de outliers
1.7.2. Submuestreo y remuestreo
1.7.3. Reducción de dimensionalidad

1.8. Modelado en Python

1.8.1. División del conjunto de datos
1.8.2. Modelado básico y principales librerías
1.8.3. Predicción y evaluación de métricas

1.9. Modelado en R

1.9.1. División en conjuntos de datos
1.9.2. Modelado básico y principales librerías
1.9.3. Predicción y evaluación de métricas

1.10. Comparación de lenguajes

1.10.1. Fortalezas y debilidades
1.10.2. Buenas prácticas
1.10.3. Conclusión y librerías de interés

Módulo 2. Sistemas de información empresarial - ERP Y CRM

2.1. ERP y CRM

2.1.1. ERP y CRM
2.1.2. El CRM
2.1.3. Diferencias entre ERP, CRM y punto de venta
2.1.4. ERP y CRM como impulsores del éxito empresarial

2.2. ERP

2.2.1. Beneficios para nuestra empresa
2.2.2. Implantación de un ERP
2.2.3. Últimos avances en ERP

2.3. ERP como optimizador de recursos

2.3.1. Módulos en un sistema ERP
2.3.2. Información extraída del ERP
2.3.3. Arquitectura
2.3.4. Ventajas e inconvenientes
2.3.5. Tipos de sistemas ERP

2.4. Sistemas ERP

2.4.1. Herramientas actuales en el mercado
2.4.2. El ERP perfecto para nuestra empresa
2.4.3. Implantación y etapas

2.5. CRM: Fidelización de clientes

2.5.1. Situación actual del entorno
2.5.2. Vender o fidelizar
2.5.3. Rentabilidad de fidelizar clientes
2.5.4. Marketing de cliente
2.5.5. Tipos de programas
2.5.6. Factores de éxito
2.5.7. La e-fidelización. Estrategia multicanal

2.6. CRM:Creación y gestión de un sistema de información

2.6.1. Beneficios de invertir en un sistema de información
2.6.2. Diseño del sistema de información comercial
2.6.3. Estrategias de inversión en sistemas de información

2.7. CRM: Acciones de comunicación con clientes

2.7.1. La comunicación
2.7.2. La escucha

2.8. CRM: Detectar y recuperar clientes insatisfechos

2.8.1. El peligro de no preguntar
2.8.2. Ventajas de detectar errores
2.8.3. Cómo corregir y subsanar errores
2.8.4. Cómo recuperar al cliente y diseñar procesos de mejora continua

2.9. CRM: Organización de eventos y programas especiales

2.9.1. Objetivos
2.9.2. Diseño de un evento
2.9.3. Realización de un evento
2.9.4. Evaluación de los resultados

2.10. Implementación de un programa de marketing relacional

2.10.1. Errores más frecuentes de implantación
2.10.2. Metodología de propuesta de implantación
2.10.3. Segmentación
2.10.4. Benchmarking
2.10.5. Procesos
2.10.6. Formación
2.10.7. Sistemas
2.10.8. Diseño de las acciones de fidelización
2.10.9. Herramientas CRM

Módulo 3. Sistemas de Big Data y ecosistema Hadoop para su Explotación

3.1. Sistemas de datos masivos

3.1.1. Escalabilidad
3.1.2. Confiabilidad
3.1.3. Mantenibilidad

3.2. Representaciones de datos

3.2.1. Evolución de los modelos de datos
3.2.2. Comparación del modelo relacional con el modelo de documentos
3.2.3. Modelo de grafos

3.3. Motores de almacenamiento y recuperación de datos

3.3.1. Almacenamiento en fichero con estructura de log
3.3.2. Almacenamiento en tablas de cadenas ordenadas
3.3.3. Árboles B

3.4. Modelos de flujos de datos y formatos de codificación

3.4.1. Flujo de datos en servicios REST
3.4.2. Flujo de datos en paso de mensajes
3.4.3. Diferentes formatos de envío de mensajes

3.5. Replicación

3.5.1. Teorema CAP
3.5.2. Modelos de consistencia
3.5.3. Diferentes modelos de líder y seguidores

3.6. Transacciones distribuidas

3.6.1. Operaciones atómicas
3.6.2. Transacciones distribuidas para bases de datos particionadas
3.6.3. Serializabilidad

3.7. Particionado

3.7.1. Tipos de particionado
3.7.2. Índices en particiones
3.7.3. Rebalanceado de particiones

3.8. Análisis de Big-Data: Hadoop

3.8.1. Tipos de particionado
3.8.2. Índices en particiones
3.8.3. Rebalanceado de particiones

3.9. Herramientas de análisis de Big-Data sobre Hadoop

3.9.1. Tipos de particionado
3.9.2. Índices en particiones
3.9.3. Rebalanceado de particiones

3.10. Big-Data y machine learning: Spark

3.10.1. Limitaciones al modelo de Hadoop
3.10.2. Arquitectura y flujo de datos
3.10.3. Tratamiento de datos en Spark: operaciones con RDDs
3.10.4. Machine learning con Spark y Mahout s

Especialización en Almacenamiento, Recuperación y Tratamiento de Datos

$ 1.195 IVA inc.