Especialización en Aprovechamiento de Información para Data Science
Especialización
Online
Descripción
-
Tipología
Especialización
-
Metodología
Online
-
Horas lectivas
450h
-
Duración
6 Meses
-
Inicio
Fechas disponibles
-
Campus online
Sí
-
Clases virtuales
Sí
La ciencia del dato se ha convertido en un conjunto de técnicas, tecnologías y herramientas que permiten analizar, sintetizar y extraer el conocimiento oculto de la información de una empresa. Contar con un profesional que aproveche esta valiosa información para tomar decisiones transcendentales es un activo que aporta gran valor a la organización. Con este programa, se desarrollarán las habilidades de liderazgo de los ingenieros informáticos que buscan optar por un puesto gerencial en su área de trabajo. Para ello, se proporcionará la posibilidad de examinar las herramientas
para la gestión del dato mediante lenguajes de programación, así como desarrollar la arquitectura de referencia tecnológica para la conectividad de redes, constituyendo un ecosistema más amigable con los trabajadores de una empresa.
Información importante
Documentación
- 222especia-aprovechamiento-informacion-data-science-experto-tech-.pdf
Sedes y fechas disponibles
Ubicación
comienzo
comienzo
Información relevante sobre el curso
Objetivos
-Realizar un análisis de datos
-Unificar datos diversos y lograr la consistencia de la información
-Producir información relevante, eficaz para la toma de decisiones
-Determinar las mejores prácticas para la gestión del dato según su tipología y usos
-Establecer políticas de acceso y reutilización de los datos
-Garantizar la seguridad y disponibilidad, integridad y confidencialidad de la información
Los ingenieros informáticos interesados en la ciencia del dato contarán con un programa completo y actualizado, que, en todo momento, buscará desarrollar sus habilidades en este campo. Con estos objetivos como guía de su aprendizaje, podrán determinar las mejores prácticas para la gestión del dato según su tipología y usos. De esta forma, serán capaces de llevar los conocimientos adquiridos en el programa a su ejercicio laboral.
Este Experto Universitario en Aprovechamiento de Información para Data Science 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 Aprovechamiento de Información para Data Science
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.
Opiniones
Materias
- Arquitectura
- Internet
- Gestión
- Intensivo
- Datos
- Sistemas
- Sensores
- Datos masivos
- Actuadores
Profesores
Arturo Peralta Martín-Palomino
Profesor
Temario
Módulo 1. Gestión, manipulación de datos e información para Ciencia de Datos
1.1. Estadística. Variables, índices y ratios
1.1.1. La estadística
1.1.2. Dimensiones estadísticas
1.1.3. Variables, índices y ratios
1.2. Tipología del dato
1.2.1. Cualitativos
1.2.2. Cuantitativos
1.2.3. Caracterización y categorías
1.3. Conocimiento de los datos a partir de medidas
1.3.1. Medidas de centralización
1.3.2. Medidas de dispersión
1.3.3. Correlación
1.4. Conocimiento de los datos a partir de gráficos
1.4.1. Visualización según el tipo de dato
1.4.2. Interpretación de información gráfica
1.4.3. Customización de gráficos con R
1.5. Probabilidad
1.5.1. Probabilidad
1.5.2. Función de probabilidad
1.5.3. Distribuciones
1.6. Recolección de datos
1.6.1. Metodología de recolección
1.6.2. Herramientas de recolección
1.6.3. Canales de recolección
1.7. Limpieza del dato
1.7.1. Fases de la limpieza de datos
1.7.2. Calidad del dato
1.7.3. Manipulación de datos (con R)
1.8. Análisis de datos, interpretación y valoración de resultados
1.8.1. Medidas estadísticas
1.8.2. Índices de relación
1.8.3. Minería de datos
1.9. Almacén del dato (Data Warehouse)
1.9.1. Elementos
1.9.2. Diseño
1.10. Disponibilidad del dato
1.10.1. Acceso
1.10.2. Utilidad
1.10.3. Seguridad
Módulo 2. Dispositivos y plataformas IOT como base para la Ciencia de Datos
2.1. Internet of Things
2.1.1. Internet del futuro, Internet of Things
2.1.2. El consorcio de internet industrial
2.2. Arquitectura de referencia
2.2.1. La arquitectura de referencia
2.2.2. Capas
2.2.3. Componentes
2.3. Sensores y dispositivos IoT
2.3.1. Componentes principales
2.3.2. Sensores y actuadores
2.4. Comunicaciones y protocolos
2.4.1. Protocolos. Modelo osi
2.4.2. Tecnologías de comunicación
2.5. Plataformas cloud para IoT e IIoT
2.5.1. Plataformas de propósito general
2.5.2. Plataformas industriales
2.5.3. Plataformas de código abierto
2.6. Gestión de datos en plataformas IoT
2.6.1. Mecanismos de gestión de datos. Datos abiertos
2.6.2. Intercambio de datos y visualización
2.7. Seguridad en IoT
2.7.1. Requisitos y áreas de seguridad
2.7.2. Estrategias de seguridad en IIoT
2.8. Aplicaciones de IoT
2.8.1. Ciudades inteligentes
2.8.2. Salud y condición física
2.8.3. Hogar inteligente
2.8.4. Otras aplicaciones
2.9. Aplicaciones de IIoT
2.9.1. Fabricación
2.9.2. Transporte
2.9.3. Energía
2.9.4. Agricultura y ganadería
2.9.5. Otros sectores
2.10. Industria 4.0
2.10.1. IoRT (Internet of Robotics Things)
2.10.2. Fabricación aditiva 3D
2.10.3. Big Data Analytics
Módulo 3. Arquitecturas y sistemas para uso intensivo de datos
3.1. Requisitos no funcionales. Pilares de las aplicaciones de datos masivos
3.1.1. Fiabilidad
3.1.2. Adaptabilidad
3.1.3. Mantenibilidad
3.2. Modelos de datos
3.2.1. Modelo relacional
3.2.2. Modelo documental
3.2.3. Modelo de datos tipo grafo
3.3. Bases de datos. Gestión del almacenamiento y recuperación de datos
3.3.1. Índices hash
3.3.2. Almacenamiento estructurado en Log
3.3.3. Árboles B
3.4. Formatos de codificación de datos
3.4.1. Formatos específicos del lenguaje
3.4.2. Formatos estandarizados
3.4.3. Formatos de codificación binarios
3.4.4. Flujo de datos entre procesos
3.5. Replicación
3.5.1. Objetivos de la replicación
3.5.2. Modelos de replicación
3.5.3. Problemas con la replicación
3.6. Transacciones distribuidas
3.6.1. Transacción
3.6.2. Protocolos para transacciones distribuidas
3.6.3. Transacciones serializables
3.7. Particionado
3.7.1. Formas de particionado
3.7.2. Interacción de índice secundarios y particionado
3.7.3. Rebalanceo de particiones
3.8. Procesamiento de datos offline
3.8.1. Procesamiento por lotes
3.8.2. Sistemas de ficheros distribuidos
3.8.3. MapReduce
3.9. Procesamiento de datos en tiempo real
3.9.1. Tipos de Broker de mensajes
3.9.2. Representación de bases de datos como flujos de datos
3.9.3. Procesamiento de flujos de datos
3.10. Aplicaciones prácticas en la empresa
3.10.1. Consistencia en lecturas
3.10.2. Enfoque holístico de datos
3.10.3. Escalado de un servicio distribuido
Especialización en Aprovechamiento de Información para Data Science