Máster en Visual Analytics y Big Data

Módulo 1. Visual Analytics en el contexto social y tecnológico

1.1. Las olas tecnológicas en las diferentes Sociedades. Hacia una ‘Data Society’
1.2. La globalización. Contexto mundial geopolítico y social
1.3. Entorno VUCA. Viviendo siempre en el pasado
1.4. Conociendo las nuevas tecnologías: 5G e IoT
1.5. Conociendo las nuevas tecnologías: Cloud y Edge Computing
1.6. Critical Thinking en Visual Analytics
1.7. Los Know-mads. Nómadas entre datos
1.8. Aprendiendo a emprender en Visual Analytics
1.9. Teorías de anticipación aplicadas al Visual Analytics
1.10. El nuevo entorno empresarial. La transformación digital

Módulo 2. Análisis e interpretación de datos

2.1. Introducción a la estadística
2.2. Medidas aplicables al tratamiento de información
2.3. Correlación estadística
2.4. Teoría de la probabilidad condicional
2.5. Variables aleatorias y distribuciones de probabilidad
2.6. Inferencia Bayesiana
2.7. Teoría de muestras
2.8. Intervalos de confianza
2.9. Contrastes de hipótesis
2.10. Análisis de la regresión

Módulo 3. Técnicas de análisis de datos e IA

3.1. Analítica predictiva
3.2. Técnicas de evaluación y selección de modelos
3.3. Técnicas de optimización lineal
3.4. Simulaciones de Monte Carlo
3.5. Análisis de escenarios
3.6. Técnicas de Machine Learning
3.7. Analítica web
3.8. Técnicas de Text Mining
3.9. Métodos en Procesamiento Lenguaje Natural (PNL)
3.10. Análisis de redes sociales

Módulo 4. Herramientas de análisis de datos

4.1. Entorno R de Data Science
4.2. Entorno Python de Data Science
4.3. Gráficos estáticos y estadísticos
4.4. Tratamiento de datos en diferentes formatos y diferentes fuentes
4.5. Limpieza y preparación de datos
4.6. Estudios exploratorios
4.7. Árboles de decisión
4.8. Reglas de clasificación y de asociación
4.9. Redes neuronales
4.10. Deep Learning

Módulo 5. Sistemas de Gestión de Bases de Datos y Paralelización de Datos

5.1. Bases de datos convencionales
5.2. Bases de datos no convencionales
5.3. Cloud Computing: gestión distribuida de datos
5.4. Herramientas de ingesta de grandes volúmenes de datos
5.5. Tipos de paralelismos
5.6. Procesamiento de datos en streaming y tiempo real
5.7. Procesamiento paralelo: Hadoop
5.8. Procesamiento paralelo: Spark
5.9. Apache Kafka

5.9.1. Introducción a Apache Kafka
5.9.2. Arquitectura
5.9.3. Estructura de datos
5.9.4. APIs Kafka
5.9.5. Casos de uso

5.10. Cloudera impala

Módulo 6. Data-Driven soft skills en la dirección estratégica en Visual Analytics

6.1. Drive Profile for Data-Driven Organizations
6.2. Habilidades gerenciales avanzadas en organizaciones Data-Driven
6.3. Usando los datos para mejorar el performance de la comunicación estratégica
6.4. Inteligencia emocional aplicada a la dirección en Visual Analytics
6.5. Presentaciones eficaces
6.6. Mejorando el performance mediante la gestión motivacional
6.7. Liderazgo en organizaciones Data-Driven
6.8. Talento digital en organizaciones Data-Driven
6.9. Data-Driven Agile Organization I
6.10. Data-Driven Agile Organization II

Módulo 7. Dirección estratégica de proyectos de Visual Analytics y Big Data

7.1. Introducción a la dirección estratégica de proyectos
7.2. Best Practices en la descripción de procesos de Big Data (PMI)
7.3. Metodología Kimball
7.4. Metodología SQuID
7.5. Introducción a la metodología SQuID para abordar proyectos de Big Data

7.5.1. Fase I. Sources
7.5.2. Fase II. Data Quality
7.5.3. Fase III. Impossible Questions
7.5.4. Fase IV. Discovering
7.5.5. Best Pratices en la aplicación de SQuID a proyectos de Big Data

7.6. Aspectos legales del mundo de los datos
7.7. Privacidad en Big Data
7.8. Ciberseguridad en Big Data
7.9. La identificación y de desidentificación con grandes volúmenes de datos
7.10. Ética de los datos I
7.11. Ética de los datos II