Máster en Data Science

Plan de Formación: ¿Qué voy a estudiar en el Máster en Data Science Online?

• Inicio

  2 Noviembre

• Duración

  8 meses

• Horario

  M X y J: 19-21:00h

Temario

• 1. Bienvenida

  Introducción al Máster y al perfil profesional del Científico de Datos.

  • Introducción al Máster

• 2. Introducción a Python

  Fundamentos de Python, el lenguaje estándar para el análisis de datos y Machine Learning.

  • La programación para Data Science – Jupyter Notebooks
  • Variables y operadores
  • Listas y diccionarios
  • Control de flujo y bucles
  • Funciones y variables locales
  • Debugging

• 3. Python para Data Science

  Dominio de Python para Data Science: Análisis y manipulación de datos con librerías como Numpy y Pandas.

  • Algebra y métodos numéricos con Python – Numpy
  • Tratamiento de Datos – Pandas
  • Análisis Exploratorio de Datos
  • Análisis y Limpieza de Datos
  • Normalización y Estandarización
  • Imputaciones de Datos
  • GitHub

• 4. Visualización de datos con Python

  Visualización de datos con Python: Creación de dashboards e informes con Matplotlib y Seaborn.

  • Visualización de datos con Python

• 5. Estadística

  Fundamentos de Estadística Aplicada para construir y validar modelos de  Regresión Lineal.

  • Estadística Descriptiva
  • Regresión Lineal
  • Probabilidad y Variables Aleatorias
  • Inferencia Estadística
  • Introducción a la Estadística Bayesiana

• 6. Aprendizaje supervisado

  Machine Learning: Modelos de Aprendizaje Supervisado: Implementación de algoritmos con Scikit-learn, como Árboles de decisión, regresión logística, random forest, SVM, Xgboost y KNN.

  • Introducción y regresión lineal múltiple.
  • Regresión con árboles y random forest.
  • Regresión con SVM y KNN.
  • Clasificación regresión logística.
  • Clasificación con Árboles, SVM y KNN.

• 7. Aprendizaje no supervisado

  Machine Learning: Modelos de Aprendizaje No Supervisado: Clustering con kmeans, dbscan y Reducción de dimensionalidad (PCA y SVD).

  • Clustering jerárquico y K-means
  • Clustering dbscan y gmm
  • Reducción de dimensionalidad PCA
  • Reducción de dimensionalidad SVD

• 8. Model Performance

  Evaluación y Optimización de Modelos: Técnicas de validación e ingeniería de variables (feature engineering) y ensamblado de modelos

  • Ensamblado de modelos
  • Evaluación y Optimización de modelos
  • Ingeniería de variables

• 9. Metodología

  Metodología de trabajo ágil aplicada a proyectos de Ciencia de Datos evolución de CRISP-DM.

  • Metodología de modelado

• 10. Sistemas de recomendación

  Creación de Sistemas de Recomendación, el motor de empresas como Netflix y Amazon. Ideal para comercios electrónicos.

  • Introducción a los sistemas de recomendación

• 11. Series temporales

  Análisis y Predicción con Series Temporales (Forecasting).

  • Series temporales

• 12. Deep Learning

  Deep Learning con TensorFlow y Keras: Redes Neuronales (ANN, CNN, RNN) inspiradas en los avances de DeepMind.

  • Introducción y componentes Perceptrón
  • ANN
  • RNN
  • CNN
  • Tendencias

• 13. Procesamiento del Lenguaje Natural

  Procesamiento del Lenguaje Natural (PLN), transformers y fundamentos de los Large Language Models (LLMs).

  • Procesamiento del Lenguaje Natural

• 14. IA Generativa

  IA Generativa: Prompt Engineering y desarrollo de aplicaciones y agentes IA con Lang Chaim y APIs de LLMs como OpenAi.

  • Prompt Engineering
  • Aplicaciones RAG y Agentes

• 15. Data Science con consultas SQL

  Data Science con SQL: Extracción y análisis de datos en BBDD relacionales.

  • SQL, Geo Analytics y ML con Big Query 1

• 16. Entornos distribuidos Spark

  Big Data con Apache Spark: Procesamiento de datos a gran escala en ecosistemas cloud.

  • Big Data – Spark

• 17. Visualización de datos con Tableau

  Data Storytelling y Visualización de Datos interactiva con Tableau

  • Introducción a Tableau y Visualización
  • Visualizaciones en Tableau
  • Data storytelling

• 18. Inteligencia de negocio

  Business Intelligence (BI) para la toma de decisiones con Microsoft Power BI utilizando lenguaje DAX.

  • Business Intelligence
  • Inteligencia de negocio con Power BI

• 19. Data Science in business

  Despliegue de ciencia de datos en organizaciones y cómo generar valor de negocio, una de las habilidades clave en la ciencia de datos.

  • Interpretabilidad de modelo
  • Despliegue de la Ciencia de Datos en las compañías
  • Metodología de casos de uso
  • Ética en los algoritmos

• 20. Competición analítica

  Competición en Kaggle: Demuestra tus habilidades y prepárate para el empleo como Data Scientist.

  • Competición en Kaggle.

• 21. Trabajo de Fin de Máster – TFM

  TFM: Creación de un proyecto end-to-end para tu portfolio profesional y destacar en las ofertas de trabajo.

  • Presentación del proyecto TFM