958 050 205
100% Online
12 Meses
Flexibilidad horaria
Seguridad y confianza en tus pagos online.- Presentación
- Temario
- Claustro
- Metodología
- Titulación
- Opiniones
Descripción
El análisis y explotación de datos masivos se ha convertido en el oro negro del siglo XXI, ya que un correcto uso del Big Data es sinónimo de éxito a la hora de tomar decisiones y aplicar estrategias de marketing.
Gracias a este Master en Big Data y Business Intelligence. Data Science te convertirás en especialista en análisis e interpretación de datos, siendo uno de los perfiles profesionales más cotizados actualmente en el mundo laboral.¿Quién puede acceder al master?
Objetivos
Salidas Profesionales
Temario
MÓDULO 1. BIG DATA & BUSINESS INTELLIGENCE FUNDAMENTALS
UNIDAD DIDÁCTICA 1. LA REVOLUCIÓN DE LOS DATOS MASIVOS: BIG DATA Y THICK DATA
- ¿Qué es Big Data?
- ¿Y Thick Data? ¿Cuál es el matiz para diferenciar ambos términos?
- El gran auge del big data
- La importancia de almacenar y extraer información
- ¿Cual es el papel de las fuentes de datos?
- Soluciones novedosas gracias a la selección de datos
- Naturaleza de las fuentes de datos Big Data
UNIDAD DIDÁCTICA 2. TOMA DE DECISIONES INTELIGENTES
- Thick Data, el valor de lo cualitativo. Entender emociones humanas, intenciones y sentimientos
- Fases en un proyecto de Big Data
- Big Data enfocado a los negocios
- Apoyo del Big Data en el proceso de toma de decisiones
- Toma de decisiones operativas
UNIDAD DIDÁCTICA 3. CÓMO HACER CRECER UN NEGOCIO A TRAVÉS DEL BIG DATA Y SUS APLICACIONES
- Marketing estratégico y Big Data
- Open data
- Ejemplo de uso de Open Data
- IoT (Internet of Things-Internet de las cosas)
UNIDAD DIDÁCTICA 4. BIG DATA EN DIFERENTES SECTORES
- Relación entre inteligencia artificial y big data
- IA y Big Data combinados
- El papel del Big Data en IA
- Big Data en salud
- Necesidad de Big Data en la asistencia sanitaria
- Retos del big data en salud
- Big Data y People Analytics en RRHH
UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
- Definiendo el concepto de Business Intelligence y sociedad de la información
- Arquitectura de una solución Business Intelligence
- Business Intelligence en los departamentos de la empresa
- Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
- Sistemas Operacionales y Procesos ETL en un sistema de BI
- Ventajas y Factores de Riesgos del Business Intelligence
UNIDAD DIDÁCTICA 6. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
- Cuadros de Mando Integrales (CMI)
- Sistemas de Soporte a la Decisión (DSS)
- Sistemas de Información Ejecutiva (EIS)
UNIDAD DIDÁCTICA 7. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
- Introducción a la minería de datos y el aprendizaje automático
- Proceso KDD
- Modelos y Técnicas de Data Mining
- Áreas de aplicación
- Minería de Textos y Web Mining
- Data mining y marketing
UNIDAD DIDÁCTICA 8. DATAMART: CONCEPTO DE BASE DE DATOS DEPARTAMENTAL
- Aproximación al concepto de DataMart
- Bases de datos OLTP
- Bases de Datos OLAP
- MOLAP, ROLAP & HOLAP
- Herramientas para el desarrollo de cubos OLAP
UNIDAD DIDÁCTICA 9. DATAWAREHOUSE O ALMACEN DE DATOS CORPORATIVOS
- Visión General: ¿Por qué DataWarehouse?
- Estructura y Construcción
- Fases de implantación
- Características
- Data Warehouse en la nube
UNIDAD DIDÁCTICA 10. INTERNET DE LAS COSAS
- Contexto Internet de las Cosas (IoT)
- ¿Qué es IoT?
- Elementos que componen el ecosistema IoT
- Arquitectura IoT
- Dispositivos y elementos empleados
- Ejemplos de uso
- Retos y líneas de trabajo futuras
UNIDAD DIDÁCTICA 11. STORYTELLING
- ¿Qué es el Data Storytelling?
- Elementos clave del Data Storytelling
- ¿Por qué es importante el Data Storytelling?
- ¿Cómo hacer Data Storytelling?
UNIDAD DIDÁCTICA 12. ECOSISTEMA HADOOP
- ¿Qué es Hadoop? Relación con Big Data
- Instalación y configuración de insfraestructura y ecosistema Hadoop
- Sistema de archivos HDFS
- MapReduce con Hadoop
- Apache Hive
- Apache Hue
- Apache Spark
MÓDULO 2. MINERÍA DE DATOS CON ORANGE
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A ORANGE DATA MINING
- Qué es orange Data Mining
- Ventajas de utilizar Orange Data Mining
UNIDAD DIDÁCTICA 2. FUNCIONALIDADES DE ORANGE PARA EL ANÁLISIS DE DATOS
- Carga y preprocesamiento de datos
- Programación visual
- Exploración y visualización de datos
- Modelado predictivo
- Ingeniería de características
UNIDAD DIDÁCTICA 3. FLUJOS DE TRABAJO DE DATOS ORANGE
- Creación y uso de flujos de trabajo de datos para realizar análisis
UNIDAD DIDÁCTICA 4. WIDGETS Y CANALES EN ORANGE DATA MINING
- Tipos de widgets y sus funciones
- Conexión de widgets mediante canales
- Personalización de widgets para obtener resultados específicos
UNIDAD DIDÁCTICA 5. CARGA DE DATOS CON ORANGE
- Importación de datos desde diferentes fuentes
- Configuración de parámetros de importación
- Manejo de diferentes formatos de datos
- Visualización previa de los datos importados
UNIDAD DIDÁCTICA 6. ANÁLISIS EXPLORATORIO DE DATOS CON ORANGE
- Identificación de grupos o clusters de datos
- Análisis de la jerarquía de los clusters
- Visualización de la estructura de clusters mediante dendrogramas
UNIDAD DIDÁCTICA 7. MODELADO PREDICTIVO CON ORANGE
- Selección del algoritmo adecuado en función del problema y los datos
- Entrenamiento y ajuste de los modelos
- Interpretación de los resultados
- Evaluación del rendimiento de los modelos predictivos
MÓDULO 3. DATA SCIENCE: ALMACENAMIENTO, ANÁLISIS Y PROCESAMIENTO DE DATOS
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
- ¿Qué es la ciencia de datos?
- Herramientas necesarias para el científico de datos
- Data Science & Cloud Computing
- Aspectos legales en Protección de Datos
UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
- Introducción
- El modelo relacional
- Lenguaje de consulta SQL
- MySQL Una base de datos relacional
UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
- ¿Qué es una base de datos NoSQL?
- Bases de datos Relaciones Vs Bases de datos NoSQL
- Tipo de Bases de datos NoSQL Teorema de CAP
- Sistemas de Bases de datos NoSQL
UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB
- ¿Qué es MongoDB?
- Funcionamiento y uso de MongoDB
- Primeros pasos con MongoDB: Instalación y shell de comandos
- Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
- Actualización de datos en MongoDB: Sentencias set y update
- Trabajando con índices en MongoDB para optimización de datos
- Consulta de datos en MongoDB
UNIDAD DIDÁCTICA 5. WEKA Y DATA MINING
- ¿Qué es Weka?
- Técnicas de Data Mining en Weka
- Interfaces de Weka
- Selección de atributos
UNIDAD DIDÁCTICA 6. PENTAHO
- Una aproximación a PENTAHO
- Soluciones que ofrece PENTAHO
- MongoDB & PENTAHO
- Hadoop & PENTAHO
- Weka & PENTAHO
UNIDAD DIDÁCTICA 7. R COMO HERRAMIENTA PARA BIG DATA
- Introducción a R
- ¿Qué necesitas?
- Tipos de datos
- Estadística Descriptiva y Predictiva con R
- Integración de R en Hadoop
UNIDAD DIDÁCTICA 8. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
- Obtención y limpieza de los datos (ETL)
- Inferencia estadística
- Modelos de regresión
- Pruebas de hipótesis
UNIDAD DIDÁCTICA 9. ANÁLISIS DE LOS DATOS
- Inteligencia Analítica de negocios
- La teoría de grafos y el análisis de redes sociales
- Presentación de resultados
MÓDULO 4. ANÁLISIS DE DATOS CON PYTHON
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
- ¿Qué es el análisis de datos?
UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
- Análisis de datos con NumPy
- Pandas
- Matplotlib
UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
- Cómo usar loc en Pandas
- Cómo eliminar una columna en Pandas
UNIDAD DIDÁCTICA 4. PIVOT TABLES
- Pivot tables en pandas
UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
- El grupo de pandas
UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
- Python Pandas fusionando marcos de datos
UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
- Matplotlib
- Seaborn
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
- Aprendizaje automático
UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
- Regresión lineal
- Regresión logística
UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
- Estructura de árbol
UNIDAD DIDÁCTICA 11. NAIVE BAYES
- Algoritmo de Naive bayes
- Tipos de Naive Bayes
UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
- Máquinas de vectores soporte (Support Vector Machine-SVM)
- ¿Cómo funciona SVM?
- Núcleos SVM
- Construcción de clasificador en Scikit-learn
UNIDAD DIDÁCTICA 13. KNN
- K-nearest Neighbors (KNN)
- Implementación de Python del algoritmo KNN
UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
- Análisis de componentes principales
UNIDAD DIDÁCTICA 15. RANDOM FOREST
- Algoritmo de Random Forest
MÓDULO 5. VISUALIZACIÓN DE DATOS
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS
- ¿Qué es la visualización de datos?
- Importancia y herramientas de la visualización de datos
- Visualización de datos: Principios básicos
UNIDAD DIDÁCTICA 2. TABLEAU
- ¿Qué es Tableau? Usos y aplicaciones
- Tableau Server: Arquitectura y Componentes
- Instalación Tableau
- Espacio de trabajo y navegación
- Conexiones de datos en Tableau
- Tipos de filtros en Tableau
- Ordenación de datos, grupos, jerarquías y conjuntos
- Tablas y gráficos en Tableau
UNIDAD DIDÁCTICA 3. D3 (DATA DRIVEN DOCUMENTS)
- Fundamentos D3
- Instalación D3
- Funcionamiento D3
- SVG
- Tipos de datos en D3
- Diagrama de barras con D3
- Diagrama de dispersión con D3
UNIDAD DIDÁCTICA 4. LOOKER STUDIO (GOOGLE DATA STUDIO)
- Visualización de datos
- Tipologías de gráficos
- Fuentes de datos
- Creación de informes
UNIDAD DIDÁCTICA 5. QLIKVIEW
- Instalación y arquitectura
- Carga de datos
- Informes
- Transformación y modelo de datos
- Análisis de datos
UNIDAD DIDÁCTICA 6. POWER BI
- Introducción a Power BI
- Instalación de Power BI
- Modelado de datos
- Visualización de datos
- Dashboards
- Uso compartido de datos
UNIDAD DIDÁCTICA 7. CARTO
- CartoDB
- ¿Qué es CARTO?
- Carga y uso de datos. Tipos de análisis
- Programación de un visor con la librería CARTO.js
- Uso de ejemplos y ayudas de la documentación de la API
MÓDULO 6. VISUALIZACIÓN DE DATOS EN R CON GGPLOT2
UNIDAD DIDÁCTICA 1. GGPLOT2 COMO LIBRERÍA PARA VISUALIZACIÓN DE DATOS EN R
- Introducción a Gplot
- El paquete ggplot2
UNIDAD DIDÁCTICA 2. EJES
- Cambiar títulos de eje
- Aumentar el espacio entre ejes y títulos de ejes
- Cambiar la estética de los títulos de Axis
- Cambiar la estética del texto del eje
- Texto del eje de rotación
- Eliminar texto de eje y marcas
- Eliminar títulos de eje
- Límite del rango del eje
- Forzar el trazado para que comience en el origen
- Ejes con la misma escala
- Usar una función para modificar etiquetas
UNIDAD DIDÁCTICA 3. TÍTULOS
- Añade un título
- Ajustar la posición de los títulos
- Use una fuente no tradicional en su título
- Cambiar espaciado en texto de varias líneas
UNIDAD DIDÁCTICA 4. LEYENDAS
- Trabajando con leyendas
- Apaga la leyenda
- Eliminar títulos de leyenda
- Cambiar la posición de la leyenda
- Cambiar la dirección de la leyenda
- Cambiar el estilo del título de la leyenda
- Cambiar título de leyenda
- Cambiar el orden de las claves de leyenda
- Cambiar etiquetas de leyenda
- Cambiar cuadros de fondo en la leyenda
- Cambiar el tamaño de los símbolos de leyenda
- Dejar una capa fuera de la leyenda
- Adición manual de elementos de leyenda
- Usar otros estilos de leyenda
UNIDAD DIDÁCTICA 5. FONDOS Y LÍNEAS DE CUADRÍCULA
- Cambiar el color de fondo del panel
- Cambiar líneas de cuadrícula
- Cambiar el espaciado de las líneas de cuadrícula
- Cambiar el color de fondo de la trama
UNIDAD DIDÁCTICA 6. MÁRGENES
- Trabajar con márgenes
UNIDAD DIDÁCTICA 7. GRÁFICOS DE PANELES MÚLTIPLES
- Trabajar con gráficos de paneles múltiples
- Crear múltiplos pequeños basados en una variable
- Permitir que los ejes deambulen libremente
- Uso facet_wrapcon dos variables
- Modificar el estilo de los textos de la tira
- Crear un panel de diferentes parcelas
UNIDAD DIDÁCTICA 8. COLORES
- Trabajar con colores
- Especificar colores individuales
- Asignar colores a las variables
- Variables Cualitativas
- Seleccionar manualmente colores cualitativos
- Utilice paletas de colores cualitativas integradas
- Use paletas de colores cualitativos de paquetes de extensión
- Variables Cuantitativas
- La paleta de colores Viridis
- Usar paletas de colores cuantitativas de paquetes de extensión
- Modificar paletas de colores después
UNIDAD DIDÁCTICA 9. TEMAS
- Cambiar el estilo de trazado general
- Cambiar la fuente de todos los elementos de texto
- Cambiar el tamaño de todos los elementos de texto
- Cambiar el tamaño de todos los elementos de línea y rectángulo
- Crea tu propio tema
- Actualizar el tema actual
UNIDAD DIDÁCTICA 10. LÍNEAS
- Agregar líneas horizontales o verticales a un gráfico
- Agregar una línea dentro de un gráfico
- Agregar líneas curvas y flechas a un gráfico
UNIDAD DIDÁCTICA 11. TEXTO
- Agregue etiquetas
- Agregar anotaciones de texto
- Use Markdown y HTML Rendering para anotaciones
UNIDAD DIDÁCTICA 12. COORDENADAS
- Voltear una parcela
- arreglar un eje
- Invertir un eje
- Transformar un eje
- Circularizar una parcela
UNIDAD DIDÁCTICA 13. TIPOS DE GRÁFICOS
- Alternativas a un diagrama de caja
- Crear una representación de alfombra en un gráfico
- Crear una matriz de correlación
- Crear un gráfico de contorno
- Crear un mapa de calor
- Crear un diagrama de cresta
UNIDAD DIDÁCTICA 14. CINTAS
- Trabajar con cintas (AUC, CI, etc.)
UNIDAD DIDÁCTICA 15. SUAVIZADOS
- Predeterminado: agregar un suavizado LOESS o GAM
UNIDAD DIDÁCTICA 16. GRÁFICOS INTERACTIVOS
- Trabajar con gráficos interactivos
MÓDULO 7. ANALÍTICA WEB
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA ANALÍTICA WEB
- ¿Qué es la analítica web?
- Establecimiento de objetivos y KPIs
- Métricas principales y avanzadas
- Objetivos y ventajas de medir
- Plan de medición
UNIDAD DIDÁCTICA 2. GOOGLE ANALYTICS 4
- Introducción a Google Analytics 4
- Interfaz
- Métricas y dimensiones
- Informes básicos
- Filtros
- Segmentos
- Eventos
- Informes personalizados
- Comportamiento de los usuarios e interpretación de datos
UNIDAD DIDÁCTICA 3. GOOGLE TAG MANAGER
- Introducción a GTM
- Implementación con GTM
- Medición con GTM
- Uso de Debug/Preview Mode
UNIDAD DIDÁCTICA 4. MODELOS DE ATRIBUCIÓN
- La atribución
- Multicanalidad
- Customer Journey
- Principales modelos de atribución
- Modelos de atribución personalizados
UNIDAD DIDÁCTICA 5. CREACIÓN DE DASHBORAD CON GOOGLE DATA STUDIO
- Planificación del Dashboard
- Características del Dashboard
- Introducción a Data Studio
- Conectores
- Tipos de gráficos
- Personalización de informes
- Elementos de control
- Dimensiones y métricas
- Campos Calculados
- Compartir informes
UNIDAD DIDÁCTICA 6. ANALÍTICA WEB ORIENTADA AL SEO
- Introducción al SEO
- Historia de los motores de búsqueda
- Componentes de un motor de búsqueda
- Organización de resultados en un motor de búsqueda
- La importancia del contenido
- El concepto de autoridad en Internet
- Campaña SEO
UNIDAD DIDÁCTICA 7. ANALÍTICA WEB ORIENTADA AL SEM
- Introducción al SEM
- Principales conceptos en SEM
- Sistema de pujas y Calidad del anuncio
- Primer contacto con Google Ads
- Creación de anuncios con calidad
- Indicadores clave de rendimiento en SEM
UNIDAD DIDÁCTICA 8. ANALÍTICA WEB ORIENTADA A LAS REDES SOCIALES
- Análisis del tráfico en redes sociales
- Fijar objetivos en redes sociales
- Youtube
- Tik tok
UNIDAD DIDÁCTICA 9. TÉCNICAS Y ESTRATEGIAS
- Usabilidad
- Mapas de calor
- Grabaciones de sesiones de usuario
- Ordenación de tarjetas
- Test A/B
- Test multivariante
- KPI, indicadores clave de rendimiento
- Cambios a realizar para optimizar una página web
UNIDAD DIDÁCTICA 10. OTRAS HERRAMIENTAS PARA ANALÍTICA WEB
- Hotjar
- Microsoft Power BI
- Google Search Console
- Matomo
- Awstats
- Chartbeat
- Adobe Analytics
UNIDAD DIDÁCTICA 11. COOKIES Y TECNOLOGÍAS DE SEGUIMIENTO
- ¿Qué son las cookies?
- Tipos de cookies
- GDPR
- Herramientas para manejar el consentimiento de cookies
MÓDULO 8. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL)
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
- Introducción a la inteligencia artificial
- Historia
- La importancia de la IA
UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL
- Tipos de inteligencia artificial
UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL
- Algoritmos aplicados a la inteligencia artificial
UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA
- Relación entre inteligencia artificial y big data
- IA y Big Data combinados
- El papel del Big Data en IA
- Tecnologías de IA que se están utilizando con Big Data
UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS
- Sistemas expertos
- Estructura de un sistema experto
- Inferencia: Tipos
- Fases de construcción de un sistema
- Rendimiento y mejoras
- Dominios de aplicación
- Creación de un sistema experto en C#
- Añadir incertidumbre y probabilidades
UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL
- Futuro de la inteligencia artificial
- Impacto de la IA en la industria
- El impacto económico y social global de la IA y su futuro
UNIDAD DIDÁCTICA 7. INTRODUCCIÓN AL MACHINE LEARNING
- Introducción
- Clasificación de algoritmos de aprendizaje automático
- Ejemplos de aprendizaje automático
- Diferencias entre el aprendizaje automático y el aprendizaje profundo
- Tipos de algoritmos de aprendizaje automático
- El futuro del aprendizaje automático
UNIDAD DIDÁCTICA 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
- Introducción
- Algoritmos
UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN
- Introducción
- Filtrado colaborativo
- Clusterización
- Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 10. CLASIFICACIÓN
- Clasificadores
- Algoritmos
UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING
- Componentes
- Aprendizaje
UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN
- Introducción
- El proceso de paso de DSS a IDSS
- Casos de aplicación
UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
- Aprendizaje profundo
- Entorno de Deep Learning con Python
- Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES
- Redes neuronales
- Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA
- Perceptrón de una capa y multicapa
- Ejemplo de perceptrón
UNIDAD DIDÁCTICA 16. REDES MULTICAPA
- Tipos de redes profundas
- Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 17. ESTRATEGIAS DE APRENDIZAJE
- Entrada y salida de datos
- Entrenar una red neuronal
- Gráficos computacionales
- Implementación de una red profunda
- El algoritmo de propagación directa
- Redes neuronales profundas multicapa
MÓDULO 9. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN
- ¿Qué es PLN?
- ¿Qué incluye el PLN?
- Ejemplos de uso de PLN
- Futuro del PLN
UNIDAD DIDÁCTICA 2. PLN EN PYTHON
- PLN en Python con la librería NLTK
- Otras herramientas para PLN
UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN
- Principios del análisis sintáctico
- Gramática libre de contexto
- Analizadores sintácticos (Parsers)
UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN
- Aspectos introductorios del análisis semántico
- Lenguaje semántico para PLN
- Análisis pragmático
UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN
- Aspectos introductorios
- Pasos en la extracción de información
- Ejemplo PLN
- Ejemplo PLN con entrada de texto en inglés
UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?
- Aspectos introductorios
- ¿Qué es un chatbot?
- ¿Cómo funciona un chatbot?
- VoiceBots
- Desafios para los Chatbots
UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS
- Chatbots y el papel de la Inteligencia Artificial (IA)
- Usos y beneficios de los chatbots
- Diferencia entre bots, chatbots e IA
UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS
- Áreas de aplicación de Chatbots
- Desarrollo de un chatbot con ChatterBot y Python
- Desarrollo de un chatbot para Facebook Messenger con Chatfuel
MÓDULO 10. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV
UNIDAD DIDÁCTICA 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES
- La visión artificial: definiciones y aspectos principales
UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL
- Ópticas
- Iluminación
- Cámaras
- Sistemas 3D
- Sensores
- Equipos compactos
- Metodologías para la selección del hardware
UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL
- Algoritmos
- Software
- Segmentación e interpretación de imágenes
- Metodologías para la selección del software
UNIDAD DIDÁCTICA 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0
- Aplicaciones clásicas: discriminación, detección de fallos…
- Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)
UNIDAD DIDÁCTICA 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV
- Descripción general OpenCV
- Instalación OpenCV para Python en Windows
- Instalación OpenCV para Python en Linux
- Anaconda y OpenCV
UNIDAD DIDÁCTICA 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS
- Manejo de archivos
- Leer una imagen con OpenCV
- Mostrar imagen con OpenCV
- Guardar una imagen con OpenCV
- Operaciones aritméticas en imágenes usando OpenCV
- Funciones de dibujo
UNIDAD DIDÁCTICA 7. TRATAMIENTO DE IMÁGENES
- Redimensión de imágenes
- Erosión de imágenes
- Desenfoque de imágenes
- Bordeado de imágenes
- Escala de grises en imágenes
- Escalado, rotación, desplazamiento y detección de bordes
- Erosión y dilatación de imágenes
- Umbrales simples
- Umbrales adaptativos
- Umbral de Otsu
- Contornos de imágenes
- Incrustación de imágenes
- Intensidad en imágenes
- Registro de imágenes
- Extracción de primer plano
- Operaciones morfológicas en imágenes
- Pirámide de imágen
UNIDAD DIDÁCTICA 8. HISTOGRAMAS Y TEMPLATE MATCHING
- Analizar imágenes usando histogramas
- Ecualización de histogramas
- Template matching
- Detección de campos en documentos usando Template matching
UNIDAD DIDÁCTICA 9. COLORES Y ESPACIOS DE COLOR
- Espacios de color en OpenCV
- Cambio de espacio de color
- Filtrado de color
- Denoising de imágenes en color
- Visualizar una imagen en diferentes espacios de color
UNIDAD DIDÁCTICA 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS
- Detección de líneas
- Detección de círculos
- Detectar esquinas (Método Shi-Tomasi)
- Detectar esquinas (método Harris)
- Encontrar círculos y elipses
- Detección de caras y sonrisas
UNIDAD DIDÁCTICA 11. APRENDIZAJE AUTOMÁTICO
- Vecino más cercano (K-Nearest Neighbour)
- Agrupamiento de K-medias (K-Means Clustering)
MÓDULO 11. PROYECTO FIN DE MASTER
¿Con quién vas a aprender? Conoce al claustro
Rafael Marín
Ingeniero técnico en Informática de Sistemas por la Universidad de Granada (UGR), con un Curso Superior en Ciberseguridad, Business Intelligence y Big Data. Apasionado de la informática y de las nuevas tecnologías, cuenta con 10 años de experiencia y vocación en el ámbito TIC y la programación de software. Experto en Desarrollo web, Programación de aplicaciones, Análisis de datos, Big Data, Ciberseguridad y Diseño y experiencia de usuario (UX/UI).
Bibiana Moreno Leyva
CEO de EducaLMS, proyecto de innovación educativa. Técnica superior en Desarrollo de Aplicaciones Informáticas. Cuenta con más de seis años de experiencia profesional en la coordinación de análisis de aplicaciones multiplataforma y cinco años en desarrollo de aplicaciones web con distintas infraestructuras.
Daniel Rodriguez
Licenciado en Ingeniería Técnica en Informática de Sistemas. Cuenta con más de 10 años de experiencia en el desarrollo y soporte de la aplicación corporativa integral de gestión de matrículas y expedientes académicos, tutorización, facturación, logística, seguimiento del alumnado, así como gestión de grupos y convocatorias de formación.
Experto en desarrollado en aplicaciones web, servicios web, APIs e informes de Crystal Reports, dominando base de datos y lenguajes como Transact-SQL. Realiza las funciones propias de un FullStack Developer, siendo especialista en ASP.NET, jQuery, CSS (Bootstrap, Sass) y web services. Además, cuenta con gran experiencia en desarrollo de proyectos en equipo, resolución de problemas y formación de personas de prácticas en la incorporación a un puesto de trabajo.
Isaías Aranda Cano
Grado Superior en Administración de Sistemas Informáticos. Especialista en ciberseguridad y en el diseño, implementación y gestión de servicios en la nube (Google, AWS, Azure,). Certificado en ITIL V3.
Más de 15 años de experiencia implementando y gestionando tecnologías en alta disponibilidad Open Source.
Juan Antonio Cortés Ibáñez
Graduado en Ingeniería Informática por la UGR con Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores por la UGR. Doctorando en Tecnologías de la Información por la UGR. Cuenta con amplia experiencia como Científico de datos en el Repsol Technology Lab y en el sector de la docencia.
Metodología
EDUCA LXP se basa en 6 pilares
Distintiva
EDUCA EDTECH Group es proveedor de conocimiento. Respaldado por el expertise de nuestras instituciones educativas, el alumnado consigue una formación relevante y avalada por un sello de calidad como es el grupo EDUCA EDTECH.
Realista
La metodología EDUCA LXP prescinde de conocimientos excesivamente teóricos o de métodos prácticos poco eficientes. La combinación de contenidos en constante actualización y el seguimiento personalizado durante el proceso educativo hacen de EDUCA LXP una metodología única.
Student First
La metodología EDUCA LXP y la formación del grupo EDUCA EDTECH conciben al estudiante como el centro de la experiencia educativa, nutriéndose de su retroalimentación. Su feedback es nuestro motor del cambio.
Inteligencia Artificial
La personalización en el aprendizaje no sería posible sin una combinación precisa entre experiencia académica e investigación tecnológica, así como la Inteligencia Artificial. Por eso contamos con herramientas IA de desarrollo propio, adaptadas a cada institución educativa del grupo.
Profesionales en activo
Nuestro equipo de profesionales docentes, además de ser especialistas en su sector, cuentan con una formación específica en el manejo de herramientas tecnológicas que conforman el ecosistema EDUCA EDTECH.
Timeless Learning
La formación debe ser una experiencia de vida, concibiendo el e-learning como una excelente solución para los desafíos de la educación convencional. Entendemos el aprendizaje como un acompañamiento continuo del estudiante en cada momento de su vida.
Titulación
INESEM Business School se ocupa también de la gestión de la Apostilla de la Haya, previa demanda del estudiante. Este sello garantiza la autenticidad de la firma del título en los 113 países suscritos al Convenio de la Haya sin necesidad de otra autenticación. El coste de esta gestión es de 65 euros. Si deseas más información contacta con nosotros en el 958 050 205 y resolveremos todas tus dudas.
¿Qué dicen de INESEM los que han realizado el master?
Me decidí por el curso por el prestigio de Inesem y por el temario. Tras realizarlo, puedo afirmar que ha sido una formación excelente para profundizar en este ámbito y considero que es una de las mejores en calidad- precio.
Tanto el precio como las salidas profesionales jugaron un papel importante a la hora de decidirme por este master. La plataforma es muy completa e intuitiva. He aprendido multitud de de conocimientos que me servirán mucho en el futuro, incluyendo en esto las dos partes: Big Data e Inteligencia Empresarial. Mi experiencia ha sido muy positiva.
Este master me ha servido para especializarme y profundizar en el Big Data orientado a los negocios digitales. Lo que más me ha gustado ha sido el contenido teórico y las herramientas que te facilitan. Al finalizar hice las prácticas en una empresa que ellos mismos me asignaron, lo que me ayudó mucho a poner en práctica lo aprendido y a coger experiencia.
También podría interesarte...
Otras Acciones Formativas relacionadas
Explora nuestras Áreas Formativas
Construye tu carrera profesional
Descubre nuestro amplio Catálogo Formativo, incluye programas de Cursos Superior, Expertos, Master Profesionales y Master Universitarios en las diferentes Áreas Formativas para impulsar tu carrera profesional.
Máster en Big Data y Business Intelligence. Data Science
100% Online
12 Meses
Flexibilidad horaria