Programa del Máster en Business Intelligence y Big Data de EOI

Programa del Máster en Business Intelligence y Big Data de EOI:

FUNDAMENTOS DE BI, BA Y BIG DATA

  • Definición, componentes y tipología de sistemas de inteligencia de negocio.
  • Contextualización y diseño de sistemas de inteligencia de negocio.
  • Diseño de informes, cuadros de mando e indicadores.
  • Fuentes y calidad de los datos.
  • El business case de una iniciativa de inteligencia de negocio.

ESTRATEGIA Y GESTIÓN BASADA EN DATOS

  • Fundamentos de la dirección estratégica. La información como base del análisis estratégico.
  • Análisis del entorno competitivo, sectorial y particular para toma de decisiones.
  • La inteligencia competitiva.
  • Definición de la estrategia: diseño y simulación de estrategias alternativas.
  • Implantación y seguimiento de la estrategia. Definición de indicadores clave (KPI’s).

HERRAMIENTAS I

  • Herramientas auxiliares: instalación y gestión de máquinas virtuales con VirtualBox, Amazon.
  • WorkSpaces y uso de la línea de comandos en un entorno Linux.
  • El lenguaje de programación Python.
  • El entorno Jupyter Notebook.
  • Librerías para el análisis de datos: Numpy, Pandas y Matplotlib.
  • Introducción a las bases de datos relacionales: nociones básicas del modelo relacional.
  • SQL Introducción.
  • Introducción a XML y JSON como formatos de datos usando Python.

FUNDAMENTOS DE IN

  • DW: qué es y conceptos básicos.
  • Arquitecturas de referencia y diseño: data marts y data warehousing.
  • Multidimensionalidad y su tipología. OLAP/MOLAP/ROLAP.
  • Esquema de bases de datos: desnormalización y multidimensionalidad.
  • Diseño de data warehouses. Elementos hardware y software.
  • Herramientas de extracción, transformación y carga – ETL.
    Lenguaje de consulta analítico: MDX vs. SQL.
  • Manipulación, análisis y visualización de datos: visor OLAP y funciones básicas.

MEDICIÓN DE NEGOCIO Y VISUALIZACIÓN

  • Introducción a la analítica de negocio.
  • Medición del negocio.
  • Visualización de datos.

INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO Y MINERÍA DE DATOS

  • Aprendizaje supervisado y no supervisado.
  • Clustering y clasificación. Técnicas y medidas de calidad.
  • Herramientas de aprendizaje automático, visualización.
  • El ciclo de la minería de datos.

ANÁLISIS DE REDES SOCIALES

  • Fundamentos para el estudio, medida e investigación de redes sociales.
  • Tratamiento, visualización y análisis de grandes redes.
  • Herramientas de visualización de redes sociales.
  • Tecnologías para el análisis y acceso a datos en la web de los datos.

TECNOLOGÍAS DE ALMACENAMIENTO ESCALABLE

  • Introducción a las bases de datos NoSQL: origen, evolución y contexto histórico.
  • Persistencia políglota: escoger el modelo de datos más adecuado para cada problema.
  • Modelos de agregación: características, tipos, consideraciones de diseño y casos de uso.
  • Modelos en grafo: características, consideraciones de diseño y casos de uso.
  • Sistemas distribuidos: definición, tipos, estrategias de distribución y consistencia de datos.
  • (ACID vs BASE).
    Ejercicios y ejemplos usando bases de datos NoSQL: MongoDB y Neo4J.

MINERÍA DE TEXTO Y ENLACES EN LA WEB

  • Fundamentos teóricos, técnicas y aplicaciones prácticas del PLN.
  • Librerías y herramientas de NLP (NLTK, Brad, Gate).
  • Soluciones NLP (Análisis de Sentimiento, Text Mining de datos web, Asistente Virtual).

METODOLOGÍA DE PROYECTOS

  • Ideas de modelos de negocio.
  • Formación de grupos de trabajo y asignación tutores para proyecto fin de máster.

PARALELIZACIÓN DE DATOS

  • Procesamiento paralelo y ecosistema Hadoop.
  • Procesamiento paralelo bajo arquitectura Hadoop. MapReduce.
  • Mecanismos de explotación de la información en entornos distribuidos.
  • Hadoop.

ADQUISICIÓN DE DATOS EN TIEMPO REAL

  • Introducción y conceptos básicos.
  • Arquitectura general de un proyecto IoT.
  • Plataformas IoT y Big Data.
  • Ejemplos y casos de uso.

HERRAMIENTAS II

  • Introducción al lenguaje de programación R:
    El entorno RStudio.
  • Introducción al lenguaje R y su aplicación a la estadística.

ESTUDIO DE CASOS

  • Analítica Financiera.
  • Análisis de Clientes.
  • Analítica de Marketing.
  • Análisis de Datos Abiertos.
  • Analítica de Operaciones

Volver al Listado de Másteres de Big Data