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