Máster en Data Science

Orientado al empleo

100% práctico. Este máster ha sido diseñado por profesionales en activo y organizado de una manera muy práctica utilizando las tecnologías y necesidades que requiere el entorno empresarial. El objetivo es que el alumno pueda ser un activo importante en cualquier empresa nada más terminar el máster.

DESCRIPCIÓN Y OBJETIVOS

El fenómeno del Big Data no solo ha revolucionado las empresas, sino las listas de los perfiles más buscados por las mismas. Y es que estos grandes volúmenes de información requieren de profesionales que los sepan manejar, analizar e interpretar para servir a los objetivos de negocio.

LinkedIn, en su lista sobre los 25 profesionales más demandados en 2014, ya incluye al Data Scientist en cabeza, y McKinsey calcula que, para 2018, EEUU puede llegar a enfrentarse a un grave problema de escasez de este tipo de profesionales con habilidades para el análisis y la gestión, con el know-how para utilizar el análisis de grandes datos y tomar decisiones estratégicas de negocio.

Aunque la tendencia actual sea la búsqueda de perfiles bien con estudios en estadística o bien puramente técnicos, las empresas necesitarán estos perfiles especializados que combinen la analítica y la estrategia, por lo que la formación en esta disciplina puede convertirse en un valor diferencial para acceder a estos puestos en un futuro muy cercano.
El objetivo del máster es que aprendas el ciclo de Data Science completo: desde los datos en bruto, hasta la elaboración de dashboards, pasando por machine learning y la aplicación de métodos estadísticos en la resolución de problemas habituales del Data Science.

Al finalizar el máster serás capaz de convertir datos en productos y servicios mediante el uso de las herramientas estadísticas más habituales en el mundo del Data Science. Sabrás escribir tu propio código para analizar ingentes cantidades de datos, así como aplicar las técnicas del machine learning a estos datos usando Spark.

Una de las claves del Data Scientist es la comunicación, por ello, tras cursar el máster, sabrás cómo desarrollar dashboards interactivos para presentar la información que han extraído de los datos usando R, Spark y otras herramientas.

Tras este máster, estarás preparado para optar a puestos de Data Scientist, Business Intelligence, Business Analyst, y en general cualquier puesto que requiera ser capaces de analizar datos, especialmente los relacionados con Big Data.

Descarga toda la info en .PDF

DIFERENCIA ENTRE BIG DATA Y DATA SCIENCE

Big Data hace referencia a las estrategias de Ingeniería del Software para el diseño e implementación de sistemas escalables intensivos en datos. Por tanto Big Data se centra en el desarrollo de software capaz de gestionar grandes cantidades de datos (Volumen), datos que se generan en tiempo real y/o que necesitan ser procesados para dar una respuesta en tiempo real (Velocidad), y datos con una estructura diversa (Variedad).

El objetivo de Big Data es construir la infraestructura que soporte la escalabilidad horizontal y los tiempos de respuesta adecuados según el proyecto concreto. Sobre esas arquitecturas, se desarrollarán posteriormente los procesos analíticos de datos para extraer valor de los datos por parte de los Data Scientist.

Big Data y Data Science, por lo tanto, son dos campos diferentes y complementarios. Existirán proyectos Big Data donde el objetivo será hacer escalable un sistema que actualmente no lo es y que por tanto no requiera estrategias de Data Science. También existirán proyectos donde será necesario analizar de forma inteligente ciertos datasets pero que no se requiera el potencial de las tecnologías Big Data. Y por último, existirán proyectos donde se necesite la construcción de sistemas Big Data escalables y aplicar sobre esas infraestructuras, algoritmos inteligentes de Data Science para extraer el auténtico valor de los datos.

Descarga toda la info en .PDF

PERFIL DEL ALUMNO Y SALIDAS PROFESIONALES

El máster va dirigido a cualquier persona que quiera convertirse en un Data Scientist, aunque por su alto contenido técnico, serán necesarios conocimientos de programación y de estadística previos.

Se recomienda haber realizado alguna introducción a la programación en cualquier lenguaje.

Los alumnos deberán haber usado Linux o algún otro sistema Unix, y conocer la línea de comandos.
Tras este máster, estarás preparado para optar a puestos de Data Scientist, Business Intelligence, Business Analyst, y en general cualquier puesto que requiera ser capaces de analizar datos, especialmente los relacionados con Big Data.

Descarga toda la info en .PDF

MÓDULOS PREVIOS: INTRODUCCIÓN AL DATA SCIENCE

Si tu objetivo es convertirte en un científico de datos, pero a día de hoy no tienes el perfil adecuado para cursar nuestro Máster en Data Science, ¡empecemos desde el principio! Para ayudarte a conseguirlo hemos creado dos módulos temáticos introductorios que te ayudarán a conseguir la base de conocimientos mínimos necesaria para el máster.

Estos programas han sido creados por los profesores del máster, pero son independientes a él: en función de tu perfil, puedes cursar los dos, sólo programación, sólo estadística o meterte de lleno en el máster. Tú decides.

Descarga toda la info en .PDF

REQUISITOS TÉCNICOS Y BIBLIOGRAFÍA RECOMENDADA

Los estudiantes necesitaréis un portátil funcionando con Linux. Si tienes un…

Ordenador con Linux nativo instalado: ¡sin problemas! será suficiente para seguir el curso.
Ordenador con Windows Instalado (No instalado Linux nativo) o MAC: necesitarás un portátil con mínimo con 8 GB de RAM y suficiente espacio libre en disco (mínimo 50-100 GB). Y procesador Intel I5 mínimo. Esto es porque si no tienes Linux nativo en tu portátil vamos a usar máquinas virtuales, y una máquina virtual solo funcionará bien si hay suficientes recursos.

Tanto si cumples con el perfil del alumno, como si necesitas ponerte al día para llegar a él, te recomendamos los siguientes títulos. Su lectura no es necesaria ni obligatoria, pero si te ayudarán a adelantar conocimientos y aprovechar mejor las clases.

“Linux para Principiantes: Una Introducción al Sistema Operativo Linux y la Línea de Comandos” Jason Cannon (Edición Kindle).
“Guía de bolsillo de Linux” Daniel J. Barret (Anaya Multimedia/O’Reilly).
“Data Science for Business” Foster Provost, Tom Fawcett (O’Reilly).
“Python for Data Analysis” Wes McKinney (O’Reilly).
“Machine Learning for Hackers” Drew Conway, John Myles White (O’Reilly).
“Estadística Básica” Guillermo Ayala Gallego
“Mining of Massive Datasets” Rajaraman, Anand, Ullman, Jeffrey David (Cambridge University Press).

Descarga toda la info en .PDF

TEMARIO

El temario de este programa se desarrolla en los siguientes módulos:
Introducción al Data Science - 20 horas
¿Qué es el Data Science? ¿Por qué es importante? ¿Quiénes son los profesionales que se dedican a ello?

Preparar el entorno de trabajo: GitHub

Introducción a la línea de comandos.

Introducción a Base de Datos.

Csvtoolkit.

Bases de Datos SQL, PostgreSQL.
Lenguajes para Data Hacking - 45 horas
Introducción a Python y Jupiter Notebook

Numpy, Pandas, Dataframes y Matplotlib

Caso práctico: El Data Science Challenge.

Metodologías de modelado. Visión global.
Inteligencia Artíficial (IA) - 100 horas
Machine Learning y Estadística

Introducción a R.

Importación y recolección de datos con R.

Manejo y limpieza de datos con R.

Visualización de datos con R.

Estadística con R.

Aprendizaje supervisado.

Aprendizaje no supervisado.

Series temporales.

Data Engineering con R.

Introducción a Sistemas de Recomendación.

Árboles y bosques. K-vecinos

Maquinas de vector soporte (SVM). Gradient boosting machines.

Modelos bayesianos y regularización. Lasso y regression “ridge”.

Procesamiento de lenguaje natural

Introducción a los sistemas de recomendación

Creación de cuadros de mando con Shiny

Procesamiento de Lenguaje Natural (NLP)

Introducción al Procesamiento del Lenguaje Natural.

Herramientas de Unix para procesamientos de texto.

Acceso a recursos lingüísticos y colecciones de datos.

Librerías de NLP en Python: NLTK, TextBlob y spaCy.

Deep Learning

Introducción a Deep Learning: Python, Keras y Tensorflow.

Construcción de modelos predictivos basados en redes neuronales.
Diseño de Productos de Datos - 5 horas
Big Data - 25 horas
Spark

R
Visualización - 20 horas
Introducción a Tableau y visualización

Tableau y visualización

D3.js

Visualizaciones avanzadas

Aplicaciones reales de Data Science: Casos de Negocio

Customer Analytics: Segmentación de Clientes mediante el modelo RFM.

Marketing Digital: Aplicación de diseño de Experimentos.

Supply Chain Value: Forecasting de demanda para planificar la producción.

Business Intelligence: Introducción a las Métricas Robustas.
Aplicaciones reales de Data Science: Casos de Negocio - 5 horas
Customr Analytics

Marketing Digital

Supply Chain Value

Business Intelligence
Tutorías - 5 horas

Descarga toda la info en .PDF

V-S quedan 17 plazas

Quiero apuntarme

UBICACIÓN DE LAS CLASES

OFICINA COMERCIAL KSCHOOL

MÁSTER DE DATA SCIENCE EN OTRAS CIUDADES

Nuestra formación es presencial para que puedas aprender al máximo y enriquecerte del networking con profesores y el resto de alumnos. Si no resides cerca de Madrid, también tenemos disponible el Máster de Data Science en Barcelona. Echa un vistazo a las fechas y los profesores.

Consulta el Máster de Data Science en Barcelona

KSCHOOL EMPLEO

En KSchool tenemos KSchool Empleo, una la plataforma de empleo digital exclusiva para nuestros alumnos donde diariamente se publican ofertas de empleo sólo para nuestros alumnos. Podrás recibir ofertas laborales y de prácticas, de empresas nacionales e internacionales, y en cualquier provincia. Se trata de un servicio gratuito y vitalicio, así que podrás seguir utilizándola para avanzar en tu carrera profesional siempre que quieras.

Gracias a la gran preparación con la que salen nuestros alumnos, cada vez son más las empresas que recurren a nosotros para buscar profesionales altamente cualiﬁcados en cualquiera de las áreas de inﬂuencia de nuestra formación.