Dades bàsiques
Crèdits
60 ECTS
Tipologia
Màster
Idioma
Castellà
Dates
17/3/2026 - 15/3/2027
Modalitat
Online
Preu
6.450 €
(El preu inclou les taxes administratives de la Universitat de Barcelona)
Matrícula oberta
Hores bonificades
750 h. (Hores per poder realitzar el càlcul de la bonificació a empreses)
Presentació
S’estima que cada minut s’envien més de 240 milions de correus electrònics, es fan més de 6 milions de cerques a Google i es consumeixen més de 500 hores de contingut a YouTube. Aquest creixement exponencial reflecteix com la generació de dades ha esdevingut un element estructural de l’economia digital. En un dia es generen més dades de les que han existit en els darrers 20 anys.
Segons el World Economic Forum, els perfils relacionats amb la ciència de dades i la intel·ligència artificial es troben entre els 10 llocs de treball amb més creixement a escala mundial, amb increments superiors al 30 % anual a moltes regions. A més, hi ha informes de LinkedIn que mostren clarament que és una de les professions del futur, amb un augment del 90 % en la publicació d’ofertes de feina relacionades directament amb el món de les dades.
És per això que el Màster en Big Data & Data Science té un enfocament totalment pràctic, orientat a l’entorn professional, amb docents en actiu a diferents empreses.
Dins d’aquesta formació aprendràs a fer servir big data, analitzant grans volums de dades, i a desenvolupar models de machine learning i intel·ligència artificial capaços de predir comportaments, automatitzar processos i donar suport a la presa de decisions en entorns reals de negoci.
A més, aprendràs a fer servir eines imprescindibles i àmpliament utilitzades al mercat professional com Hadoop i Spark per al processament distribuït de dades, bases de dades SQL i NoSQL per a l’emmagatzematge i la gestió d’informació, així com tecnologies per al desenvolupament de models de machine learning i intel·ligència artificial amb deep learning.
Aquest màster també inclou l’ús d’entorns cloud com AWS i Google Cloud, eines de control de versions com GitHub i llenguatges de programació clau en ciència de dades com Python i R, que actualment són estàndards a la indústria. Veuràs també la gestió del MLOps per a la productivització dels models predictius.
El programa està desenvolupat i impartit per experts procedents de grans companyies amb experiència directa en projectes reals d’analítica avançada i intel·ligència artificial.
Si busques un màster en data science i IA amb un enfocament pràctic, orientat al big data i a les tecnologies més sol·licitades al mercat, centrat en el desenvolupament de perfils professionals capaços de treballar com a data scientist o especialista en analítica avançada i intel·ligència artificial, aquest és el teu màster.
Objectius
- Realitzaràs casos reals aplicant tècniques de Data Science.
- Assoliràs un elevat coneixement en visualització de dades i data digital.
- Sabràs extreure informació rellevant per a lempresa a partir de laplicació de tècniques de Data Science i aprendràs a realitzar un eficient web scraping.
- Aprendràs a desenvolupar els algoritmes com Xarxes Neuronals, Deep Learning i algoritmes avançats de Machine Learning.
- Assoliràs coneixements profunds i avançats de programació en R i Python.
- Treballaràs i desenvoluparàs treballs en SQL, MongoDB, Spark i Hadoop.
- Milloraràs en leficiència del temps amb metodologies com Agile o Scrum.
Tres raons per escollir-lo
- El programa està dissenyat i estructurat perquè l’alumne obtingui un coneixement total per implementar i coordinar un departament de data science i IA en entorns de big data, així com l’ús de les últimes eines.
- Està creat i impartit per experts de gran nivell, amb una metodologia pràctica, enfocada a la realitat i a les necessitats de les empreses.
- Adquiriràs tots els coneixements amb les eines més sol·licitades al mercat laboral, potenciaràs el coneixement de les dades i aconseguiràs tenir una visió transversal que revolucionarà la teva perspectiva actual en la presa de decisions.
COL·LABORADORS
Acreditació acadèmica
Màster de Formació Permanent en Big Data & Data Science per la Universitat de Barcelona.
Curs propi dissenyat segons les directrius de l'Espai Europeu d'Educació Superior i equivalent a 60 crèdits ECTS.
Programa
1. Eines de big data
1.1. Emmagatzematge de grans volums de dades: data mark, data lakes, definició big data, SQL, noSQL i processament escalable: Hadoop, MapReduce i Spark
1.2. Eines al cloud: serveis al núvol. Diferències entre IaaS, PAAS i SaaS. Google Cloud, Azure, Amazon Web Services
1.3. Monitoratge i control. Control de versions: Git o SVVN. Avantatges i inconvenients d'utilitzar GitHub. Alternatives a GitHub
1.4. Eines d'anàlisi: programació en R i programació en Python
1.5. Eines de visualització: Power BI i Power Query (Microsoft Office Excel), Qlik i Tableau
2. Fonaments d'Estadística
2.1. Introducció a l'Estadística: concepte d'Estadística. conceptes bàsics: població, mostra, variable estadística...
2.2. Estadística Descriptiva Unidimensional: Distribució de freqüències, mètodes gràfics, taules estadístiques. Mesures de posició, dispersió, forma i concentració. Gràfics.
2.3. Estadística Descriptiva Bidimensional: Distribució de freqüències bidimensionals. Taules estadístiques de doble entrada. Mètodes gràfics.
2.4. Regressió i Correlació: Línia general de regressió. Correlació. Regressió no-lineal. Correlació entre atributs. Coeficient Sperman, Kendall i Chi-quadrat.
2.5. Introducció al Càlcul de Probabilitats: Atzar i probabilitat. Definicions i propietats. Probabilitat condicionada i independència. Teorema de Bayes i probabilitat total.
3. Data Management & Data Digital
3.1. Digital data: Fonts de dades externes oficials (INE, EUROSTAT...)
3.2. Google Analytics. Social analytics: Hootsuite, Twitter analytics i Facebook insights
3.3. Web scrapping. Ús de correu brossa
3.4. Data management. Govern de les dades. Ètica i lleis
3.5. Data cooking. Preparació de les dades: selecció, transformació i codificació
3.6. Data discovery: creació de noves mètriques (KPI, insights), discretització de variables
3.7. Data quality: tècniques avançades de detecció d'outliers, valors missing, imputació
3.8. Mostreig: probabilístic, aleatori, estratificat i sistemàtic
4. Tècniques avançades de Data Mining
4.1. Anàlisi multivariant: estimació, contrast d'hipòtesis i intervals de confiança
4.2. Anàlisi de components principals (PCA) i factorial
4.3. Anàlisi discriminant: elecció de variables (forward, backward, stepwise)
4.4. Anàlisi clúster: algoritmes de classificació jeràrquica i no jeràrquica
4.5. Distribucions. Gauss. Teorema Central de Límit
5. Tècniques avançades de predicció
5.1. Preparació de tauler de modelització. Models supervisats vs. models no supervisats
5.2. Tècniques per millorar un model: training validation i cross validation
5.3. Regressió lineal i regressió logística
5.4. GLM (model lineal general). Ridge i PLS
5.5. Sèries temporals
6. Tècniques de Machine Learning
6.1. Classification algorithms: arbres de decisió
6.2. K-nearest neighbors
6.3. Model probabilístic: Bayes
6.4. Random forest
6.5. Boosting
6.6. Bagging
6.7. Adaboost
7. Tècniques Avançades de Machine Learning
7.1. Xarxes neuronals (neural networks – NN)
7.2. Support vector machine (SVM)
7.3. Deep learning
7.4. Tècniques de machine learning en imatges i vídeos
7.5. Models de sentiments (computació sobre text, xarxes socials, etc.)
8. Project Management
8.1. Eines per a la gestió de clúster
8.2. Validació del model: verificació p-values en regressions. Test de bondat d'ajustament. R-quadrat, MSE, BIC, AIC
8.3. Test discriminate: corba ROC, corba lift, Gini index. Jackknifing i bootstrapping
8.4. Diagnòstic dels residus. Prova d'estabilitat. Validació amb prova cega
8.5. Implementació del model: metodologia per garantir una solució viable
8.6. Manteniment i actualització. Ús del model i requeriments d'implementació. Monitorar el rendiment i l'efectivitat dels models implementats
8.7. Aportar anàlisis que facilitin la presa de decisions i desenvolupaments futurs
8.8. Gestió de projectes: planificació d'un projecte
8.9. Metodologia agile i metodologia scrum
9. Treball final de màster
Destinataris
El Màster en Big Data & Data Science està dirigit de manera preferent a alumnes amb perfils tècnics que estiguin interessats a desenvolupar la seva carrera professional en l’àmbit de l’anàlisi i la gestió de grans volums de dades.
Per accedir a aquesta titulació els alumnes hauran de ser:
- Enginyers/ graduats en informàtica, telecomunicacions i industrials.
- Llicenciats/ graduats en matemàtiques, física, química i estadística com titulacions d’ingrés preferent.
També es valorarà l’accés a alumnes sense titulació universitària que acompleixin almenys 2 anys treballant en àrees de Business Intelligence, Business Analytics, etc. En aquest sentit, podran accedir si compleixen algun d’aquests requisits:
- Perfils tècnics: tenir coneixements en analitzar i gestionar dades o tenir almenys 2 anys d’experiència laboral en departaments analítics.
- Coneixements de programació (preferiblement SQL, Python o R) o haver programat almenys 2 anys en alguna empresa.
L’alumnat sense titulació universitària pot adquirir les mateixes habilitats i coneixements impartits en aquest curs i optar a una acreditació de Diploma Superior Universitari. Cal consultar els responsables del curs sobre els requisits i condicions d'accés establerts per a aquest tipus d'alumnat.
Sortides professionals
El màster proposat tindrà una orientació professional per facilitar la incorporació dels estudiants al mercat laboral o per permetre el reciclatge de professionals que ja es troben al mercat.
Es poden destacar les sortides professionals següents:
- Científic de dades (data scientist)
- Analista de dades (data analyst)
- Analista de negoci (business analyst / data business analyst)
- Analista de màrqueting (marketing analyst)
- Analista de producte (product analyst)
- Analista de riscos (risk analyst)
- Consultor d’analítica avançada i intel·ligència artificial (AI & data consultant)
- Cap de projecte de dades i intel·ligència artificial (data & AI project manager)
- Consultor de solucions big data (big data consultant)
- Cap de projectes big data (big data project manager)
- Analista digital (digital analyst)
- Analista de projectes d’R+D (R&D project analyst)
- Emprenedor de negocis basats en dades (data entrepreneur)
Sectors: financer (banca o assegurances), consultoria, comerç electrònic, automobilístic, sanitari, farmacèutic, retail, telecomunicació, televisió, etc. Pràcticament, es pot treballar a qualsevol sector que treballi amb dades.
Professorat
Direcció
Sra. Dolores Lorente Muñoz
Professional amb més de quinze anys d'experiència en el món de l'analítica, apassionada de l'estadística (amb diplomatura i grau). Experiència desenvolupant models predictius, descriptius i quadres de comandament de business intelligence i aplicant tècniques de machine learning en els models. Experiència com a docent en data mining en KeepCoding i en IMF International Business School i directora i professora del programa Just Data Science, impartit en la URJC. Actualment treballa com a responsable científica de dades desenvolupant anàlisis de models, comparatives i posada en producció, tant amb tècniques estadístiques convencionals com amb tècniques de machine learning, obtenint millores en les prediccions i un retorn positiu en els projectes treballats.
Coordinació
Sr. Ignacio Pérez Torres
Gerent i arquitecte Big data en Accenture Technology. Entusiasta de la tecnologia amb més de quinze anys d'experiència treballant en projectes amb alt contingut tecnològic per a les principals empreses del país i sis anys treballant en projectes de Big data. Quatre anys d'experiència com a professor de Big data i cloud computing tant en institucions públiques com privades.
Quadre docent
Sr. Ferran Arroyo Vendrell
Professional amb més de vuit anys d'experiència com data scientist en grans companyies com Aegon-Santander o Fidias Actuaris. Actualment treballa en AXA en models predictius, cross-selling, frau i optimització. Coneixement en models tant descriptius com predictius en plans de pensions. Experiència en machine learning amb un alt coneixement en l'analítica i forts coneixements d'estadística. Treballa tant amb R com amb Python per a a el desenvolupament dels models. Experiència com a docent en la Universitat d'Alcalá, en l'assignatura d'analítica actuarial, i en la Universitat Europea. Llicenciat en Empresarials i en Ciències Actuarials i Financessis amb el Màster Executive en Data Science per la MBIT School.
Sr. Parfait Atchade Adelomou
Enginyer Superior de Telecomunicacions, MBAs, PhD Candidate en Computació quàntica. Director Estratègic de Negoci de Lighthouse Disruptive Innovation Group LLC.
Sr. Ferran Carrascosa Mallafré
Llicenciat en Matemàtiques en 2001 en la Universitat de Barcelona, i Tècnic en Machine learning, Deep learning i Big data, amb experiència de més de 18 anys. Actualment, és responsable de Data Science en anàlisi de riscos per a CaixaBank. Com a docent, té una experiència de 15 anys en diferents cursos universitaris sobre Computació Estadística Moderna amb R, Anàlisi multivariant, Aplicació de mètodes estadístics a la Ciència Política i l'Administració Pública, o Pràctiques desenvolupades en R.
Sra. Lidia Cortés
Llicenciada en Ciències Físiques amb més de set anys d'experiència en el món de les dades, treballant actualment en una multinacional. Ampli coneixement de diferents eines, així com de les diferents fases d'un projecte business intelligence, amb àmplia experiència en la part de reporting. Entusiasta en la representació visual de la informació, aportant valor i fent-la més atractiva i comprensible. Té experiència en impartició de diferents formacions tant a usuaris finals com a personal tècnic en diferents empreses.
Sr. Miguel Ángel De La Llave Montiel
Més de deu anys d'experiència en el món de l'analítica, responsable del departament de pricing en AXA, expert en modelització de risc creditici en Barclays i analista d'inversions. Doctorant en Econometria Espacial, actualment compta amb dos màsters, Màster en Ciències Actuarials i Financeres i Màster en Tècniques Quantitatives, i dues llicenciatures, una en Econòmiques i una altra en Actuarials i Financeres. Experiència com a docent en el Màster de Business Analytics en la Universitat Europea, en la qual treballa actualment.
Sr. José Ángel González Barba
Senior Research Scientist en Symanto i PhD en Ciències de la Computació per la Universitat Politècnica de València (UPV), amb 10 anys d'experiència en el Processament del Llenguatge Natural (PLN) i el Deep Learning. Va estudiar Enginyeria Informàtica i el Màster en Intel·ligència Artificial, Reconeixement de Formes i Imatge Digital (MIARFID) en la UPV. Actualment, treballa en àrees del PLN. La seva tesi doctoral va rebre el premi a la millor tesi per la Societat Espanyola del Processament del Llenguatge Natural (SEPLN). Les seves contribucions científiques són extenses: 5 projectes de recerca, més de 30 publicacions científiques en revistes i congressos de prestigi internacionals i organitzador de competicions de gran impacte en la SEPLN. Com a docent, José Ángel ha impartit assignatures i dirigit Tesi en el grau en Enginyeria Informàtica de la UPV i de la Universitat Europea.
Sra. Dolores Lorente Muñoz
Professional amb més de quinze anys d'experiència en el món de l'analítica, apassionada de l'estadística (amb diplomatura i grau). Experiència desenvolupant models predictius, descriptius i quadres de comandament de business intelligence i aplicant tècniques de machine learning en els models. Experiència com a docent en data mining en KeepCoding i en IMF International Business School i directora i professora del programa Just Data Science, impartit en la URJC. Actualment treballa com a responsable científica de dades desenvolupant anàlisis de models, comparatives i posada en producció, tant amb tècniques estadístiques convencionals com amb tècniques de machine learning, obtenint millores en les prediccions i un retorn positiu en els projectes treballats.
Sr. Jorge Maestre Martínez
Head Of Agile en VASS, amb una experiència des de 1995 en treballs web, desitja acostar la tecnologia a tots, fent-la més manejable i accessible. Està especialment interessat en aplicacions que tinguin un profund impacte social, buscant una societat millor. Va fundar Devtopia Coop, una cooperativa de desenvolupadors, on va coliderar i va cogestionar projectes relacionats amb internet i tecnologies emergents.
Sr. Ignacio Pérez Torres
Gerent i arquitecte Big data en Accenture Technology. Entusiasta de la tecnologia amb més de quinze anys d'experiència treballant en projectes amb alt contingut tecnològic per a les principals empreses del país i sis anys treballant en projectes de Big data. Quatre anys d'experiència com a professor de Big data i cloud computing tant en institucions públiques com privades.
Sr. Francisco Manuel Rangel Pardo
Doctor en Intel·ligència Artificial per la Universitat Politècnica de València (UPV). És Màster en Tecnologies del Llenguatge, Enginyer Informàtic i Grau en Enginyeria Tècnica en Telecomunicacions per la UPV. Treballa com Head of Product en Symanto.
Descomptes
Amb la voluntat de facilitar-te l’accés a la formació, t’oferim la possibilitat d’aplicar descomptes en el moment de fer la matrícula. Els descomptes poden variar segons el tipus d'estudis o la titulació que vulguis cursar i el nombre de crèdits del programa en el qual et vols matricular, el col·lectiu, i la comunitat a la qual puguis acreditar la condició de beneficiari.
Posa’t en contacte amb nosaltres a través del formulari que trobaràs a la fitxa de la pàgina web i t’informarem àmpliament dels descomptes i facilitats de pagament que posem al teu abast.
COL·LECTIUS AMB DESCOMPTE:
- Alumnat o exalumnat de la Fundació IL3-UB.
- Alumni UB amb quota Màster.
- Col·legis, associacions professionals i altres entitats amb conveni de col·laboració.
- Col·lectius amb descompte matrícula corporativa o entitat col·laboradora.
- Col·legiats/des del Col·legi de Biòlegs de Catalunya (CBC). 10% descompte.
- Col·legiats/des del Col·legi d’Enginyers Graduats i Enginyers Tècnics Industrials de Barcelona. 10% de descompte.
- Col·legiades/ts al Col·legi d’Educadores i Educadors Socials de Catalunya (CEESC). 10% de descompte.
A més a més, disposem de descomptes específics i per altres col·lectius. Pots ampliar la informació al següent enllaç
Recorda confirmar, en el moment de validar la teva matrícula, si ets beneficiari d'algun dels nostres descomptes. L’aplicació dels descomptes no té caràcter retroactiu. Per poder beneficiar-te de qualsevol descompte ofert per l’Institut de Formació Contínua de la Universitat de Barcelona hauràs d’acreditar degudament que ets beneficiari abans de l’inici del curs. Si tens qualsevol dubte, no dubtis a consultar amb una de les nostres assessores.
La majoria dels nostres programes (tan presencials com en línia) compleixen els requisits per ser bonificats a través de la Fundació Tripartida. Si desitges més informació per tramitar la bonificació per a la teva empresa, consulta amb la teva assessora en el moment de formalitzar la matrícula.
Condicions:
- No s'aplicarà cap descompte que no estigui acreditat.
- Els descomptes no són acumulables.
- No s'aplicaran descomptes una vegada iniciat el curs.
- No s’aplicarà cap descompte en cursos inferiors a 7 ECTS.
CONTACTE
Instituto Forymat
Adreça:
C. de la Princesa, 41
28008. Madrid
WhatsApp: 630 25 42 67
E-mail: admision@il3.ub.edu
De dilluns a dijous de 9:30h a 20:30h i divendres de 9:30h a 18:30h
Procés de matriculació
Aquest curs està recolzat pel prestigi i l’experiència de l'Institut de Formació Contínua de la Universitat de Barcelona (IL3-UB) i l’Institut Forymat.
El procés de matriculació es gestiona directament des de l'Institut Forymat. Et facilitem les dades de contacte perquè et dirigeixis a ells.
Institut Forymat.
Telèfon: 91 559 27 86
WhatsApp: 630 25 42 67
E-mail: admision@il3.ub.edu