Màster en Big Data & Data Science

Afegir a favorits
Transformació digital

Màster en Big Data & Data Science

Online
46 setmanes
master big data

Dades bàsiques

Crèdits

60 ECTS

Acreditacions

Màster

Idioma

Castellà

Dates

2/11/2021 - 20/9/2022

Modalitat

Online

Preu

5.900

(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 al dia s’envien més de 200 milions d’e-mails, es comparteixen més de 700.000 publicacions a Facebook, es realitzen 2 milions de cerques a Google o s’editen 100 hores de vídeo a Youtube.

En resum, en un dia es generen més dades dels que han existit en els últims 20 anys.

No hi ha cap dubte que el Big & Data Science és una de les professions del futur amb un augment del 122% en la publicació d’ofertes d’ocupació relacionades directament amb el Big Data.

Es per això que el Màster en Big Data & Data Science té un enfocament totalment pràctic per donar resposta a la necessitat de les empreses d’incorporar professionals especialitzats.

Dins del Màster en Big Data & Data Science aprendràs a utilitzar i implementar totes les eines necessàries que requereix un Data Science.

A més, aprendràs a utilitzar eines imprescindibles com Hadoop i Spark, l’ús de diferents bases de dades NoSQL i SQL, així com eines per a la implementació de Machine learning, xarxes neuronals i deep learning, sense oblidar eines en cloud (laaS, paaS, saaS, Google, Azure, AWS...), eines de control (Github...) i anàlisi (programació en R i en Python).

El Màster en Big Data & Data Science està desenvolupat i impartit per experts de grans companyies amb una destacada trajectòria i experiència en el camp del Big Data. També comptaràs amb la participació de professionals mitjançant masterclass.

Si busques un Màster en Big Data & Data Science que et doni una visió global de tot el paradigma dins del Data Science, amb un enfocament 100 % pràctic, 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 l’empresa a partir de l’aplicació 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 l’eficiència del temps amb metodologies com Agile o Scrum.

Tres raons per escollir-lo

  • Programa dissenyat i estructurat perquè l’alumne obtingui un total coneixement per a implementar i dirigir un departament de Big Data & Data Science, així com l’ús de les últimes eines.
  • Creat i impartit per experts de gran nivell, amb una metodologia practica, enfocada a la realitat i necessitat de les empreses.
  • No només adquiriràs coneixements de les últimes eines i sistemes, sinó que també potenciarà el teu coneixement en la gestió del Big data donant-te una visió transversal de tota la seva magnitud.

Acreditació acadèmica

Màster 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. Gestió de dades i dades digitals
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 mineria de dades
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. Aprenentatge de tècniques 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. Aprenentatge automàtic per 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. Gestió de projectes
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.

Sortides professionals

El Màster proposat tindrà una orientació professional, per a facilitat la incorporació dels estudiants al mercat laboral, o per a permetre el reciclatge de professionals que ja es troben incorporats al mercat de feina.

Es poden destacar les següents sortides professionals:

  • Científic de dades (Data Scientist)
  • Analista de dades (Data Analyst)
  • Analista de Big Data (Big Data Analyst)
  • Enginyer de dades (Data Engineer)
  • Analista de negoci (Data Business)
  • Arquitecte Big Data (Big Data Architect)
  • Desenvolupador d’aplicacions Big Data (Big Data Developer)
  • Consultor de solucions Big Data (Big Data Consultant)
  • Cap de projecte Big Data (Big Data Project Manager)
  • Analista digital (Digital Analyst)
  • Analista de projectes d’R+D (R&D Proyect Analyst)
  • Emprenedor de negocis basats en l’anàlisi de dades, productes i/o serveis basats en dades (Data Entrepreneur)

Sectors: Financer (Banca i/o Assegurances), Consultoria, Comerç electrònic, Automobilístic, Sanitari, Farmacèutic, Retail, Telecomunicació, Televisió..., pràcticament es pot treballar en 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 comandaments de business intelligence i aplicant tècniques de machine learnig als models. Experiència com a docent en data mining a KeepCoding i a IMF International Business School, i directora i professora del programa Just Data Science impartit a 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.

Professorat

Sr. Ferran Arroyo Vendrell
Professional amb més de vuit anys d'experiència com a data scientist en grans companyies com Aegon-Santander o Fidias Actuaris, actualment treballa a AXA en models predictius, cross-selling, frau i optimització. Coneixements en models tant descriptius com predictius en plans de pensions. Experiència en machine learnig amb un alt coneixement en l'analítica i forts coneixements d'estadística. Treballa tant amb R com Python per al desenvolupament dels models. Experiència com a docent a la Universitat d'Alcalà, en l'assignatura d'analítica actuarial, i a la Universitat Europea. Llicenciat en Empresarials i en Ciències Actuarials i Financeres amb Màster Excutive en Data Science per la MBIT School.

Sr. José Ramón Cañamero Tejero
Lean office manager del Grup VASS, amb experiència de més de deu anys en la generació i modelització de sistemes predictius sota entorns de xarxes bayesianes i arbres de decisió. Col·laborador de l'oficina de millora contínua del HUB Omnichannel de REPSOL dins del programa NEXT i assessor de l'oficina d'innovació estratègica de MAPFRE, AGIE. Scrum master i product owner certificat, així com especialista en la integració de nous marcs de treball, dirigint dinàmiques i formació per a Banc Santander, Telefónica, Universitat de Navarra, Col·legi d'Advocats de Madrid, etc.

Sr. Ferran Carrascosa Mallafré
Llicenciat en Matemàtiques el 2001 a 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, 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.

Sr. Jesús Cristobal Asorey
Més de deu anys com mànager i director d'IT a Randstad i cinc anys com a director a Softtek desenvolupant estratègies de màrqueting i negoci. Actualment és partner i director de Sand, on treballa en les àrees de bussiness intelligence, bussiness discovery i data analitycs. Experiència com a docent des de 2011, continua impartint formacions en EAE Business School i OBS Business School. Entusiasta i creatiu de les noves tecnologies, a les seves ponències sap transmetre el procés i l'estructura, generant noves idees gràcies a una comunicació excel·lent.

Sr. Miguel Ángel De La Llave Montiel
Més de deu anys d'experiència en el món de l'analítica, responsable del departament de pricing a AXA, expert en modelització de risc creditici a 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 al Màster de Business Analytics a la Universitat Europea, en la qual treball actualment.

Sr. Carlos García Velásquez
Professional que treballa actualment com a responsable de l'anàlisi de la dada a CIL Màrqueting Direct, amb experiència de més de quinze anys treballant en disseny i posada en operació de models predictius per a l'anàlisi de cartera de risc usant tècniques de machine learning. Experiència com a docent i ponent en temes relacionats amb la visualització de les dades amb eines com Tableau, PowerBI o PowerQuery. Va estudiar Enginyeria Electrònica i té dos Màsters en Business Intelligence amb especialització en Màrqueting Digital a EAE i Màster en Administració de Negocis (MBA) a IESA.

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 comandaments de business intelligence i aplicant tècniques de machine learnig als models. Experiència com a docent en data mining a KeepCoding i a IMF International Business School, i directora i professora del programa Just Data Science impartit a 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 apropar 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 cogestionar projectes relacionats amb internet i tecnologies emergents.


Sr. Ignacio Pérez Torres
Gerent i arquitecte big data a 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 big data. Quatre anys d'experiència com a professor de big data i cloud computing, tant en institucions públiques com privades.

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.
  • Col·lectius amb descompte matrícula corporativa o entitat col·laboradora.
  • Col·legiats del Col·legi d’Enginyers Graduats i Enginyers Tècnics Industrials de Barcelona. 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.
Sol·licita informació
FUNDACIÓ INSTITUT DE FORMACIÓ CONTÍNUA DE LA UNIVERSITAT DE BARCELONA com responsable del tractament tractarà les teves dades amb la finalitat d'atendre la teva petició. Pots accedir, rectificar i suprimir les teves dades, així com exercir altres drets consultant la informació addicional y detallada a la nostra Política de Privacitat
He llegit i accepto les condicions esmentades a la Política de Privacitat sobre el tractament de les meves dades per gestionar la meva petició.
Vull rebre informació respecte de l’activitat formativa de l’IL3-Universitat de Barcelona.

CONTACTE

Instituto Forymat

Adreça:

C. de la Princesa, 41
28008. Madrid

WhatsApp: 630 25 42 67
E-mail:   admisiones@il3.ub.edu

 

91 559 27 86

De dilluns a dijous de 9:30h a 20:30h i divendres de 9:30h a 18:30h