Módulo 1. Introducción a la ciencia de datos: Una descripción general

01 Ciencia de datos y su alcance
02 Ciencia de datos, análisis y análisis empresarial (BA)
03 Análisis empresarial, inteligencia empresarial y su relación con la ciencia de datos
04 Comprensión de los datos, los tipos de datos y los términos relacionados con los datos
05 Herramientas de análisis de datos para análisis y ciencia de datos: análisis de datos con Excel
06 Conceptos estadísticos básicos para la ciencia de datos
07 Análisis descriptivo: visualización de datos mediante gráficos y tablas
08 Métodos numéricos para aplicaciones de ciencia de datos
09 Aplicaciones de la probabilidad en la ciencia de datos
10 Aplicaciones de distribuciones de probabilidad discretas en ciencia de datos
11 Muestreo y distribuciones muestrales: teorema del límite central
12 Estimación, intervalos de confianza, prueba de hipótesis
13 Conceptos básicos de MachLearning (ML)
14 R Software de programación estadística para ciencia de datos

Módulo 2. Minería de datos: preprocesamiento, transformación y preparación de datos.

01 Introducción
02 El fracaso de las ciencias sociales cuantitativas
03 ¿Qué son los macrodatos?
04 ¿Qué es la minería de datos?
05 El giro de la complejidad
06 Complejidad basada en casos: un vocabulario de minería de datos
07 Clasificación y agrupación
08 Aprendizaje automático
09 Análisis predictivo y previsión de datos
10 Análisis longitudinal
11 Modelado geoespacial
12 Análisis de redes complejas
13 Minería de datos textuales y visuales
14 Conclusión El avance de una ciencia social digital compleja

Módulo 3. Big data y bases de datos: Sistemas de grandes datos

01 Introducción a los sistemas Big Data
02 Arquitectura y Organización de Sistemas Big Data
03 Computación en la nube para Big Data
04 HADOOP: Una plataforma eficiente para almacenar y procesar Big Data
05 Mejoras en Hadoop
06 Chispa
07 Sistemas NoSQL
08 Sistemas NewSQL
09 Redes para Big Data
10 Seguridad para Big Data
11 Privacidad para Big Data
12 Computación de alto rendimiento para Big Data
13 Aprendizaje profundo con Big Data
14 Big Data: estudios de caso y tendencias futuras

Módulo 4. Análisis en un mundo de Big Data. Aplicaciones de la ciencia de datos

01 Big Data y análisis
02 Recopilación, muestreo y preprocesamiento de datos
03 Análisis predictivo
04 Análisis descriptivo
05 Análisis de supervivencia
06 Análisis de redes sociales
07 Análisis: ponerlo todo a trabajar
08 Aplicaciones de ejemplo

Módulo 1. Análisis de Redes sociales, desafíos y oportunidades en la era del Big Data

01 Análisis de datos sociales: desafíos y oportunidades
02 Organización de datos sociales
03 Curación de datos sociales
04 Análisis de texto en redes sociales
05 Análisis de imágenes y vídeos en redes sociales
06 Resumir datos sociales
07 Narrar historias con datos sociales
08 Datos sociales y sistemas de recomendación: el futuro de la personalización
09 Aplicaciones de análisis de datos sociales

Módulo 2. Estadística y probabilidad: Aspectos conceptuales de la estadística

01 Conceptos básicos
02 Distribución de frecuencias
03 Medidas de centralización o medidas de tendencia central
04 Medidas de posición
05 Medidas de dispersión o medidas de variabilidad
06 Medidas de forma
07 Análisis de regresión y correlación
08 Teoría de contar - Introducción a probabilidades
09 Distribuciones de probabilidad

Módulo 1. Programación y algoritmos para ciencia de datos: Python, R, algoritmos básicos de machine learning.

01 Análisis exploratorio de datos
02 Distribuciones de datos y muestreo
03 Experimentos estadísticos y pruebas significativas
04 Regresión y pronóstico
05 Clasificación
06 Aprendizaje automático estadístico
07 Aprendizaje no supervisado

Módulo 2. Aprendizaje automatizado (machine learning) para análisis empresarial

01 Introducción
02 Descripción general del proceso de aprendizaje automático
03 Visualización de datos
04 Reducción de dimensiones
05 Evaluación del desempeño predictivo
06 Regresión lineal múltiple
07 k-vecinos-más cercanos (k-NN)
08 El clasificador ingenuo de Bayes
09 Clasificación y árboles de regresión
010 Regresión logística
11 Redes neuronales
12 Análisis discriminante
13 Generar, comparar y combinar múltiples modelos
14 Intervenciones: experimentos, modelado de mejora y aprendizaje por refuerzo
15 Reglas de asociación y filtrado colaborativo
16 Análisis de conglomerados
17 Manejo de series temporales
18 Pronóstico basado en regresión
19 Métodos de suavizado
20 Análisis de redes sociales
21 Minería de textos
22 Ciencia de datos responsable
23 Casos

Módulo 3. Seguridad de la Información

01 Sistemas de gestión de la seguridad de la información
02 ISO 27001
03 Implantación del sistema de gestión de la seguridad de la información

Módulo 4. Liderazgo positivo

01 La inteligencia emocional del líder. Un reto colosal para un mundo en crisis
02 El líder en época de innovación y de profundos cambios
03 Liderar con sentido es liderar con valores. Misión, visión y operativa
04 Liderar personas es esencial conocer biología y conducta del individuo y del grupo
05 Creando y ejecutando estrategia para obtener mejores resultados de negocio con la gestión del conocimiento en la innovación
06 Comunicación pública y desarrollo de presentaciones eficaces
07 Liderar el impacto mediático. Comunicación con medios de prensa

Denominación de la asignatura: Trabajo Fin de Máster
Créditos ECTS: 10
Carácter de la asignatura: Obligatoria
Materia a la que pertenece: Trabajo Fin de Máster

"Nunca consideres el estudio como una obligación, sino como una oportunidad para penetrar en el bello y maravilloso mundo del saber" - Albert Einstein