MÓDULO 1: Data Science y Big Data. La Nueva Realidad

1.- Introducción

2.- Contextualización del Tema. Conceptos Claves

3.- La Minería de Datos o Data Mining

3.1. Modelo SEMMA
3.2. Principales métodos y algoritmos de la minería de datos

4.- Big Data

4.1. Desafíos
4.2. Principales herramientas
4.3. Aplicaciones

5.- Programas de Software más Utilizados

5.1. Introducción al lenguaje de programación R
5.2. El programa WEKA
5.3. Introducción al lenguaje de programación Python
5.4. El programa IBM SPSS Statistics; conexión con R y Python
5.5. Otro software: SQL, Scala, Julia
5.6. Ejemplos y casos prácticos

MÓDULO 2: Herramientas Big data

1.- Gestión Big Data

1.1. Bases de Datos Operacionales
1.2. Fundamentos de MapReduce
1.3. Explorando el mundo de Hadoop
1.4. El fundamento de Hadoop y su ecosistema

2.- Analítica y Big Data

2.1. Definiendo la analítica Big Data
2.2. Analítica de texto y Big Data
2.3. Aproximaciones para el análisis bajo Big Data

3.- Implementaciones Big Data

3.1. Integrando fuentes de datos
3.2. Gestionando fuentes de datos en tiempo-real y gestión de eventos complejos
3.3. Big data operacional
3.4. Aplicando Big Data en una organización.
3.5. Seguridad y gobierno de entornos Big Data

4.- Soluciones R y Big Data.:

4.1. Paquetes avanzados de R
4.2. Solución H2O
4.3. El paquete “sparklyr”

MÓDULO 3: Análisis de Datos Multivariantes I

1.- Modelo Lineal General

1.1. Modelo de Regresión Lineal
1.2. Extensiones al modelo de Regresión Lineal
1.3. Modelos con variables cualitativas: ANOVA y ANCOVA

2.- Modelo Lineal Generalizado

2.1. Modelo de Regresión Logística
2.2. Modelos Logit y Probit
2.3. Modelo Tobit

3.- Otros modelos de regresión

3.1. Estimación Curvilínea
3.2. Regresión Ridge
3.3. Regresión Robusta
3.4. Regresión Bayesiana
3.5. Regresión no Paramétrica

4.- Casos Prácticos

MÓDULO 4: Análisis de Datos Multivariantes II

1.- Reducción de Dimensiones

1.1. Análisis Factorial y Componentes Principales
1.2. Análisis de Correspondencias

2.- Escalamiento Multidimensional

2.1. Modelo general
2.2. Otros modelos: desdoblado, de diferencias individuales, con replicación, desplegamiento

3.- Agrupamiento de la Información

3.1. Análisis Discriminante
3.2. Análisis Clúster

4.- Análisis de Correlación Canónica

5.- Casos Prácticos

MÓDULO 5: Minería de Datos I

1.- Introducción a la Minería de Datos

2.- Evaluación de Modelos

2.1. Muestras de entrenamiento, validación y test. Validación cruzada
2.2. Métodos basados en métricas
2.3. Métodos basados en curvas ROC
2.4. Métodos que incorporan una matriz de costes

3.- Árboles de Decisión y Clasificación y Sistemas de Reglas

3.1. Árbol CHAID (CHi-square Automatic Interaction Detection) y CHAID exahustivo
3.2. Árbol CRT (Classification and Regression Trees)
3.3. Árbol QUEST (Quick, Unbiased, Efficient Statistical Tree)
3.4. Árbol C5.0
3.5. Random Forest
3.6. Otros algoritmos de clasificación

4.- Reglas de Asociación

5.- Redes Neuronales Artificiales

5.1. Perceptrón multicapa
5.2. Función de base radial
5.3. Otras arquitecturas de redes neuronales

6.- Máquinas de Vectores Soporte

7.- Métodos Basados en Vecindad. K Vecinos

8.- Combinación de Modelos. Métodos de Ensemble. Multiclasificadores

9.- Casos Prácticos

MÓDULO 6: Análisis de Series Temporales

1.- Introducción

2.- Métodos de Suavizado

3.- Descomposición Temporal

4.- Métodos de Predicción

4.1. Métodos Paramétricos: modelos ARIMA
4.2. Métodos no Paramétricos: Splines, aproximación por series de Fourier, función núcleo…

5.- Clasificación y Ordenación

5.1. Clúster jerárquico
5.2. Otros algoritmos

6.- Casos Prácticos

MÓDULO 7: Minería de Datos II

1.- Introducción a los Métodos Bayesianos

2.- Teorema de Bayes e Hipótesis MAP

3.- Clasificador Naïve Bayes

4.- Redes Bayesianas

5.- Algoritmos Evolutivos

6.- Lógica Difusa

7.- Métodos de Gradient Boosting

8- Deep Learning

9.- Casos Prácticos

MÓDULO 8: Text Mining y Web Mining

1.- Definición de Conceptos: Text Mining y Web Mining

1.1. Representación automática de documentos
1.2. Recuperación de información
1.3. Clasificación/Clustering de documentos
1.4. Web Content, Structure y Usage Mining

2.- Antecedentes y Estado de la Cuestión

2.1. Modelo de espacio vectorial y funciones de pesado (Term Weighting Functions)
2.2. Funciones de ranking
2.3. Representaciones distribuídas (Word Embeddings)

3.- Análisis Lingüístico

3.1. Eliminanción de stop-words y stemming
3.2. Etiquetado gramatical (Part-Of-Speech Tagging)
3.3. Análisis sintáctico superficial (Shallow parsing)

4.- Análisis de Sentimientos

4.1. Enfoques basados en lexicones
4.2. Enfoques basados en Aprendizaje Automático

5.- Ejemplos con R, WEKA y uso de librerías de procesamiento lingüístico en Java, Python, etc.

MÓDULO 9: La Transformación Digital en el Sector Financiero

1.- Las Nuevas Tecnologías Aplicadas al Sector Financiero

1.1. Big Data como paradigma de los datos en la banca y el sector financiero: Empresas data-driven
1.2. Cloud Computing
1.3. Ominicanalidad
1.4. Medios de pago
1.5. Nuevos modelos de negocio digitales en el sector bancario

2.- La Banca Digital

2.1. Fundamentos de la banca digital
2.2. Creación de una cultura digital
2.3. Retos de la banca digital

3.- Impacto de las Fintech en el Sector Financiero

3.1. Innovación y transformación de la cultura empresarial en el mundo digital
3.2. Ecosistema Fintech. Actores e implicaciones para el sector financiero
3.3. Las startups fintech
3.4. Casos de éxito y fracaso

4.- Crowdfunding y Crowdlending

4.1. La financiación en la empresa. Oportunidades en el contexto de la economía colaborativa
4.2. Crowdfunding
4.3. Equity Crowdfunding
4.4. Crowdlending
4.5. Aspectos regulatorios
4.6. Caso práctico

5.- Aplicaciones de Big Data y Data Science en Servicios Financieros

5.1. Credit Scoring
5.2. Detección del fraude
5.3. Experiencia del cliente

MÓDULO 10:Big Data en el Sector de Seguros

1.- Relevancia de los Datos en el Fundamento Técnico-Actuarial

2.- Tendencias Data-Centric Disruptivas para la Industria Aseguradora

2.1. Internet of Things (IoT)
2.2. Cognitive Computing / Artificial Intelligence (AI)

3.- Casos Actuales de Aplicación de Big Data / Analítica Avanzada en Aseguradoras:

3.1. Valor de cliente e inteligencia comercial
3.2. Detección de fraude
3.3. Pago por uso

4.- Cognitive Underwriting

5.- Data-Driven Insurtechs y Nuevos Modelos de Negocio

MÓDULO 11: Turismo y Smart Cities

1.- Introducción

2.- Las Limitaciones de la Medición del Comportamiento Turístico

3.- Big Data: Retos y Oportunidades para el Turismo

3.1. Barreras culturales y organizativas
3.2. Un modelo de medición del comportamiento turístico
3.3. Las Apps orientadas al turismo

4.- Los Dispositivos Móviles y los Pagos Electrónicos

5.- De la Smart City al Destino Turístico Inteligente

6.- Proyecto BBVA Bancomer sobre Turismo

MÓDULO 12: La Revolución del Big Data en el Transporte

1.- La Importancia del Transporte en Nuestra Sociedad

1.1. Transporte y desarrollo: el concepto de accesibilidad
1.2. El papel del transporte en la distribución espacial de actividades
1.3. Impactos del transporte en la sociedad y el medio ambiente
1.4. Los grandes retos del transporte

2.- La Revolución de los Datos: Impacto en el Sistema de Transporte

2.1. Los medios tradicionales de obtención de datos de movilidad: encuestas y estadísticas
2.2. Las nuevas fuentes de datos
2.3. Retos y oportunidades de las nuevas fuentes de datos

3. Modelos Predictivos de Planificación del Transporte

3.1. Modelos de transporte
3.2. Modelos LUTI
3.3. Aportaciones de los sistemas de información geográfica

4. El Impacto del Big Data en la Movilidad Urbana e Interurbana

4.1. Nuevos modelos de negocio
4.2. Cambios en el comportamiento de los ciudadanos
4.3. Hacia una mejor planificación de lo público

5. Oportunidades para el Sector Logístico

5.1. Detección de fraude
5.2. Cooperación para la intermodalidad del transporte de mercancías

MÓDULO 13: Publicidad Digital Aplicada a los Negocios

1.- La Comunicación Digital

1.1. Internet y la empresa
1.2. La Web del usuario como fuente de datos en Marketing
1.3. Diferenciación y posicionamiento en la Web
1.4. Casos prácticos

2.- Marketing Directo

2.1. Introducción
2.2. Nuevas herramientas
2.3. Marketing de relaciones
2.4. Casos prácticos

3. Marketing y las Nuevas Tecnologías

3.1. Marketing móvil
3.2. Marketing integrado
3.3. Experiencia de usuario
3.4. Casos prácticos

4. Plan de Marketing

4.1. Planificación estratégica de marketing
4.2. Caso práctico

MÓDULO 14: Legislación sobre Big Data y Aplicaciones en el Sector Público

1.- Estado Actual de la Legislación

2.- Normativa en Proyecto

3.- Implicaciones del Big Data Respecto a la Protección y Seguridad de los Datos

4.- Aplicaciones del Big Data en la Estadística Oficial

4.1. Introducción: De la estadística 1.0 a la estadística 4.0
4.2. Big Data y su aportación a la estadística oficial mediante el estudio de la huella digital de la actividad humana
4.3. El Big Data en el contexto del sistema estadístico internacional:
4.4. El Big Data en el contexto del sistema estadístico nacional
4.5. Big Data y estadística oficial: Retos que plantea
4.6. Algunos ejemplos de uso

TRABAJO FIN DE MÁSTER

Los estudiantes del Máster, una vez alcanzados 50 créditos, deberán realizar con carácter obligatorio el Trabajo Fin de Máster (con una carga lectiva de 10 ECTS).

0
0
0
s2sdefault
powered by social2s

En el Blog

ContactAR

Información y matriculación

Facultad de
Ciencias Económicas y Empresariales

  • Paseo Senda del Rey, 11. 28040 Madrid.
  • Email de información:
    Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.

Este sitio usa cookies

Si sigues navegando entendemos que aceptas nuestra política de cookies Saber más

Acepto

Política de cookies

La Universidad Nacional de Educación a Distancia y el Máster de Big Data y Data Science informa acerca del uso de las cookies en sus páginas web para mejorar los servicios que se prestan a través de la misma.

Las cookies son archivos que se pueden descargar en su equipo a través de las páginas web. Son herramientas que tienen un papel esencial para la prestación de numerosos servicios de la sociedad de la información. Entre otros, permiten a una página web almacenar y recuperar información sobre los hábitos de navegación de un usuario o de su equipo y, dependiendo de la información obtenida, se pueden utilizar para reconocer al usuario y mejorar el servicio ofrecido.

Aceptación de la Política de cookies

La UNED asume que usted acepta el uso de cookies. No obstante, muestra información sobre su Política de cookies en la parte inferior de cualquier página del portal con cada inicio de sesión con el objeto de que usted sea consciente.

Ante esta información es posible llevar a cabo las siguientes acciones:

  • Aceptar cookies. Se trata de una aceptación tácita, siendo una política aceptada por el hecho de usar el portal web de la UNED.
  • No aceptar las cookies. Abandonar la navegación en el portal web de la UNED.
  • Modificar su configuración de su navegador. Podrá obtener más información sobre qué son las cookies, conocer la Política de cookies de la UNED y modificar la configuración de su navegador.

Otra información de interés

Tipos de cookies

Según la entidad que gestione el dominio desde donde se envían las cookies y trate los datos que se obtengan, se pueden distinguir dos tipos: cookies propias y cookies de terceros.

Existe también una segunda clasificación según el plazo de tiempo que permanecen almacenadas en el navegador del cliente pudiendo tratarse de cookies de sesión o cookies persistentes.

Por último, existe otra clasificación con cinco tipos de cookies según la finalidad para la que se traten los datos obtenidos: cookies técnicas, cookies de personalización, cookies de análisis, cookies publicitarias y cookies de publicidad comportamental.

Para más información a este respecto puede consultar la Guía sobre el uso de las cookies de la Agencia Española de Protección de Datos

Cookies utilizadas en la web de la UNED

A continuación se identifican las cookies que están siendo utilizadas en este portal así como su tipología y función:

  • Google Analytics. En su navegador podrá observar esta cookie denominada _ga. Según la tipología anterior se trata de cookies de terceros, de sesión y de análisis. Los datos que se recopilan, procesan y almacenan en la cuenta de la UNED de Google Analytics, están protegidos y se conservan de manera confidencial. Los datos de Google Analytics se utilizan únicamente para fines estadísticos, siendo el único dato considerado como de carácter personal tratado en este servicio la dirección IP.

Puede encontrar más información al respecto e inhabilitar el uso de estas cookies www.google.es/intl/es/analytics/privacyoverview.html

A través de la analítica web se obtiene información relativa al número de usuarios que acceden a la web, el número de páginas vistas, la frecuencia y repetición de las visitas, su duración, el navegador utilizado, el operador que presta el servicio, el idioma, el terminal que utiliza, o la ciudad a la que está asignada su dirección IP. Información que posibilita un mejor servicio de este portal.

  • UsuarioUNEDv2. Cookie de sesión (con un periodo de validez de 12 horas), propia y de tipo técnico, cookie firmada digitalmente únicamente es accesible por otros sistemas mediante SSL. Permite la navegación por el portal de forma personalizada, además de permitir mediante una única validación del usuario en el portal, acceder a otros sistemas y/o servicios de forma transparente, sin necesidad de tener que volver a identificarse
  • ASP.NET_SessionId. Cookie de tipo técnico, propia y de sesión. Cookie generada por el servidor. Esta cookie permite almacenar un identificador único por sesión a través del que es posible vincular datos necesarios para posibilitar la navegación en curso.
  • SSO_SesionID. Cookie de tipo técnico, propia y de sesión. Empleada por el portal corporativo para gestion de privilegios del usuario.
  • JSESSIONID. Cookie de tipo técnico, propia y de sesión. Empleada por componente java del servidor para posibilitar la navegación en curso.

Cómo modificar la configuración de las cookies

Usted puede restringir, bloquear o borrar las cookies de la Universidad Nacional de Educación a Distancia o cualquier otra página web, utilizando su navegador. En cada navegador la operativa es diferente, la función de ‘Ayuda” le mostrará cómo hacerlo.

Ir al principio
Template by JoomlaShine