Advertencia:

Si desea formalizar la solicitud de matrícula, debe tener en consideración que en la aplicación de la UNED la numeración del módulos es diferente a la que se indica a continuación. Asimismo, debe tener presente que el módulo “Sector Público y Sanidad” (que se centra en esas áreas), en la aplicación de matrícula está con el nombre “0014 Legislación sobre Big Data y Aplicaciones al Sector Público”.

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 y CRISP-DM
3.2. Principales Métodos y Algoritmos en la Minería de Datos

4 Big Data

4.1. Desafíos
4.2. Aplicaciones
4.3. Principales Herramientas (Hadoop y Spark)

5 Programas de Software más utilizados

5.1. R y RStudio
5.2. 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

MÓDULO 2: HERRAMIENTAS BIG DATA

1 Introducción a Linux

1.1. Comandos básicos
1.2. Introducción a cómo programar en la shell
1.3. Cómo usar Linux para manipular y analizar ficheros de gran tamaño

2 El Big Data en el contexto del Machine Learning a gran escala

3 Limitaciones teóricas de las Bases de Datos Relacionales

4 Escalado Vertical vs. Escalado Horizontal

5 Estrategias de computación distribuida y en paralelo

6 Arquitectura de la Solución Machine Learning para Big Data

6.1. Capa de Ingesta de Datos
6.2. Capa de Ingestión
6.3. Capa de Almacenamiento (Hadoop Storage)
6.4. Plataforma Hadoop - Capa de Procesamiento
6.5. Capa Analítica
6.6. La Capa de Consumo
6.7. La Capa de Seguridad y Monitorización

7 Hadoop 2.x

7.1. Componentes del Ecosistema Hadoop
7.2. Distribuciones Hadoop y Proveedores

8 Soluciones y Librerías Machine Learning

9 Herramientas Machine Learning una Visión General

9.1. Apache Mahout
9.2. Julia
9.3. Python
9.4. Apache Spark
9.5. H2O

10 Paquetes Avanzados de R

11 Nociones básicas sobre Legislación en materia de Protección de Datos Personales

11.1. Ámbito de aplicación
11.2. Conceptos básicos
11.3. Principios
11.4. Derechos de las personas
11.5. Obligaciones del Responsable del Tratamiento

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 explicativas: ANOVA y ANCOVA

2 Modelo Lineal Generalizado

2.1. Formulación general
2.2. Modelos con variables cualitativas endógenas
2.3. Modelo Tobit
2.4. Evaluación de modelos
2.5. Modelo Logit vs. Modelo Probit

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: Splines

4 Casos Prácticos

MÓDULO 4: ANÁLISIS DE DATOS MULTIVARIANTES II

1 Medidas de distancia/proximidad

1.1. Medidas de distancia o disimilaridad
1.2. Medidas de proximidad o similaridad
1.3. Distancia de Mahalanobis

2 Reducción de dimensiones

2.1. Análisis Factorial y Componentes Principales
2.2. Análisis de Correspondencias

3 Agrupamiento de la Información

3.1. Análisis Discriminante
3.2. Análisis Cluster

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: BIG DATA EN EL SECTOR SEGUROS

1 Relevancia de los Datos en el negocio asegurador

1.1. Fundamentos del negocio asegurador
1.2. Aspectos técnicos y actuariales en la suscripción

2 Tendencias Data-Centric Disruptivas para la Industria Aseguradora

2.1. Tipología de análisis de datos y Machine Learning
2.2. Innovación basada en datos
2.3. Internet de las cosas (IoT)
2.4. Cognitive Computing / Artificial Intelligence (AI)

3 Casos reales de Aplicación de Big Data / Analítica Avanzada en Aseguradoras:

3.1. Registro analítico de clientes
3.2. Pago por uso mediante IoT
3.3. Suscripción cognitiva

4 Data-Driven InsurTechs y Nuevos Modelos de Negocio

MÓDULO 8: 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

MÓDULO 9: TEXT MINING Y WEB MINING

1 Definición de conceptos: Text Mining y Web Mining

1.1. Minería de Textos/Text Mining
1.2. Minería de la Web/Web Mining

2 Presentación de documentos: Fundamentos

2.1. Modelos vectoriales
2.2. Recuperación de información
2.3. Clasificación de documentos
2.4. Clustering de documentos
2.5. Web Content, Structure y Usage Mining

3 Representación de documentos: antecedentes y estado de la cuestión

3.1. Modelo de espacio vectorial
3.2. Funciones de pesado
3.3. Representaciones distribuídas (word embeddings)
3.4. Funciones de ranking

4 Análisis Lingüístico

4.1. Análisis léxico
4.2. Eliminación de stop-words
4.3. Lematización y truncado (stemming)
4.4. Etiquetado gramatical (Part-of-Speech tagging)
4.5. Análisis sintáctico superficial (Shallow parsing)

5 Análisis de sentimientos

5.1. Enfoques basados en lexicones
5.2. Enfoques basados en Aprendizaje Automático

MÓDULO 10: 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

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 11: TURISMO Y SMART CITIES

1 Introducción

2 Turismo y Smart Cities (I)

2.1. Definiciones
2.2. ¿Cómo se relacionan Turismo, Smart Cities, Movilidad y consumo?
2.3. ¿Cómo describimos el comportamiento?
2.4. Familiaricémonos con las variables. Algunos datos sobre el Turismo y las Smart Cities
2.5. Datos Smart Cities

3 Turismo y Smart Cities (II)

3.1. El comportamiento turístico
3.2. El gasto del turismo de no residentes. EGATUR
3.3. El tratamiento convencional del gasto turístico. EGATUR
3.4. Algunas preguntas sobre el gasto turístico. Discusión de líneas de investigación basadas en patrones situacionales

4 Turismo y Smart Cities (III)

4.1. La promoción y la regulación del Turismo. El enfoque de las Smart Cities
4.2. Datos a tener en cuenta. Flujos de personas y flujos monetarios. Patrones de comportamiento e impacto. Elementos para un mapa de coyuntura turística
4.3. Un modelo de diferencias de potencial y un modelo reproductivo, aplicados a los flujos turísticos
4.4. Algunas preguntas sobre la promoción y la regulación del turismo. Discusión de líneas de investigación

5 Turismo y Smart Cities (VI)

5.1. APP móviles de consumo turístico
5.2. Algunas preguntas sobre APP turísticas
5.3. Ensayo de diseño de una APP orientada a la producción masiva de datos turísticos
5.4. Una matriz de situación de una red de Smart Cities en el mercado turístico. Líneas de actuación inteligente con datos

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
3.4. Recursos en R

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: SECTOR PÚBLICO Y SANIDAD

1 Aplicaciones del Big Data en la Estadística Oficial

1.1. Introducción: De la estadística 1.0. a la estadística 4.0.
1.2. Big Data y su aportación a la estadística oficial mediante el estudio de la huella digital de la actividad humana
1.3. El Big Data en el contexto del sistema estadístico internacional
1.4. El Big Data en el contexto del sistema estadístico nacional
1.5. Big Data y estadística oficial: Retos que plantea
1.6. Algunos ejemplos de uso

2 Big Data en Ciencias de la Salud

2.1. Utilidades y retos del Big Data en la práctica clínica
2.2. Fuentes de datos en aplicaciones clínicas
2.3. Procesado de datos clínicos. Etapas y métricas de rendimiento diagnóstico
2.4. Análisis de casos de uso

3 Herramientas de Big Data aplicadas a la medicina

3.1. Ayuda al diagnóstico mediante redes neuronales
3.2. Combinación de expertos mediante ensemble learning
3.3. Deep learning en aplicaciones clínicas
3.4. Análisis de casos de uso

MÓDULO 15: NORMATIVA DE PROTECCIÓN DE DATOS

1 Introducción

1.1. Objeto
1.2. Ámbito de aplicación
1.3. Definiciones

2 Principios relativos

2.1. Licitud del tratamiento
2.2. Consentimiento
2.3. Otros tratamientos

3 Derechos del interesado

3.1. Transparencia
3.2. Información y acceso a los datos personales
3.3. Rectificación y supresión
3.4. Limitación al tratamiento
3.5. Portabilidad
3.6. Oposición y decisiones individuales automatizadas

4 Responsable y Encargado del tratamiento

4.1. Responsabilidad del Responsable del tratamiento
4.2. Encargado del tratamiento
4.3. Registro de las actividades de tratamiento
4.4. Transferencias internacionales
4.5. Cooperación con la autoridad de control

5 Responsabilidad proactiva

5.1. Protección de datos desde el diseño y por defecto
5.2. Delegado de protección de datos
5.3. Códigos de conducta y certificación
5.4. Análisis de riesgos y evaluaciones de impacto
5.5. Seguridad

MÓDULO 16: TRABAJO FIN DE MÁSTER

Aquellos estudiantes que cursen el Máster y hayan alcanzado 50 créditos, los últimos 10 créditos para la obtención del título se obtendrán con la elaboración de un trabajo final obligatorio.

0
0
0
s2smodern
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