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
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.

Ir al principio