Programa Máster Big Data y Business Analytics UNED

• Aprende que es el Big Data
• Oportunidades y retos del Big Data
• Introducción a las tecnologías de Big Data
• Ejemplos de escenarios de aplicación de Big Data

Diseño y modelización de base de datos y lenguaje de consulta estructurada, más conocido como SQL (Structured Query Language). El modelo entidad-relación, el modelo relacional, la implementación relacional con SQL. Aprendizaje de técnicas de la inteligencia empresarial. Entre los distintos modelos para su explotación a través de los datos existentes en una organización corporativa, se verán el dimensional, el semántico y el tabular.

La estadística como facilitador para la toma de decisiones. Facilitando la compresión de los conceptos estadísticos aplicados a la empresa, junto con la adquisición de habilidades útiles para el trabajo con datos. El objetivo de la parte Inferencial es familiarizar al alumno con un razonamiento inductivo, utilizando como única fuente de información, la proporcionada por los datos muestrales. 

En el módulo comenzamos con el estudio del lenguaje de programación R, desde su nivel más básico, utilizando la herramienta RStudio. A continuación, aprenderemos cómo realizar un análisis exploratorio de los datos utilizando R en el marco de la estadística descriptiva. Por último, realizamos un acercamiento desde cero y vamos profundizando en el problema del Machine Learning. En concreto, estudiamos distintas técnicas de modelado según el problema a tratar: regresión, clasificación o clustering, así como la validación de los modelos obtenidos. 

1. Proporcionar una introducción a Python como lenguaje de programación (el módulo asume que no hay experiencia previa en Python, así que se comienza desde cero)
2. Presentar las librerías y paquetes esenciales de Python para tratamiento y representación de datos y aprendizaje automático. Al mismo tiempo que se explican las herramientas básicas de Python para Machine Learning, se presentan principios generales de ML y cómo aplican, para enlazar teoría y práctica.

La visualización es un aspecto clave de cualquier proyecto de ciencia de datos, Se consigue con el uso de librerías para R que implementan desde los gráficos estáticos más elaborados, como ggplot, hasta auténticos «dashboards» interactivos con la librería shiny. Además, visualizaciones tan complejas como los mapas o las representaciones de grandes conjuntos de texto están al alcance de los científicos de datos con librerías como leaflet y wordcloud.

En este tema se revisarán varios casos reales de soluciones Big Data aplicados a diferentes departamentos de una organización. Se revisarán los enfoques realizados, las mejoras producidas y las barreras tecnológicas e internas para llevar a cabo las transformaciones necesarias.

Sistemas de Soporte a la Decisión.
Marketing y Ventas
Gestión Económica Financiera
Operaciones y Logística

comienza con un repaso de las herramientas del ecosistema Hadoop, para centrarse después en Apache Spark, la tecnología más utilizada para procesamiento distribuido de grandes volúmenes de datos en un cluster de ordenadores. Profundizaremos en cada uno de los módulos de Spark, con especial énfasis en: 

• Spark SQL
• Spark MLlib
• Spark Structured Streaming
• GraphFrames

En este módulo aprenderemos a transformar los datos en conocimiento como estrategia empresarial para incrementar la competitividad basándonos en información histórica.

• Extrayendo información de los datos generados en las redes sociales
• Text Mining

• ¿Qué es el open data ?
• Cómo encontrar datos e incorporarlos a nuestros proyectos.
• Open data gubernamental: Tendencias en gobierno abierto, participación y transparencia.
• Otras fuentes de datos abiertos
• Fuentes de algoritmos abiertos

• Extrayendo información de los datos generados en las redes sociales
• Text Mining