El objetivo formativo general del programa es capacitar a los estudiantes para iniciar o reorientar su carrera dentro del perfil del data scientist y de perfiles relacionados. Concretamente se pretende:

• Proporcionar las habilidades prácticas necesarias para el uso de los componentes de TI fundamentales que forman el contexto de trabajo de los profesionales del dato, desde el preprocesamiento hasta la visualización y presentación de datos
• Ser capaces de utilizar programación estadística y aplicar un amplio rango de técnicas analíticas a los datos de manera práctica
• Comprender y saber aplicar críticamente los procesos de creación, evaluación y evolución de modelos predictivos y de procesos de descubrimiento de información, utilizando pipelines de datos y desarrollando la habilidad de seleccionar nuevas herramientas y técnicas de manera autónoma.

Competencias

► Saber utilizar entornos de data science para un amplio rango de tareas analíticas, incluyendo la preparación y transformación de datos. 

► Contextualizar y guiar las tareas de análisis en contextos de negocio, aplicación o transformación concretos. 

► Aplicar técnicas de análisis estadístico e inferencia a datos de problemas diversos. 

► Utilizar técnicas, herramientas y algoritmos de aprendizaje automático, supervisado y no supervisado, a la creación de modelos predictivos o de asociación y saber evaluarlos, actualizarlos y      desplegarlos. 

► Aplicar técnicas de análisis estadístico avanzado a tareas de modelado sobre datos heterogéneos. 

► Aplicar el tratamiento de análisis de redes sociales y sus herramientas al tratamiento de datos relacionales y modelos de red en una variedad de problemas. 

► Aplicar métodos y técnicas de procesamiento del lenguaje natural y minería de texto para resolver problemas, extraer información o construir sistemas de etiquetado, valoración o análisis. 

► Saber seleccionar y aplicar tecnologías de paralelización de datos y desarrollar procesamientos paralelos sobre las mismas con los paradigmas más adecuados. 

► Aplicar el tratamiento de análisis de redes sociales y sus herramientas al tratamiento de datos relacionales y modelos de red en una variedad de problemas

► Aplicar métodos y técnicas de procesamiento del lenguaje natural y minería de texto para resolver problemas, extraer información o construir sistemas de etiquetado, valoración o análisis

► Saber seleccionar y aplicar tecnologías de paralelización de datos y desarrollar procesamientos paralelos sobre las mismas con los paradigmas más adecuados

► Saber diseñar soluciones para las problemáticas del procesamiento en tiempo real

► Saber diseñar bases de datos no convencionales, seleccionando la solución más adecuada para un cierto tratamiento o perfil de aplicación

► Saber explicar el valor de Big Data y la analítica de negocio para la organización y formular casos y aplicaciones de transformación de negocio basado en ellos.

► Diseñar, aplicar y desplegar soluciones de analítica para grandes volúmenes de datos que escalen en clusters de computadoras.

► Saber comunicar resultados de analítica ligados a objetivos de negocio, para audiencias técnicas y no técnicas

Destinatarios

► El programa se dirige a profesionales con un perfil técnico (ingenierías TIC), cuantitativo (matemáticas, estadística) o de negocio (economía, empresa) que deseen afrontar el reto de Big Data como ventaja competitiva, especializándose en el análisis de datos.

► Se requiere capacidad para leer textos técnicos en inglés.

 

Metodología

El programa se ha diseñado de acuerdo a los siguientes principios:

• Flexibilidad. Permitir una adaptación del esfuerzo dedicado por el estudiante a sus circunstancias profesionales o personales.
• Autonomía. La metodología se basa en el aprendizaje activo y autónomo del estudiante, de modo que el profesor-tutor tiene como funciones básicas la organización de las actividades de aprendizaje y la tutorización.

La metodología es una adaptación del modelo de flipped classroom o flipped learning (a veces denominado “aula o clase invertida”). En un entorno 100% on-line, esta adaptación implica que el estudiante cuenta con sus Guías de Estudio (GES) para cada asignatura o módulo, y el profesor-tutor cumple los siguientes roles:

• Asistencia al estudiante con la realización de las actividades en la GES.
• Interacción síncrona (videoconferencia) adaptada a la marcha del grupo.

De este modo, la interacción síncrona no está pre-programada de manera rígida sino que responde a eventos, problemas u oportunidades que surgen de la marcha del estudio del grupo. Esto permite que los estudiantes puedan seguir diferentes ritmos y no necesiten ajustarse a un calendario o una velocidad determinada por la programación docente.

En cuanto a la programación docente, los estudiantes tienen los siguientes elementos:

• Secuenciación de asignaturas y módulos del plan de estudio, de acuerdo a las pre-condiciones, que sirven como “mapa de carreteras” para los estudiantes.
• Materiales y recursos de cada módulo o asignatura, incluyendo como elemento clave directriz las GES.
• Una extensión máxima de 18 meses para superar las evaluaciones.

A partir de los elementos anteriores, los estudiantes proponen su plan de estudio con una programación y planificación inicial que sirve como guía para el progreso por parte de tutores y alumnos. Ese plan de estudio es crucial para el seguimiento de los estudiantes y eventuales medidas de apoyo.

La evaluación, descrita a continuación, se realiza mediante Pruebas de Evaluación Continua (PEC) de carácter práctico, que siguen un esquema de evaluación por portafolio.

Plan de Estudios

Contenidos

Primer Semestre

MODULO I:     HERRAMIENTAS Y LENGUAJES EN DATA SCIENCE
MODULO II:   APRENDIZAJE AUTOMÁTICO: TÉCNICAS Y HERRAMIENTAS
MODULO III: PARALELIZACIÓN Y ESCALABILIDAD EN EL TRATAMIENTO DE DATOS

Segundo Semestre

MODULO IV:  INTELIGENCIA DE NEGOCIO Y VISUALIZACIÓN
MODULO V:   TÉCNICAS ANALÍTICAS: ESTADÍSTICAS Y REDES
MODULO VI:  TÉCNICAS ANALÍTICAS DEL LENGUAJE Y MEDIOS

MODULO VII: TRABAJO FIN DE MÁSTER

Descripción de Contenidos

Primer Semestre

MODULO I: 1. HERRAMIENTAS Y LENGUAJES EN DATA SCIENCE 

El estudiante debe adquirir competencias en programación para el tratamiento de datos en lenguajes utilizados profesionalmente, como podrían ser Python y R. Esto incluye la carga, limpieza y transformación de datos, así como el uso de bibliotecas y técnicas para obtener y transformar datos de fuentes diversas incluyendo Internet.

MODULO II: 2. APRENDIZAJE AUTOMÁTICO: TÉCNICAS Y HERRAMIENTAS 

El estudiante debe comprender los fundamentos del aprendizaje automático, y los métodos y técnicas fundamentales para el aprendizaje supervisado, no supervisado, híbrido y por refuerzo. Debe también conocer los modelos conexionistas y el Deep Learning como un tipo de modelos que tiene capacidades para aprender representaciones que son especialmente útiles para ciertas aplicaciones. Una vez dominados los aspectos generales, se introducen aspectos avanzados para aplicaciones o situaciones especiales, así como para la automatización de las tareas.

MODULO III: PARALELIZACIÓN Y ESCALABILIDAD EN EL TRATAMIENTO DE DATOS 

El estudiante debe comprender los diferentes modelos de almacenamiento en bases de datos y sus características de escalabilidad, sabiendo utilizar diferentes lenguajes y tipos de consultas como medio de extraer datos para las tareas de data science.
El estudiante debe conocer las diferentes plataformas para procesamiento paralelo, tales como Hadoop y Spark, así como las plataformas de este tipo para los datos en streaming o que se producen a altas velocidades. Finalmente, el estudiante debe saber seleccionar y utilizar servicios en la nube que utilizar tecnologías para la creación de modelos analíticos o la extracción de patrones en aplicaciones que utilizan Big Data.

Segundo Semestre

MODULO IV: 4. INTELIGENCIA DE NEGOCIO Y VISUALIZACIÓN 

Los estudiantes deben conocer las técnicas de organización y extracción de datos (ETL) de fuentes y almacenes de datos, y el uso de herramientas de BI para la creación de informes y dashboards. El estudiante tiene que conocer las bases de la teoría de la visualización y que herramientas y lenguajes son útiles para el diseño y creación de visualizaciones para audiencias diversas.

MODULO V: 5. TÉCNICAS ANALÍTICAS: ESTADÍSTICAS Y REDES 

El estudiante debe conocer los modelos y técnicas de inferencia y análisis estadístico principales, y su aplicación al análisis de redes temporales. Con ese conocimiento debe ser capaz de aplicar técnicas de análisis de redes basadas en grafos para observar estructura en datos relacionales, encontrar patrones o contrastar hipótesis.

MODULO VI: 6. TÉCNICAS ANALÍTICAS DEL LENGUAJE Y SEÑALES 

El estudiante debe conocer y saber aplicar las técnicas fundamentales para el tratamiento de datos en lenguaje natural, extrayendo patrones, creando modelos y analizando el texto. Esta base se utiliza entonces para ser capaz de utilizar técnicas de computación cognitiva, en muchos casos con la aplicación de técnicas Deep Learning para el procesamiento de señales, como pueden ser imagen, vídeo o audio, integrando técnicas y trabajando con tipos de datos específicos.

MODULO VII: Trabajo Fin De Master

Realización de un proyecto de data science individual y original, aplicando las habilidades adquiridas en el resto de los módulos

Director Académico:

D. Lino González García

Equipo Docente:

La característica general del equipo docente es la de ser profesionales en activo de reconocida trayectoria en los ámbitos de su competencia con amplia experiencia en el campo del Data Science y Big Data como consultores, directivos y/o asesores en empresas públicas y privadas.

Docentes:

D. Lino González García

► Ingeniero Informático por la Universidad Carlos III. Máster en Educación y TIC (UOC). Máster en Big Data y Business Analytics (Universidad de Alcalá).
► Amplia experiencia empresas relacionadas con la formación y la consultoría, teniendo una continua vinculación con el desarrollo de soluciones e-learning y la aplicación de nuevas tendencias en el ámbito educativo.
►Director Área e-learning, Director Área Universidades. Fundación CIFF.
► Profesor en diferentes programas en Data Science y Big Data en la Universidad de Alcalá, IMF, Fundación Ramón Areces y COIT
► CEO ToCOROT.
► Socio Fundador In2AI.

Dña. Pilar Muñoz

► Licenciada en Filosofía y Ciencias de la Educación. Máster en Desarrollo Directivo, Inteligencia Emocional y Coaching. Amplia experiencia en formación y desarrollo de equipos multidisciplinares, estrategia empresarial y análisis de resultados
► FUNDACIÓN UNED. Directora de Formación y Proyectos
► UNED. Directora de cursos de verano
► RED ESPAÑOLA DE FUNDACIONES UNIVERSIDAD EMPRESA. Vicepresidenta
► FUNDACIÓN UNIVERSIDAD EMPRESA DE MADRID. Directora Programa TECNA del Fondo Social Europeo
► COMUNIDAD DE MADRID. Profesora de Educación de Adultos

D. Juan José Sánchez 

► Doctor en Informática por la Universidad de Alcalá, Ingeniero en Informática por la Universidad Carlos III e Ingeniero Técnico en Informática de Sistemas por la Universidad de Alcalá. Amplia experiencia docente en Universidades así como en cursos de formación y másteres. Dirigidos más de un centenar de trabajos fin de máster, trabajos fin de grado y trabajos fin de carrera. Miembro de varios grupos de investigación, habiendo publicado cerca de cincuenta trabajos en revistas y congresos tanto de ámbito nacional como internacional.
► TELEFÓNICA AUDIOVISUAL DIGITAL. Responsable de Ciberseguridad.
► UNIVERSIDAD DE ALCALÁ. Profesor Asociado.
► ULTING SERVICES. Director División. Miembro Consejo Asesor.

D. Abel González 

► Ingeniero técnico en informática de sistemas. Amplia experiencia en entornos analíticos (BI y Big Data) y de gestión de personal. Más de 15 años como formador de disciplinas técnicas y herramientas.
► TSD CONSULTING. Director de área de BI, área de Big Data y oficina de Madrid.
► ALTRAN. Responsable técnico y consultor sénior de BI.
► AULAE BI. Consultor BI.
► WORLDNET CONSULTING. Consultor BI.

D. Daniel Burrueco 

► Ingeniero Superior de Telecomunicación. MBA ejecutivo
► Máster en Business Intelligence y Big Data.
► Consultor de Business Intelligence y Machine Learning.
► Let’s Health. Director de Operaciones y Estrategia.
► Nucleosoft. Director Comercial.
► Coconut Technologies. Propietario
► YDreams. Gestor de Proyectos Internacionales.  SirsiDynix. Director de Cuentas (Iberia y LATAM).
► Philosoft. Co-propietario
► Telefónica Data. Jefe de Grupo de Marketing Operativo.

►Grupo Aspro Ocio. Jefe de Departamento de IT.
►Arthur Andersen. Asistente de auditoría.

D. José Luis Sánchez

► Graduado en matemáticas por la Universidad Autónoma de Madrid. Máster en matemáticas avanzadas por la UNED. Master en Data Science por la Universidad de Alcalá. Especializado en análisis de datos temporales y espacio-temporales. Foco en análisis estadístico.
► STRATEGY BIG DATA: Científico de datos.
► SAPTOOLS CONSULTING: Científico de datos Lyreco España. Director Comercial España y Portugal

D. Marçal Mora Cantallops 

► Doctor en Ciencias de la Computación por la Universidad de Alcalá, Máster en Data Science (UAH) e Ingeniero Superior Industrial e Ingeniero Superior Informático por la UPC. Actualmente es investigador y docente en el ámbito de las Ciencias de la Computación, la Analítica de Redes Sociales y los Game Studies.

► UAH. Profesor asociado.
► UOC. Profesor consultor en el Grado y en el Máster en Ciencia de Datos.
► Universidad Nebrija. Profesor Máster TIC para la Educación y el Aprendizaje Digital.
► EOI. Docencia en Analítica de Redes Sociales

► UAH. Personal de Investigación.

D. Manuel Gadi 

► En el mundo académico, Manoel Gadi lleva más de 6 años como profesor asociado en máster de Business Analytics & Big Data en el Instituto de Empresa y participa en máster y/o grados en varias universidades: Universidad de Alcalá, U-TAD, Universidad de Navarra e Instituto de Empresa. Los principales cursos son: Introducción a Programación en C y Python, Introducción a Estadística con Python y/o R. Programación WEB (Fundamentos HTML-CSS-JS, Programación Cliente-JQuery-Bootstrap-REACT y Programación Servidor-Python-Django-Flask), Analítica Financiera, Automated-Machine Learning con Dataiku y Python, finalmente Procesamiento de Datos con MongoDB y Spark. En el mundo empresarial, Manoel tiene más de 16 años de experiencia en banca desarrollando modelos analíticos de crédito y fraude para individuos y empresas, y también lidiando el equipo de Investigación y Desarrollo, equipo responsable por mejorar procedimientos, procesos, herramientas y técnicas involucrados en el desarrollo y seguimiento de todos los modelos dentro un banco (crédito y mercado para individuos, empresas e inversores). Empezó su carrera en Citibank en Brasil, trabajó también en la parte financiera del grupo C&A de ropas y con el banco Santander ha estado 4 años expatriado en Inglaterra y 3 años en España. Ha sido Director de la unidad de Rating para empresas de Bravo Capital aquí en Madrid. Además es autor de publicaciones científicas y ponente recurrente en conferencia en el mundo de crédito.

D. David Díaz Vico

► Actualmente Data scientist – Instituto de Ingeniería del Conocimiento.
► Doctorado, Ingeniería Informática y de Telecomunicación, Universidad Autónoma de Madrid.

► Master, Ingeniería Informática y de Telecomunicación, Universidad Autónoma de Madrid.

► Master, Matemáticas y Aplicaciones, Universidad Autónoma de Madrid.

► Licenciatura, Matemáticas, Universidad Autónoma de Madrid.

► Ingeniería Superior, Informática, Universidad Autónoma de Madrid.
► Con anterioridad trabajó como Data Scientist en Telefónica y Analista en Neo Metrics – Accenture.

D. Alberto Torres Barrán

► Doctor en Ingeniería Informática y Máster en Inteligencia Computacional por la UAM. Experiencia en aprendizaje automático, tanto aspectos teóricos como aplicaciones prácticas.
Investigador en ICMAT-CSIC, grupo SPOR-Datalab. Multitud de proyectos de transferencia con empresas
Investigador doctoral en la UAM. Optimización convexa y modelos lineales
Docente en distintos másters y cursos en empresas: UAH, UAM, HP, INE, etc. Python/R aplicados al análisis de datos, aprendizaje automático y deep learning
Me interesan principalmente las asignaturas de herramientas, lenguajes, programación y aprendizaje automático.

► Será necesario estar en posesión de un título universitario oficial: Diplomado, Licenciado o Graduado Universitario. Asimismo, podrán acceder los titulados universitarios conforme a sistemas educativos extranjeros sin necesidad de la homologación de sus títulos, siempre que acrediten un nivel de formación equivalente a los correspondientes títulos universitarios oficiales españoles y que faculten en el país expedidor del título para el acceso a enseñanzas que así lo requieran.
Los estudiantes deberán entregar copia compulsada de su titulación universitaria antes del inicio del curso

► Experiencia profesional de acreditada con el informe de vida laboral y certificado de empresa. En el caso de alumnos extranjeros deberán aportar certificado de empresa

► Para el aprovechamiento del programa, es necesario partir de una base de conocimientos y habilidades, que incluyen los siguientes:

• Fundamentos de programación básica, orientada a la programación estadística.
• Fundamentos de estadística básica, descriptiva y contraste de hipótesis.
• Comprensión del modelo de base de datos relacional y uso del lenguaje SQL.
• Lenguajes de Internet básicos: HTML, CSS y comprensión del funcionamiento de Internet.
• Manejo básico de interfaces de línea de comandos, y gestión de máquinas virtuales.
• Uso de repositorios en línea como Github.

► Estas habilidades quedan fuera de programa, por lo que para asegurar la adaptación de los estudiantes, se hace una auto-evaluación y un análisis personalizado para los estudiantes pre-inscritos. Se identifican los “gaps” en esos conocimientos y se tutoriza a los estudiantes para superarlos antes de entrar a las materias propias del programa.

 

Matrícula y Precios

En la Fundación INVESFORD  apostamos por la excelencia académica, uno de los pilares fundamentales de nuestro Proyecto Educativo. Por este motivo, valoramos las diferentes circunstancias, aptitudes, habilidades y valores de quienes desean formar parte de nuestra Institución.

Para aplicar estos conceptos a la realidad de los estudiantes y teniendo como premisa llegar al máximo posible de estos, Fundación INVESFORD pone en marcha un programa de matriculación con descuento en concepto de ayuda sobre el precio total del curso.

Una vez completada la matriculación INVESFORD comprobará la documentación aportada por el alumno para su verificación y apertura de expediente, en el caso de encontrar algún error o irregularidad en la documentación nos pondremos en contacto con el alumno para subsanar la incidencia, si esto no fuera posible INVESFORD aplicara las normas específicas para cada caso (ver Normas de Organización ).