Fundamentos de ciencias de datos

• Formulación de problemas, adquisición, modelado, análisis y presentación de datos como parte de un proyecto de ciencia de datos.
• ¿Qué hacen los científicos de datos?
• Entrevistas con científicos de datos y estudio de casos reales.

Programación para ciencias de datos

• Conceptos básicos de programación en los lenguajes Python y R, actualmente son los más adoptados en la industria.
• Técnicas que incluyen estructuras de datos (vectores, matrices, listas, entre otras), operaciones, conceptos básicos y comunes (indexación, vectorización, división, entre otras), estructuras de control y funciones.
• Operaciones de cadenas y técnicas de manipulación de datos.

Introducción a los modelos estadísticos

• Conceptos, teorías y técnicas fundamentales de análisis estadístico para la ciencia de datos.
• Estadística descriptiva y probabilidad.
• Fundamentos de operaciones más avanzadas.

Fundamentos de estrategia de negocios para ciencias de datos

• Contabilidad financiera y gerencial.
• Técnicas de análisis financiero para la toma de decisiones.
• Marketing.
• Estrategia empresarial.

Masterclass internacional

• "Competitividad internacional".

Gestión de datos y bases de datos con SQL

• Conceptos básicos y técnicas utilizadas para organizar, limpiar y administrar datos dentro y entre conjuntos de datos dispares.
• Diseño de bases de datos y el uso de bases de datos en aplicaciones de ciencia de datos con énfasis en SQL.
• Temas adicionales: control de versiones y Git.

Limpieza y manipulación de datos

• Principales técnicas de manipulación y limpieza de datos utilizando la popular biblioteca de ciencia de datos llamada Pandas, que es parte principal del lenguaje Python.
• Estructuras de datos básicas para el análisis de datos.
• Uso de funciones como agrupar y fusionar estructuras de datos.

Analítica y minería de datos

• Análisis de patrones frecuentes.
• Clasificación, agrupación y análisis de valores atípicos. haciendo uso del lenguaje R.
• Los métodos en la minería de datos.
• Aspectos computacionales de la implementación de algoritmos eficientes para manejar conjuntos de datos a gran escala.
• Técnicas de minería de datos.
• Aprendizaje automático y procesamiento de señales.

Introducción a la visualización de datos

• Mejores prácticas en visualización de datos.
• Tendencias clave en la industria y cómo convertirse en grandes narradores con datos.
• Representaciones visuales de datos a través de sistemas interactivos.
• Construcción de visualizaciones efectivas a partir de los datos.
• Uso de los principales softwares de la industria: Power BI, Tableau y Google Data Studio.

Fundamentos de machine learning

• ¿Qué es el aprendizaje automático, por qué lo utilizamos y para qué es apropiado?
• Uso del lenguaje R y las principales librerías de la especialidad.
• Aprendizaje supervisado y no supervisado.
• Principales algoritmos como k-nearest neighbors, support vector machines, decision trees y principal component análisis, entre otros.
• Técnicas de regresión lineal y no lineal.

Fundamentos de big data analytics

• Análisis y manejo de grandes conjuntos de datos estructurados y no estructurados usando medios no tradicionales.
• Teoría y aplicación de las estrategias para manipulación de conjuntos de datos distribuidos de manera eficiente.
• Uso de herramientas de analítica de datos en la nube para manipular de manera eficiente y realizar descubrimientos en conjuntos de datos de gran tamaño.

Técnicas avanzadas de machine learning

• Conceptos avanzados para la creación de modelos de machine learning.
• Redes neuronales y deep learning.
• Selección y ajuste de modelos.

Métodos de optimización para ciencias de datos

• Conceptos básicos de optimización.
• Optimización lineal con métodos de solución como simplex y el análisis de sensibilidad con aplicaciones para transporte, optimización de red y asignación de tareas.
• Optimización no lineal restringida y sin restricciones.
• Métodos de solución que utilizan herramientas como MatLab o Excel.

Masterclass internacional

• "Liderazgo y cambio".

Seminario de investigación I

• Propuesta del proyecto de tesis y su aprobación considerando criterios como título de la investigación, situación problemática, definición del problema, objetivos de la investigación y justificación e importancia del proyecto.

Seminario de investigación II

• Marco teórico para la investigación y definición de la metodología a utilizar para lograr cada objetivo propuesto.

Seminario de investigación III

• Desarrollo del proyecto con técnicas viables, métodos de cálculo, flujogramas, definición de costos, etc.
• Exposición e interpretación de los resultados y conclusiones verificables que se alcanzaron en el logro de los objetivos del proyecto.

Seminario de investigación IV

• Redacción del informe final de la investigación.

Masterclass internacional

• "IA y toma de decisiones ejecutivas".

Liderazgo transformador y gestión del cambio

• Por CIU España | 3 ECTS.

Toma de decisiones

• Por CIU España | 2 ECTS.

Gestión y manejo de crisis

• Por CIU España | 2 ECTS.

Estadística y modelos predictivos

• Por CIU España | 5 ECTS.

Prácticas profesionales (FUE)

• Por 12 ECTS.

Inteligencia artificial aplicada al trabajo

• Por CIU España | 3 ECTS.

Procesamiento de lenguaje natural y aplicaciones

• Por CIU España | 5 ECTS.

MLOps y despliegue de modelos

• Por CIU España | 5 ECTS.

Trabajo final del máster

• Por CIU España | 10 ECTS.

Harvard Business Publishing Education: Leadership

• Por Harvard.

Masterclass internacional

• "Innovación".