Inicio >> Maestria En Data Science >> Malla curricular

Malla curricular

Una formación basada en competencias, con enfoque en la creación de soluciones software a partir de tecnologías existentes y la innovación en nuevos métodos computacionales que contribuyen a la estrategia de la organización.

¿CÓMO ESTÁ CONFORMADA LA MAESTRÍA EN DATA SCIENCE?
La Maestría cuenta con cinco ejes que agrupan el total de cursos que brindamos:

MODELOS DE CLUSTERING / PREDICTIVOS Y ANALÍTICA
— Data Mining & Data Analysis
— Machine Learning
— Redes Complejas
— Probabilistic Graphical Models
— Aplicaciones de Datos en Redes Complejas
— Sistemas de Recomendación*

DATOS
— Gestión de Datos
— Analítica y Visualización de Datos
— Big Data Management*

GESTIÓN E INNOVACIÓN EMPRESARIAL
— Análisis Empresarial y Data Science
— Gobierno de Datos

HABILIDADES DIRECTIVAS Y DE LIDERAZGO
— Liderazgo Gerencial
— Inteligencia Emocional
— Negociación

INVESTIGACIÓN
— Metodología para Data Science
— Proyecto de Data Science I
— Proyecto de Data Science II

SUMILLAS
Conoce cada una de las materias que forman parte de la maestría.

MODELOS DE CLUSTERING / PREDICTIVOS Y ANALÍTICA

Data Mining & Data Analysis
El estudiante aplica técnicas de data mining y conduce experimentos basados en casos para su verificación y validación en un dominio específico.

Temario:

  • Árboles de decisión
  • Reglas de asociación
  • Clustering
  • Métodos basados en casos
  • Visualización de datos
  • Métodos y métricas para validación de técnicas de Data Mining

Machine Learning
El estudiante comprende los algoritmos representativos del aprendizaje supervisado, semi supervisado y aprendizaje por refuerzo, así como las técnicas de medición de desempeño de los mismos.

Temario:

  • Paradigma de aprendizaje supervisado y semi supervisado
  • Transformación de datos
  • Algoritmos Lazy: KNN
  • Algoritmos bayesianos
  • Árboles de decisión
  • Redes neuronales
  • Redes convolucionales
  • SVM
  • Ensembles: Bagging y Boosting
  • Evaluación de clasificadores: validación cruzada, holdout, bootstrap, curvas ROC
  • Algoritmo de Monte Carlo

Redes Complejas
El estudiante aplica la teoría de grafos y redes complejas para la estructuración de datos y de conocimiento a partir de los datos.

Temario:

  • Detección de comunidades con optimización
  • Aprendizaje supervisado basado en grafo
  • Teoría de información en redes complejas
  • Detección de subgrafo frecuente
  • Transmisión de información en redes complejas
  • Minería web
  • Minería de links

Probabilistic Graphical Models
El estudiante aplica probabilistic graphical models para la generación de conocimiento y problemas de clasificación a partir de un dataset o fuente de datos.

Temario:

  • Introducción a Probabilistic Graphical Models
  • Modelos probabilísticos: clasificadores bayesianos y Hidden Markov Models
  • Aprendizaje automático de probabilistic graphical models: aprendizaje de estructura, aprendizaje de parámetros y aplicaciones
  • Inferencia de probabilistic graphical models
  • Redes bayesianas dinámicas y redes bayesianas temporales

Aplicaciones de Datos en Redes Complejas
El estudiante implementa una aplicación para el análisis y predicción de enlaces en una comunidad de red.

Temario:

  • Medición de redes, y modelo de grafo aleatorio
  • Motifs y graphlets
  • Estructura de comunidad en redes
  • Clustering spectral
  • Link prediction
  • Graph Representation Learning
  • Aplicaciones de datos en redes complejas

Sistemas de Recomendación*
El estudiante implementa un recomendador basado en el análisis de datos de un problema específico.

Temario:

  • Introducción a los sistemas inteligentes y recomendadores, distancias y disimilitudes
  • Búsqueda por similaridad
  • Análisis de enlaces, Collaborative filtering
  • Evaluación de recomendadores, KPI en sistemas de recomendación
  • Seguridad de datos en recomendadores

 

DATOS

Gestión de Datos
El estudiante aplica herramientas necesarias para trabajar con SQL y NoSQL, reconociendo los diferentes tipos de datos existentes y considerando los criterios de eficiencia e idoneidad de las mismas según un contexto dado.

Temario:

  • Bases de datos SQL
  • Bases de datos de alto rendimiento
  • Índices, vistas y transacciones
  • Autorización y restricciones de integridad
  • Sistemas NoSQL

Analítica y Visualización de Datos
El estudiante aplica herramientas para la visualización eficiente y adecuada de grandes volúmenes de datos, considerando la simplificación y preservación de la información.

Temario:

  • Exploración de datos y visualización
  • Análisis de datos multivariados
  • Análisis de datos jerárquicos y temporales
  • Analítica de visualización de datos
  • Dashboard de visualización

Big Data Management
El estudiante aplica los conceptos de gestión de grandes volúmenes de datos para su análisis, detección de patrones y descubrimiento de conocimiento.

Temario:

  • Introducción al Big Data
  • Almacenamiento distribuido
  • Procesamiento paralelo
  • Procesamiento de flujo de datos (Spark-Streaming)
  • Algoritmos para minería de datos a gran escala
  • Algoritmos para minería de datos a gran escala
  • Algoritmos para machine learning a gran escala

 

GESTIÓN E INNOVACIÓN EMPRESARIAL

Análisis Empresarial y Data Science
El estudiante identifica las oportunidades en el negocio para la aplicación de soluciones de Data Science.

Temario:

  • Madurez empresarial
  • Arquitectura de aplicaciones y datos
  • Seguridad de Información
  • Implementación de soluciones de Data Science y continuidad en el negocio

Gobierno de Datos
El estudiante planifica la implementación de un proyecto de Data Science como un rol estratégico dentro de una organización, considerando las necesidades funcionales de la empresa.

Temario:

  • Identificación del impacto de Data Science en los estándares, políticas y procesos de la gestión de datos en una organización
  • Integración de procesos negocios con un proyecto de Data Science
  • Planificación de la implementación de un proyecto de Data Science y rol estratégico

 

HABILIDADES DIRECTIVAS Y DE LIDERAZGO

Liderazgo Gerencial
El alumno adquiere las herramientas necesarias para consolidar una posición estratégica bajo el entorno del liderazgo y desarrolla capacidades para ser un agente que propicia el cambio, para que tanto él como su equipo se adapten a este cambio y a nuevas circunstancias, y se obtenga lo mejor de cada colaborador, con la finalidad de lograr mejoras en la productividad y en los objetivos empresariales.

Temario:

  • El líder y el equipo
  • Retar lo establecido
  • Inspirar: visión compartida
  • El manejo de la incertidumbre y el cambio
  • Comunicar y comunicar, motivando e inspirando
  • El arte de lograr resultados
  • Creatividad e innovación
  • El aprendizaje de los temas desde una perspectiva vivencial

Inteligencia Emocional
El alumno identifica, analiza y aplica los elementos, principios y conductas de la inteligencia emocional, los cuales contribuyen a su propio conocimiento y al desarrollo de sus colaboradores en el ámbito empresarial.

Temario:

  • Inteligencia emocional e inteligencias múltiples
  • El reconocimiento de nuestras propias emociones
  • El manejo de las emociones
  • Automotivación y búsqueda de sentido
  • La empatía: comprensión de las emociones de los otros
  • Cultivando nuestras habilidades sociales
  • La inteligencia emocional en el trabajo de equipo

Negociación
El estudiante comprende que la forma más efectiva de resolver los conflictos en el mundo de los negocios es a través de acuerdos sistémicos negociados, conciliando resultados de corto plazo con sostenibilidad en el tiempo, ayudando a administrar los trade-off.

Temario:

  • Modelos mentales: pertinencia y obsolescencia
  • Estilos y conductas exitosas de negociación
  • Temperamentos del negociador
  • Tácticas de negociación
  • Identificación y uso en casos particulares
  • La determinación del valor: casos de experiencias reales y role playing
  • Negociación y ética
  • Plan de negociación: análisis, diseño de la estrategia, planeamiento y ejecución

INVESTIGACIÓN

Metodología para Data Science
El estudiante comprende el ciclo de una solución de Data Science desde la contextualización de un problema de negocio hacia el procesamiento de los datos, generación de modelos, despliegue y feedback para la toma de decisiones.

Temario:

  • Ciclo de vida de aplicación de Data Science
  • Comprensión del negocio
  • Enfoque analítico
  • Requerimientos de datos
  • Colección de datos
  • Pre-procesamiento de datos
  • Etapas de modelamiento y evaluación de modelos predictivos y de clustering
  • Despliegue y feedback de modelos predictivos y de clustering

Proyecto de Data Science I
El estudiante aplica metódicamente el planteamiento del tema, objetivos, alcance y plan de ejecución de un proyecto de Data Science.

Temario:

  • Fundamentación de Proyecto
  • Desarrollo y Control de Proyecto

Proyecto de Data Science II
El estudiante integra los artefactos producidos en el desarrollo de su proyecto de investigación, justificando su viabilidad y su aporte técnico y social.

Temario:

  1. 1. Desarrollo de la propuesta
  2. 2. Validación del proyecto

 

*Cursos dictados en la Misión Académica Internacional a Barcelona.