Aprovecha tu beca de hasta 25% Becas hasta 25%

Titulación Universitaria + 60 Créditos ECTS

Máster en Data Engineering + 60 Créditos ECTS

Máster en Data Engineering + 60 Créditos ECTS

¿Quieres especializarte en la gestión y procesamiento eficiente de grandes volúmenes de datos y prepararte para proyectos de Data Engineering? Fórmate en infraestructuras, transformación y procesamiento a gran escala.

  • 100% Online
  • 1500
  • Conv. abierta
  • Becas
  • Titulación Universitaria
  • Modalidad 100% online, a tu ritmo
  • 60 Créditos ECTS
  • Sin permanencia · Te contestamos en menos de 24 h
Máster en Data Engineering + 60 Créditos ECTS

Un máster con datos verificables del programa

  • 60 Créditos ECTS
  • Facultad de Análisis de Datos
  • Prácticas en centros reales
  • Título propio INESEM

¿Qué conseguirás al terminar este máster?

Ingeniería de Big Data

Aborda el Big Data desde la óptica de la ingeniería para gestionar y procesar grandes volúmenes de datos.

Fundamentos de Data Science

Estudia el Data Science en sus fundamentos de almacenamiento, análisis y procesamiento de datos.

Procesamiento con Python

Emplea herramientas de Python y R para el procesamiento, análisis y estudio de los datos.

Machine Learning y Deep Learning

Conoce los campos del Machine Learning y el Deep Learning para aplicar técnicas a proyectos de datos.

Temario del programa

8 módulos que cubren desde principios de computación e introducción a la programación hasta Big Data, Data Science y Machine Learning. Haz clic en cada módulo para ver el contenido completo.

01

Módulo 1. Pensamiento Computacional

Unidad Didáctica 1. Introducción Pensamiento computacional

  • Presentación al pensamiento computacional
  • ¿Qué es y para qué se usa pensamiento computacional?
  • ¿Quiénes deben de aprender el pensamiento computacional?

Unidad Didáctica 2. Tipos de Pensamiento Que Conocemos

  • Pensamiento analítico
  • Razonamiento aproximado, conceptual, convergente, divergente, sistemático, synvergente

Unidad Didáctica 3. Conocemos el Pensamiento Computacional

  • Proceso, conceptos y actitudes del pensamiento computacional
  • Proceso de simulación
  • Concepto y procesos de paralelismo automatización
  • Trabajo en equipo en el pensamiento computacional

Unidad Didáctica 4. Parte Avanzada de Fondo el Pensamiento Computacional

  • Abstracción en pensamiento computacional
  • Descomprimir los elementos
  • Proceso de evaluación de pensamiento computacional

Unidad Didáctica 5. Aplicaciones del Pensamiento Computacional

  • Posibles problemas
  • Datos relacionados con de entrada y salida en el pensamiento
  • Solución al problema
02

Módulo 2. Big Data para Ingenierías

Unidad Didáctica 1. Introducción

  • ¿Qué es Big Data?
  • Paradigmas de procesamiento en Big Data
  • Las 8 V de Big Data (Volumen, Volatilidad, Variedad, Valor, Velocidad, Variabilidad, Veracidad, Validez)

Unidad Didáctica 2. Batch Processing

  • MapReduce
  • Hadoop
  • Apache Hadoop YARN
  • Agregación de los logs de YARN
  • Obtención de datos en HDFS
  • Planificación de un cluster Hadoop
  • Instalación y configuración de Hive, Pig e Impala
  • Clientes Hadoop incluidos en Hue
  • Configuración avanzada de un cluster
  • Seguridad Hadoop
  • Gestión de recursos
  • Mantenimiento de un cluster
  • Solución de problemas y monitorización de un cluster

Unidad Didáctica 3. Ciencia de Datos

  • Data Science
  • Apache Spark
  • Machine Learning
  • Apache Spark MLlib

Unidad Didáctica 4. Desarrollo para Spark y Hadoop

  • Datasets y Dataframes
  • Operaciones en Dataframe
  • Trabajar con Dataframes y Schemas
  • Crear Dataframes a partir de Data Sources
  • Guardar DataFrames en Data Sources
  • DataFrame Schemas
  • Rapidez y lentitud de ejecución
  • Análisis de datos con consultas de DataFrame
  • RDD
  • Transformación de datos con RDDs
  • Agregación de datos con Pair RDDs
  • Consulta y vistas de tablas con Spark SQL
  • Creación, configuración y ejecución de aplicaciones Spark
  • Procesamiento distribuido
  • Persistencia de datos distribuidos
  • Patrones comunes al procesar datos con Spark
  • Spark Streaming: Introducción a DStreams
  • Spark Streaming: procesamiento de múltiples lotes
  • Apache Spark Streaming: Data Sources

Unidad Didáctica 5. Análisis de Datos

  • Introducción a Pig
  • Análisis de datos básico con Pig
  • Procesado de datos complejos con Pig
  • Operaciones con multiconjuntos de datos con Pig
  • Troubleshooting y optimización de Pig
  • Introducción a Hive e Impala
  • Consultas con Hive e Impala
  • Administración de datos
  • Almacenamiento y datos de rendimiento
  • Análisis de datos relacional con Hive e Impala
  • Datos complejos con Hive e Impala
  • Análisis de texto con Hive e Impala
  • Optimización Hive
  • Optimización de Impala
  • Extendiendo Hive e Impala
03

Módulo 3. Data Science: Almacenamiento, Análisis y Procesamiento de Datos

Unidad Didáctica 1. Introducción a la Ciencia de Datos

  • ¿Qué es la ciencia de datos?
  • Herramientas necesarias para el científico de datos
  • Data Science & Cloud Computing
  • Aspectos legales en Protección de Datos

Unidad Didáctica 2. Bases de Datos Relacionales

  • Introducción
  • El modelo relacional
  • Lenguaje de consulta SQL
  • MySQL Una base de datos relacional

Unidad Didáctica 3. Bases de Datos Nosql y el Almacenamiento Escalable

  • ¿Qué es una base de datos NoSQL?
  • Bases de datos Relaciones Vs Bases de datos NoSQL
  • Tipo de Bases de datos NoSQL Teorema de CAP
  • Sistemas de Bases de datos NoSQL

Unidad Didáctica 4. Introducción a un Sistema de Bases de Datos Nosql: Mongodb

  • ¿Qué es MongoDB?
  • Funcionamiento y uso de MongoDB
  • Primeros pasos con MongoDB: Instalación y shell de comandos
  • Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
  • Actualización de datos en MongoDB: Sentencias set y update
  • Trabajando con índices en MongoDB para optimización de datos
  • Consulta de datos en MongoDB

Unidad Didáctica 5. Weka y Data Mining

  • ¿Qué es Weka?
  • Técnicas de Data Mining en Weka
  • Interfaces de Weka
  • Selección de atributos

Unidad Didáctica 6. Pentaho una Solución Open Source para Business Intelligence

  • Una aproximación a PENTAHO
  • Soluciones que ofrece PENTAHO
  • MongoDB & PENTAHO
  • Hadoop & PENTAHO
  • Weka & PENTAHO

Unidad Didáctica 7. R Como Herramienta para Big Data

  • Introducción a R
  • ¿Qué necesitas?
  • Tipos de datos
  • Estadística Descriptiva y Predictiva con R
  • Integración de R en Hadoop

Unidad Didáctica 8. Pre-procesamiento & Procesamiento de Datos

  • Obtención y limpieza de los datos (ETL)
  • Inferencia estadística
  • Modelos de regresión
  • Pruebas de hipótesis

Unidad Didáctica 9. Análisis de los Datos

  • Inteligencia Analítica de negocios
  • La teoría de grafos y el análisis de redes sociales
  • Presentación de resultados
04

Módulo 4. Cálculo Numérico para Computación en Ciencia e Ingeniería

Unidad Didáctica 1. Introducción a los Computadores

  • Introducción
  • Conceptos básicos sobre computadores
  • Componentes de un computador
  • Software de un computador
  • Parámetros característicos del computador digital
  • Clasificación de los computadores
  • Breve historia de los computadores
  • Estudio de los computadores
  • Computación Científica en supercomputadores

Unidad Didáctica 2. Introducción a la Programación y Herramientas de Cálculo Numérico

  • Introducción
  • Resolución de problemas
  • Lenguajes de programación
  • Herramientas de cálculo numérico

Unidad Didáctica 3. el Sistema Matlab

  • Introducción
  • Acceso a MATLAB
  • Introducción de matrices
  • Operaciones sobre matrices y componentes de matrices
  • Expresiones y variables
  • El espacio de trabajo
  • Funciones para construir matrices
  • Control de flujo programando en MATLAB
  • Funciones escalares
  • Funciones vectoriales
  • Funciones matriciales
  • Generación de submatrices
  • Ficheros .M
  • Entrada y salida de texto
  • Medidas de eficiencia de algoritmos
  • Formato de salida
  • Gráficos en dos dimensiones
  • Gráficos en tres dimensiones
  • Elaboración de programas en MATLAB

Unidad Didáctica 4. Aritmética del Computador

  • Introducción
  • Representación interna de números
  • Errores debidos a la representación interna de los números
  • Errores en la realización de operaciones
  • Algoritmos estables e inestables. Condicionamiento de un problema
  • Ejercicios complementarios

Unidad Didáctica 5. Ecuaciones Algebraicas de una Variable

  • Introducción
  • Método de bisección o bipartición
  • Método de interpolación lineal o Regula Falsi
  • Método de aproximaciones sucesivas o punto fijo
  • Método de Newton-Raphson
  • Método de la secante
  • Criterios de convergencia para los métodos iterativos
  • Dificultades a la hora de calcular las raíces de una función
  • Cálculo de ceros de polinomios
  • Ejercicios complementarios

Unidad Didáctica 6. Sistemas de Ecuaciones Algebraicas

  • Introducción
  • Métodos directos
  • Métodos iterativos
  • Comparación entre métodos iterativos y directos
  • Introducción a los sistemas de ecuaciones algebraicas no lineales
  • Ejercicios complementarios

Unidad Didáctica 7. Interpolación y Aproximación

  • Introducción
  • Interpolación polinomial
  • Aproximación por polinomios
  • Introducción a la interpolación por funciones racionales
  • Ejercicios complementarios

Unidad Didáctica 8. Diferenciación e Integración

  • Introducción
  • Diferenciación numérica
  • Integración numérica
  • Ejercicios complementarios
05

Módulo 5. Análisis de Datos con Python

Unidad Didáctica 1. Introducción Al Análisis de Datos

  • ¿Qué es el análisis de datos?

Unidad Didáctica 2. Librerías para el Análisis de Datos: Numpy Pandas y Matplotlib

  • Análisis de datos con NumPy
  • Pandas
  • Matplotlib

Unidad Didáctica 3. Filtrado y Extracción de Datos

  • Cómo usar loc en Pandas
  • Cómo eliminar una columna en Pandas

Unidad Didáctica 4. Pivot Tables

  • Pivot tables en pandas

Unidad Didáctica 5. Groupby y Funciones de Agregación

  • El grupo de pandas

Unidad Didáctica 6. Fusión de Dataframes

  • Python Pandas fusionando marcos de datos

Unidad Didáctica 7. Visualización de Datos con Matplotlib y con Seaborn

  • Matplotlib
  • Seaborn

Unidad Didáctica 8. Introducción Al Machine Learning

  • Aprendizaje automático

Unidad Didáctica 9. Regresión Lineal y Regresión Logística

  • Regresión lineal
  • Regresión logística

Unidad Didáctica 10. Árbol de Decisiones

  • Estructura de árbol

Unidad Didáctica 11. Naive Bayes

  • Algoritmo de Naive bayes
  • Tipos de Naive Bayes

Unidad Didáctica 12. Support Vector Machines (svm)

  • Máquinas de vectores soporte (Support Vector Machine-SVN
  • 2.¿Cómo funciona SVM?
  • Núcleos SVM
  • Construcción de clasificador en Scikit-learn

Unidad Didáctica 13. Knn

  • K-nearest Neighbors (KNN)
  • Implementación de Python del algoritmo KNN

Unidad Didáctica 14. Principal Component Analysis (pca)

  • Análisis de componentes principales

Unidad Didáctica 15. Random Forest

  • Algoritmo de random forest
06

Módulo 6. Data Science y Programación Estadística con Python y R

Unidad Didáctica 1. Introducción a la Ciencia de Datos

  • ¿Qué es la ciencia de datos?
  • Herramientas necesarias para el científico de datos
  • Data Science & Cloud Compunting
  • Aspectos legales en Protección de Datos

Unidad Didáctica 2. Bases de Datos Relacionales

  • Introducción
  • El modelo relacional
  • Lenguaje de consulta SQL
  • MySQL. Una base de datos relacional

Unidad Didáctica 3. Python y el Análisis de Datos

  • Introducción a Python
  • ¿Qué necesitas?
  • Librerías para el análisis de datos en Python
  • MongoDB, Hadoop y Python. Dream Team del Big Data

Unidad Didáctica 4. R Como Herramienta para Big Data

  • Introducción a R
  • ¿Qué necesitas?
  • Tipos de datos
  • Estadística Descriptiva y Predictiva con R
  • Integración de R en Hadoop

Unidad Didáctica 5. Pre-procesamiento & Procesamiento de Datos

  • Obtención y limpieza de los datos (ETL)
  • Inferencia estadística
  • Modelos de regresión
  • Pruebas de hipótesis

Unidad Didáctica 6. Análisis de los Datos

  • Inteligencia Analítica de negocios
  • La teoría de grafos y el análisis de redes sociales
  • Presentación de resultados
07

Módulo 7. Introducción Aprendizaje Automático (machine Learning)

Unidad Didáctica 1. Introducción Al Machine Learning

  • Introducción
  • Clasificación de algoritmos de aprendizaje automático
  • Ejemplos de aprendizaje automático
  • Diferencias entre el aprendizaje automático y el aprendizaje profundo
  • Tipos de algoritmos de aprendizaje automático
  • El futuro del aprendizaje automático

Unidad Didáctica 2. Extracción de Estructura de los Datos: Clustering

  • Introducción
  • Algoritmos

Unidad Didáctica 3. Sistemas de Recomendación

  • Introducción
  • Filtrado colaborativo
  • Clusterización
  • Sistemas de recomendación híbridos

Unidad Didáctica 4. Clasificación

  • Clasificadores
  • Algoritmos

Unidad Didáctica 5. Redes Neuronales y Deep Learning

  • Componentes
  • Aprendizaje

Unidad Didáctica 6. Sistemas de Elección

  • Introducción
  • El proceso de paso de DSS a IDSS
  • Casos de aplicación
08

Módulo 8. Desarrollo de Deep Learning

Unidad Didáctica 1. Deep Learning con Python, Keras y Tensorflow

  • Aprendizaje profundo
  • Entorno de Deep Learning con Python
  • Aprendizaje automático y profundo

Unidad Didáctica 2. Sistemas Neuronales

  • Redes neuronales
  • Redes profundas y redes poco profundas

Unidad Didáctica 3. Redes de una Sola Capa

  • Perceptrón de una capa y multicapa
  • Ejemplo de perceptrón

Unidad Didáctica 4. Redes Multicapa

  • Tipos de redes profundas
  • Trabajar con TensorFlow y Python

Unidad Didáctica 5. Estrategias de Aprendizaje

  • Entrada y salida de datos
  • Entrenar una red neuronal
  • Gráficos computacionales
  • Implementación de una red profunda
  • El algoritmo de propagación directa
  • Redes neuronales profundas multicapa

Claustro docente

Facultad de Informática y Tics — profesionales con experiencia en Data Engineering + 60 Créditos ECTS.

Anabel Fernández

Anabel Fernández

Facultad de Informática y Tics

Gestión y Tecnologías de Proceso de Negocio

¿En qué podrás trabajar?

Con este máster podrás optar a puestos como:

  • Data Engineer en diferentes sectores
  • Diseñador/a de infraestructuras de datos
  • Desarrollador/a y mantenimiento de pipelines
  • Responsable de integridad y calidad
  • Especialista en procesamiento de datos
  • Perfil orientado a automatización y IA

Metodología

Nuestra metodología educativa

Estudiantes trabajando juntos con sus portátiles
Aprende cuando quieras

Avanza al ritmo que te convenga, desde donde estés
y con seguimiento cercano.

Contenidos de calidad

Ofrecemos una formación completa y actualizada de la mano de un claustro profesional en activo que confecciona los diferentes programas formativos de su área/especialidad.

Materiales y Recursos Didácticos

Tendrás a tu disposición un banco de materiales y recursos didácticos sobre legislación. Así como una Tribuna de noticias y actualidad. Además, podrás asistir a Seminarios online de la mano de nuestro claustro, en el que se tratan temas actuales y de interés.

Claustro Profesional

Los docentes de INESEM son profesionales en activo ofreciendo una docencia de calidad y en constante actualización. Preparan el contenido de aquellos programas formativos cuyas áreas son en las que trabajan.

Tutorización individual

No estarás solo durante tu formación, tendrás al claustro a tu disposición y un tutor asignado con el que podrás mantener el contacto y poder consultar todas las dudas que te vayan surgiendo.

Testimonios

La experiencia de quienes ya estudiaron con nosotros

«Buscaba un Máster oficial sin desplazarme. Estuve atendida en todo momento, todo muy profesional.»

Patricia Ortiz Ruiz

Promoción 2025

Nuestras cifras

+150Kalumnos
99%empleabilidad
+2000acuerdos con empresas
98%satisfacción

Becas INESEM · Descuentos de hasta el 25%

¿Damos el paso para especializarte en Data Engineering + 60 Créditos ECTS?

Nuestro equipo de asesores responde tus preguntas y te explica las ayudas disponibles, sin compromiso.