Aprovecha tu beca de hasta 25% Becas hasta 25%

Titulación Universitaria + 60 Créditos ECTS

Máster en Data Management + 60 Créditos ECTS

Máster en Data Management + 60 Créditos ECTS

¿Quieres aprovechar el Big Data para apoyar decisiones empresariales y desarrollar soluciones con inteligencia artificial? Fórmate en Data Management y aprende análisis de datos masivos con IA, machine learning y deep learning.

  • 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 Management + 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?

Big Data aplicado

Comprende la importancia del Big Data y sus principales aplicaciones en distintos ámbitos profesionales y empresariales.

Herramientas y análisis

Aprende a utilizar las principales herramientas de Big Data para recopilar, gestionar y analizar grandes volúmenes de información.

IA, machine learning

Entiende la inteligencia artificial y su aplicación para construir sistemas inteligentes con machine learning y deep learning.

Python, R y ciberseguridad

Analiza y procesa datos con Python y R, y aplica la ciberseguridad en estos entornos tecnológicos.

Temario del programa

10 módulos que cubren desde la importancia del Big Data y sus aplicaciones hasta inteligencia artificial con machine learning y deep learning, incluyendo Python, R y ciberseguridad. Haz clic en cada módulo para ver el contenido completo.

01

Módulo 1. Big Data Introduction

Unidad Didáctica 1. Introducción Al Big Data

  • ¿Qué es Big Data?
  • La era de las grandes cantidades de información. Historia del big data
  • La importancia de almacenar y extraer información
  • Big Data enfocado a los negocios
  • Open Data
  • Información pública
  • IoT (Internet of Things-Internet de las cosas)

Unidad Didáctica 2. Fuentes de Datos

  • Definición y relevancia de la selección de las fuentes de datos
  • Naturaleza de las fuentes de datos Big Data

Unidad Didáctica 3. Open Data

  • Definición, Beneficios y Características
  • Ejemplo de uso de Open Data

Unidad Didáctica 4. Fases de un Proyecto de Big Data

  • Diagnóstico inicial
  • Diseño del proyecto
  • Proceso de implementación
  • Monitorización y control del proyecto
  • Responsable y recursos disponibles
  • Calendarización
  • Alcance y valoración económica del proyecto

Unidad Didáctica 5. Business Intelligence y la Sociedad de la Información

  • Definiendo el concepto de Business Intelligence y sociedad de la información
  • Arquitectura de una solución de Business Intelligence
  • Business Intelligence en los departamentos de la empresa
  • Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
  • Sistemas operacionales y Procesos ETL en un sistema de BI
  • Ventajas y Factores de Riesgos del Business Intelligence

Unidad Didáctica 6. Principales Productos de Business Intelligence

  • Cuadros de Mando Integrales (CMI)
  • Sistemas de Soporte a la Decisión (DSS)
  • Sistemas de Información Ejecutiva (EIS)

Unidad Didáctica 7. Big Data y Marketing

  • Apoyo del Big Data en el proceso de toma de decisiones
  • Toma de decisiones operativas
  • Marketing estratégico y Big Data
  • Nuevas tendencias en management

Unidad Didáctica 8. del Big Data Al Linked Open Data

  • Concepto de web semántica
  • Linked Data Vs Big Data
  • Lenguaje de consulta SPARQL

Unidad Didáctica 9. Internet de las Cosas

  • Contexto Internet de las Cosas (IoT)
  • ¿Qué es IoT?
  • Elementos que componen el ecosistema IoT
  • Arquitectura IoT
  • Dispositivos y elementos empleados
  • Ejemplos de uso
  • Retos y líneas de trabajo futuras
02

Módulo 2. Arquitectura Big Data

Unidad Didáctica 1. Batch Processing

  • Hadoop
  • Pig
  • Hive
  • Sqoop
  • Flume
  • Spark Core
  • Spark 2.0

Unidad Didáctica 2. Streaming Processing

  • Fundamentos de Streaming Processing
  • Spark Streaming
  • Kafka
  • Pulsar y Apache Apex
  • Implementación de un sistema real-time

Unidad Didáctica 3. Sistemas Nosql

  • Hbase
  • Cassandra
  • MongoDB
  • NeoJ
  • Redis
  • Berkeley DB

Unidad Didáctica 4. Interactive Query

  • Lucene + Solr

Unidad Didáctica 5. Sistemas de Computación Híbridos

  • Arquitectura Lambda
  • Arquitectura Kappa
  • Apache Flink e implementaciones prácticas
  • Druid
  • ElasticSearch
  • Logstash
  • Kibana

Unidad Didáctica 6. Cloud Computing

  • Amazon Web Services
  • Google Cloud Platform

Unidad Didáctica 7. Administración de Sistemas Big

  • Administración e Instalación de clusters: Cloudera y Hortonworks
  • Optimización y monitorización de servicios
  • Seguridad: Apache Knox, Ranger y Sentry

Unidad Didáctica 8. Visualización de Datos

  • Herramientas de visualización: Tableau y CartoDB
  • Librerías de Visualización: D, Leaflet, Cytoscape
03

Módulo 3. Business Intelligence

Unidad Didáctica 1. Minería de Datos o Data Mining y el Aprendizaje Automático

  • Introducción a la minería de datos y el aprendizaje automático
  • Proceso KDD
  • Modelos y Técnicas de Data Mining
  • Áreas de aplicación
  • Minería de textos y Web Mining
  • Data mining y marketing

Unidad Didáctica 2. Datamart. Concepto de Base de Datos Departamental

  • Aproximación al concepto de DataMart
  • Bases de datos OLTP
  • Bases de Datos OLAP
  • MOLAP, ROLAP & HOLAP
  • Herramientas para el desarrollo de cubos OLAP

Unidad Didáctica 3. Datawarehouse o Almacén de Datos Corporativos

  • Visión General. ¿Por qué DataWarehouse?
  • Estructura y Construcción
  • 3. Fases de implantación
  • Características
  • Data Warehouse en la nube

Unidad Didáctica 4. Inteligencia de Negocio y Herramientas de Analítica

  • Tipos de herramientas para BI
  • Productos comerciales para BI
  • Productos Open Source para BI

Unidad Didáctica 5. Business Intelligence con Powerbi

  • Business Intelligence en Excel
  • Herramienta Powerbi

Unidad Didáctica 6. Herramienta Tableau

  • Herramienta Tableau

Unidad Didáctica 7. Herramienta Qlikview

  • Instalación y arquitectura
  • Carga de datos
  • Informes
  • Transformación y modelo de datos
  • Análisis de datos
04

Módulo 4. Herramientas para Explotación y Análisis de Big Data

Unidad Didáctica 1. 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 2. 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 3. Ecosistema Hadoop

  • ¿Qué es Hadoop? Relación con Big Data
  • Instalación y configuración de insfraestructura y ecosistema Hadoop
  • Sistema de archivos HDFS
  • MapReduce con Hadoop
  • Apache Hive
  • Apache Hue
  • Apache Spark

Unidad Didáctica 4. Weka y Data Mining

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

Unidad Didáctica 5. Pentaho una Solución Open Source para Business Intelligence

  • Una aproximación a Pentaho
  • Soluciones que ofrece Pentaho
  • MongoDB & Pentaho
  • Hadoop & Pentaho
  • Weka & Pentaho
05

Módulo 5. Introducción a la Programación Estadística

Unidad Didáctica 1. 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 2. 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
06

Módulo 6. Data Science

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. Pre-procesamiento & Procesamiento de Datos

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

Unidad Didáctica 4. Análisis de los Datos

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

Módulo 7. Inteligencia Artificial (ia), Machine Learning (ml) y Deep Learning (dl)

Unidad Didáctica 1. Introducción a la Inteligencia Artificial

  • Introducción a la inteligencia artificial
  • Historia
  • La importancia de la IA

Unidad Didáctica 2. Tipos de Inteligencia Artificial

  • Tipos de inteligencia artificial

Unidad Didáctica 3. Algoritmos Aplicados a la Inteligencia Artificial

  • Algoritmos aplicados a la inteligencia artificial

Unidad Didáctica 4. Relación Entre Inteligencia Artificial y Big Data

  • Relación entre inteligencia artificial y big data
  • IA y Big Data combinados
  • El papel del Big Data en IA
  • Tecnologías de IA que se están utilizando con Big Data

Unidad Didáctica 5. Sistemas Expertos

  • Sistemas expertos
  • Estructura de un sistema experto
  • Inferencia: Tipos
  • Fases de construcción de un sistema
  • Rendimiento y mejoras
  • Dominios de aplicación
  • Creación de un sistema experto en C#
  • Añadir incertidumbre y probabilidades

Unidad Didáctica 6. Futuro de la Inteligencia Artificial

  • Futuro de la inteligencia artificial
  • Impacto de la IA en la industria
  • El impacto económico y social global de la IA y su futuro

Unidad Didáctica 7. 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 8. Extracción de Estructura de los Datos: Clustering

  • Introducción
  • Algoritmos

Unidad Didáctica 9. Sistemas de Recomendación

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

Unidad Didáctica 10. Clasificación

  • Clasificadores
  • Algoritmos

Unidad Didáctica 11. Redes Neuronales y Deep Learning

  • Componentes
  • Aprendizaje

Unidad Didáctica 12. Sistemas de Elección

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

Unidad Didáctica 13. Deep Learning con Python, Keras y Tensorflow

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

Unidad Didáctica 14. Sistemas Neuronales

  • Redes neuronales
  • Redes profundas y redes poco profundas

Unidad Didáctica 15. Redes de una Sola Capa

  • Perceptrón de una capa y multicapa
  • Ejemplo de perceptrón

Unidad Didáctica 16. Redes Multicapa

  • Tipos de redes profundas
  • Trabajar con TensorFlow y Python

Unidad Didáctica 17. 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
08

Módulo 8. Procesamiento de Lenguaje Natural (pln)

Unidad Didáctica 1. Introducción Al Pln

  • ¿Qué es PLN?
  • ¿Qué incluye el PLN?
  • Ejemplos de uso de PLN
  • Futuro del PLN

Unidad Didáctica 2. Recursos para el Pln

  • Introducción a Python
  • ¿Qué necesitas?
  • Librerías para el análisis de datos en Python
  • PLN en Python con la librería NLTK
  • Otras herramientas para PLN

Unidad Didáctica 3. Computación de la Sintaxis para el Pln

  • Principios del análisis sintáctico
  • Gramática libre de contexto
  • Analizadores sintácticos (Parsers)

Unidad Didáctica 4. Computación de la Semántica para el Pln

  • Aspectos introductorios del análisis semántico
  • Lenguaje semántico para PLN
  • Análisis pragmático

Unidad Didáctica 5. Recuperación y Extracción de la Información

  • Aspectos introductorios
  • Pasos en la extracción de información
  • Ejemplo PLN
  • Ejemplo PLN con entrada de texto en inglés
09

Módulo 9. Chatbots e Inteligencia Artificial

Unidad Didáctica 1 .¿qué Es la Inteligencia Artificial?

  • Introducción a la Inteligencia artificial
  • El Test de Turing
  • Agentes Inteligentes
  • Aplicaciones de la inteligencia artificial

Unidad Didáctica 2. ¿qué Es un Chatbot?

  • Aspectos introductorios
  • ¿Qué es un chatbot?
  • ¿Cómo funciona un chatbot?
  • VoiceBots
  • Desafios para los Chatbots

Unidad Didáctica 3. Relación Entre Ia y Chatbots

  • Chatbots y el papel de la Inteligencia Artificial (IA)
  • Usos y beneficios de los chatbots
  • Diferencia entre bots, chatbots e IA

Unidad Didáctica 4. Ámbitos de Aplicación Chatbots

  • Áreas de aplicación de Chatbots
  • Desarrollo de un chatbot con ChatterBot y Python
  • Desarrollo de un chatbot para Facebook Messenger con Chatfuel
10

Módulo 10. Ciberseguridad Aplicada a Inteligencia Artificial (ia), Smartphones, Internet de las Cosas (iot) e Industria 4.0

Unidad Didáctica 1. Ciberseguridad en Nuevas Tecnologías

  • Concepto de seguridad TIC
  • Tipos de seguridad TIC
  • Aplicaciones seguras en Cloud
  • Plataformas de administración de la movilidad empresarial (EMM)
  • Redes WiFi seguras
  • Caso de uso: Seguridad TIC en un sistema de gestión documental

Unidad Didáctica 2. Ciberseguridad en Smartphones

  • Buenas prácticas de seguridad móvil
  • Protección de ataques en entornos de red móv

Unidad Didáctica 3. Inteligencia Artificial (ia) y Ciberseguridad

  • Inteligencia Artificial
  • Tipos de inteligencia artificial
  • Impacto de la Inteligencia Artificial en la ciberseguridad

Unidad Didáctica 4. Ciberseguridad e Internet de las Cosas (iot)

  • Contexto Internet de las Cosas (IoT)
  • ¿Qué es IoT?
  • Elementos que componen el ecosistema IoT
  • Arquitectura IoT
  • Dispositivos y elementos empleados
  • Ejemplos de uso
  • Retos y líneas de trabajo futuras
  • Vulnerabilidades de IoT
  • Necesidades de seguridad específicas de IoT

Unidad Didáctica 5. Seguridad Informática en la Industria 4.0

  • Industria 4.0
  • Necesidades en ciberseguridad en la Industria 4.0

Claustro docente

Facultad de Informática y Tics — profesionales con experiencia en Data Management + 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:

  • Big Data Scientist
  • Data Manager
  • AI Developer
  • Consultor Data Science
  • Data Analyst
  • Data Engineer

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 Management + 60 Créditos ECTS?

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