Aprovecha tu beca de hasta 25% Becas hasta 25%

Titulación Universitaria + 60 Créditos ECTS

Máster en Big Data y Data Science + 60 Créditos ECTS

Máster en Big Data y Data Science + 60 Créditos ECTS

¿Quieres analizar grandes volúmenes de datos y aplicar Big Data y Data Science para mejorar decisiones empresariales? Fórmate en Python, machine learning y visualización con prácticas garantizadas.

  • 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 Big Data y Data Science + 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?

Principios Big Data

Aprende los principios del Big Data y las fases de un proyecto para explotar datos masivos y extraer conclusiones relevantes.

Herramientas y analítica

Conoce herramientas actuales y su uso para analizar datos masivos y adecuar estrategias de negocio con menor coste.

Programación y machine learning

Analiza con R y Python, aplica algoritmos de machine learning y trabaja en proyectos con enfoque práctico.

Visualización y analítica web

Crea informes con Power BI y aplica analítica web con Google Analytics para compartir resultados profesionales.

Temario del programa

8 módulos que cubren desde los principios del Big Data y el desarrollo de proyectos hasta Data Science con Python y R, machine learning, chatbots, Power BI y analítica web con Google Analytics. Haz clic en cada módulo para ver el contenido completo.

01

Módulo 1. Big Data y Storytelling

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 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
  • Ejercicios Prácticos

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

Unidad Didáctica 10. Storytelling

  • ¿Qué es el Data Storytelling?
  • Elementos clave del Data Storytelling
  • ¿Por qué es importante el Data Storytelling?
  • ¿Cómo hacer Data Storytelling?
02

Módulo 2. 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
03

Módulo 3. Análisis de Datos con Python

Unidad Didáctica 1. Introducción Al Análisis de Datos

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

      Unidad Didáctica 3. Filtrado y Extracción de Datos

        Unidad Didáctica 4. Pivot Tables

          Unidad Didáctica 5. Groupby y Funciones de Agregación

            Unidad Didáctica 6. Fusión de Dataframes

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

                Unidad Didáctica 8. Introducción Al Machine Learning

                  Unidad Didáctica 9. Regresión Lineal y Regresión Logística

                    Unidad Didáctica 10. Árbol de Decisiones

                      Unidad Didáctica 11. Naive Bayes

                        Unidad Didáctica 12. Support Vector Machines (svm)

                          Unidad Didáctica 13. Knn

                            Unidad Didáctica 14. Principal Component Analysis (pca)

                              Unidad Didáctica 15. Random Forest

                                04

                                Módulo 4. Data Mining, Aprendizaje Automático y Machine Learning

                                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. el Ciclo de Data Mining: Fases y Tipos de Problemas

                                • Tipos de problemas
                                • Implicaciones de los datos, dominios, técnicas en las fases del proceso
                                • Casos de uso

                                Unidad Didáctica 3. Técnicas de Data Mining

                                • Clasificación o Arboles de decisión o Naive Bayes
                                • Clustering o K-means o EM
                                • Asociacion o A priori

                                Unidad Didáctica 4. 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 5. Introducción a la Inteligencia Artificial

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

                                Unidad Didáctica 6. Algoritmos Aplicados a la Inteligencia Artificial

                                • Algoritmos aplicados a la inteligencia artificial

                                Unidad Didáctica 7. 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 8. 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 9. 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 10. Extracción de Estructura de los Datos: Clustering

                                • Introducción
                                • Algoritmos

                                Unidad Didáctica 11. Sistemas de Recomendación

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

                                Unidad Didáctica 12. Clasificación

                                • Clasificadores
                                • Algoritmos

                                Unidad Didáctica 13. Redes Neuronales y Deep Learning

                                • Componentes
                                • Aprendizaje

                                Unidad Didáctica 14. Sistemas de Elección

                                • Introducción
                                • El proceso de paso de DSS a IDSS
                                • Casos de aplicación
                                05

                                Módulo 5. 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
                                06

                                Módulo 6. Pln, Chatbots e Inteligencia Artificial

                                Unidad Didáctica 1. Introducción Al Pln

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

                                Unidad Didáctica 2. Pln 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

                                Unidad Didáctica 6. ¿qué Es un Chatbot?

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

                                Unidad Didáctica 7. 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 8. 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
                                07

                                Módulo 7. Power Bi

                                Unidad Didáctica 1. Introducción a Power Bi

                                • ¿Qué es Power BI?
                                • Funciones de Power BI
                                • Versiones de Power BI
                                • Roles de Power BI
                                • Planificación de proyectos con Power BI

                                Unidad Didáctica 2. Instalación de Power Bi

                                • Instalación y puesta en marcha
                                • Conexión de datos a Power BI
                                • Filtrado de datos
                                • Vista de datos

                                Unidad Didáctica 3. Modelado de Datos

                                • Introducción al modelado de datos
                                • Creación de medidas
                                • Creación y relación entre tablas
                                • Creación de columnas y medidas calculadas
                                • Dinamizar columnas
                                • Fórmulas de consulta

                                Unidad Didáctica 4. Visualización de Datos

                                • Creación de gráficas
                                • Tablas dinámicas
                                • Segmentación de datos
                                • Uso de objetos visuales
                                • Formas y cuadros de texto
                                • Imágenes
                                • Matrices y tablas
                                • Cómo crear un velocímetro
                                • Mapas
                                • Slicers
                                • Cómo modificar colores

                                Unidad Didáctica 5. Dashboards

                                • Uso del Dashboard
                                • Compartir Dashboards
                                • Añadir Widgets
                                • Cómo crear reportes
                                • Ajustes del panel
                                • Preguntas y respuestas del Dashboard

                                Unidad Didáctica 6. Uso Compartido de Datos

                                • Exportar datos de Power BI a Excel
                                • Exportar Dashboards
                                • Crear paquetes de contenido
                                • Presentación de informes
                                • Cómo públicar y compartir informes
                                • Introducción a Power BI mobile
                                08

                                Módulo 8. Analítica Web

                                Unidad Didáctica 1. Introducción a la Analítica Web

                                • ¿Qué es la analítica web?
                                • Establecimiento de objetivos y KPIs
                                • Métricas principales y avanzadas
                                • Objetivos y ventajas de medir
                                • Plan de medición

                                Unidad Didáctica 2. Google Analytics 4

                                • Introducción a Google Analytics 4
                                • Interfaz
                                • Métricas y dimensiones
                                • Informes básicos
                                • Filtros
                                • Segmentos
                                • Eventos
                                • Informes personalizados
                                • Comportamiento de los usuarios e interpretación de datos

                                Unidad Didáctica 3. Google Tag Manager

                                • Introducción a GTM
                                • Implementación con GTM
                                • Medición con GTM
                                • Uso de Debug/Preview Mode

                                Unidad Didáctica 4. Modelos de Atribución

                                • La atribución
                                • Multicanalidad
                                • Customer Journey
                                • Principales modelos de atribución
                                • Modelos de atribución personalizados

                                Unidad Didáctica 5. Creación de Dashborad con Google Data Studio

                                • Planificación del Dashboard
                                • Características del Dashboard
                                • Introducción a Data Studio
                                • Conectores
                                • Tipos de gráficos
                                • Personalización de informes
                                • Elementos de control
                                • Dimensiones y métricas
                                • Campos Calculados
                                • Compartir informes

                                Unidad Didáctica 6. Analítica Web Orientada Al Seo

                                • Introducción al SEO
                                • Historia de los motores de búsqueda
                                • Componentes de un motor de búsqueda
                                • Organización de resultados en un motor de búsqueda
                                • La importancia del contenido
                                • El concepto de autoridad en Internet
                                • Campaña SEO

                                Unidad Didáctica 7. Analítica Web Orientada Al Sem

                                • Introducción al SEM
                                • Principales conceptos en SEM
                                • Sistema de pujas y Calidad del anuncio
                                • Primer contacto con Google Ads
                                • Creación de anuncios con calidad
                                • Indicadores clave de rendimiento en SEM

                                Unidad Didáctica 8. Analítica Web Orientada a las Redes Sociales

                                • Análisis del tráfico en redes sociales
                                • Fijar objetivos en redes sociales
                                • Facebook
                                • Twitter
                                • Youtube
                                • LinkedIn
                                • Tik tok
                                • Instagram

                                Unidad Didáctica 9. Técnicas y Estrategias

                                • Usabilidad
                                • Mapas de calor
                                • Grabaciones de sesiones de usuario
                                • Ordenación de tarjetas
                                • Test A/B
                                • Test multivariante
                                • KPI, indicadores clave de rendimiento
                                • Cambios a realizar para optimizar una página web

                                Unidad Didáctica 10. Otras Herramientas para Analítica Web

                                • Hotjar
                                • Microsoft Power BI
                                • Google Search Console
                                • Matomo
                                • Awstats
                                • Chartbeat
                                • Adobe Analytics

                                Unidad Didáctica 11. Cookies y Tecnologías de Seguimiento

                                • ¿Qué son las cookies?
                                • Tipos de cookies
                                • GDPR
                                • Herramientas para manejar el consentimiento de cookies

                                Claustro docente

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

                                • Consultor/Auditor de sistemas Big Data
                                • Analista de datos
                                • Arquitecto en soluciones Big Data
                                • Experto en estrategias Big Data
                                • Programador de Python y R
                                • Data Scientist

                                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 Big Data y Data Science + 60 Créditos ECTS?

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