Master banner

Master´s program

MASTER IN Data Science & Advanced Analytics

Acelere su carrera en el área de ciencias de datos con el programa MASTER IN Data Science & Advanced Analytics. Desarrolle las habilidades de ciencia de datos más demandadas: Data Mining, Business Analytics, Big Data, Inteligencia Artificial, Machine Learning y Deep Learning. Obtenga experiencia práctica en las tecnologías clave como R, Python, Tableau, MongoDB, Hadoop y Spark. Esta certificación en Master Program, avalado por la Universidad Central de Venezuela, lo capacitará de manera práctica con estudios de casos del mundo real, lo que garantiza que esté listo para el mercado. Conviértase hoy en el experto que las organizaciones buscan a nivel mundial.

Universidad Central de Venezuela

Logo UCV

Inicio: Inscripciones abiertas

Sesiones semanales de tutoría online dirigidas por el instructor

Modalidad: 100% online

Duración: 12 meses / 1 año

Constituido por 6 Diplomados, 2 Seminarios/Talleres y un Proyecto de Grado

Avalado por la Universidad Central de Venezuela

Sobre el programa

El Programa MASTER IN Data Science & Advanced Analytics, es un programa completo que le permitirá dominar esta fascinante área  y lo encaminará a dominar las habilidades que definen a un data scientist. Desarrolle las habilidades de ciencia de datos más demandadas: Data Mining, Business Analytics, Big Data, Inteligencia Artificial, Machine Learning y Deep Learning. Obtenga experiencia práctica en las tecnologías clave como R, Python, Tableau, MongoDB, Hadoop y Spark.

Toda la experiencia de aprendizaje del Master, está vinculada con proyectos del mundo real y simulaciones, para ayudarlo a obtener experiencia en el dominio. Después de completar todos los aspectos de la formación, estará preparado para los roles de Data Scientist.

El Programa MASTER IN Data Science & Advanced Analytics, lo encaminará a dominar las habilidades que incluyen estadísticas, pruebas de hipótesis, data mining, clustering, árboles de decisión, regresión lineal y logística, visualización de datos, modelos de regresión, machine learning, Hadoop, Spark, motor de recomendación, aprendizaje supervisado y no supervisado y más.

La oferta programática cubre una amplia gama de capacitación en ciencia de datos, que combina MasterClass dirigidas por un instructor, un aprendizaje autodidacta desarrollado, sesiones de mentoría y laboratorios de entrenamiento en línea de  casos prácticos y ejercicios reales de proyectos de de la industria. El programa concluye con un proyecto final diseñado para reforzar el aprendizaje mediante la construcción de un producto real de la industria que abarca todos los aspectos clave aprendidos a lo largo del programa.

Obtener una comprensión profunda de la estructura de datos y la manipulación de datos.

Aprenderá a analizar y visualizar datos con Pentaho, Power BI y Tableau y a dominar la creación de dashboards interactivos.

Obtenga una comprensión profunda de los modelos de aprendizaje supervisados ​​y no supervisados, como la regresión lineal, la regresión logística, la agrupación, la reducción de la dimensionalidad y K-NN.

Comprender ya implementar proyectos de Big Data con los diferentes componentes del ecosistema Hadoop.

Dominar los conceptos de motor de recomendación y modelado de series de tiempo y un dominio práctico sobre los principios, algoritmos y aplicaciones del inteligencia artifiacial y machine learning.

Aplicar modelos analíticos y predictivos a situaciones de negocio con programación estadística en Python y R .

Implementar Bases de Datos NoSQL como MongoDB para almacenar y procesar datos con Hadoop.

Desarrollar nuevos modelos de negocio con las herramientas de Business Analytics para text mining, web mining, análisis de las redes sociales y sentiment analysis.

Aprenderá a trabajar con HBase, su arquitectura y almacenamiento de datos, conozca la diferencia entre HBase y RDBMS, y use Hive e Impala para particionar.

Comprender MapReduce y sus características, además aprenderá cómo ingerir datos usando Sqoop y Flume.

Data Science es una sólida elección de carrera para profesionales nuevos y experimentados. Los aspirantes a profesionales de cualquier formación académica con un estado de ánimo analítico son los más adecuados para seguir la Formación del Master, que incluye:

Aspirantes a analistas de Data Ascience, Business Intelligence / Busines Analytics, incluidos recién graduados universitarios y aquellos que buscan hacer un cambio de carrera.

Nuevos analistas de negocios que desean mejorar su oficio

Otros puestos que realizan tareas de análisis empresarial, como administradores, gerentes y líderes de proyectos.

Profesionales de TI.

Jefes de proyecto.

Profesionales bancarios y financieros.

Directores de marketing.

Profesionales de ventas.

Economistas, administradores, contadores.

Gerentes de red de la cadena de suministro.

Principiantes en el dominio de la analítica de datos.

El programa MASTER IN Data Science & Advenced Analytics, cubre todos los fundamentos; no existe un requisito previo obligatorio, pero se recomienda cierta experiencia en análisis de negocios.

Para postularse a este programa, es necesario:

Tener al menos un grado académico equivalente o mayor a TSU o Licenciatura.

Tener estudios o experiencia en Análisis de la Información.

Conocimientos básicos de programación, así como en estadística y matemática.

Para más información,

ingresa tus datos

¡Llámanos!

Contacta con uno de nuestros especialistas de inscripciones para mayor información y armar un plan a tu medida.

¡Contáctanos!

Contacta con uno de nuestros especialistas de inscripciones para mayor información y armar un plan a tu medida.

Plan de estudios

Modelos De Pronósticos

  • Introducción al análisis cuantitativo
  • Concepto y aplicación de probabilidad y pruebas de hipótesis
  • Análisis de decisión
  • Modelos de series de tiempo
  • Modelos de regresión
  • Modelos econométricos
  • Modelos de pronósticos cualitativos
  • Tópico avanzado de pronóstico

 

Modelos de Optimización

  • Modelos de control de inventarios
  • Programación lineal
  • Modelo de transporte
  • Programación entera, programación por metas y programación no lineal
  • Modelo de redes
  • Modelo de las de espera y teoría de colas
  • Modelado de la simulación
  • Análisis de Markov
  • Control estadístico de calidad
  • Métodos avanzados de optimización

 

Teoría de Juegos, Teoría del Caos y La Complejidad

  • Teoría de juego
  • Predicción, caos y complejidad
  • Fundamentos Data management & Data Governance

    Fundamentos de Business Intelligence & Business Analytics

    Arquitecturas y componentes de una solución de BI

    Metodologías de desarrollo de Soluciones de BI & BA

    Fundamentos del Modelado Dimensional y construcción de Data Warehouse

    Taller ETL (Extracción Transformación y Carga)

    Desarrollo de soluciones OLAP

    Pentaho Essential Training

    Power BI Essential Training

    Tableau Essential Training

Fundamentos de la investigación tecnológica

Planteamiento y formulación del Problema de Investigación Tecnológica.

Marco Teórico – Metodológico de Investigación Tecnológica.

Teoría del Problema Tecnológico.

Fundamentos de Data Mining for Business Analytics

  • Definiciones básicas
  •      Conceptos de Business Analytics, Data Mining, Big Data y Data Science.
  •      Relación con otras disciplinas. Aplicaciones y ejemplos.
  •     Objetivos de la Data Mining, Patrones y Modelos.
  • Áreas de aplicación y ejemplos
  •      Ejemplos de aplicación en varias áreas
  •      Tareas de minería de datos para construir modelos.
  • Metodologías y estándares
  •      Proceso KDD y Metodología CRISP-DM
  • Características de los datos:
  •      Fuentes de datos.
  •      Conjuntos de datos.
  • Caja de herramientas.
  • Introducción al lenguaje R.
  • Generación de números aleatorios.
  • Programación vectorial e indexación lógica.
  • Familia de funciones applay.
  • Visualización de los datos.
  • Persistencia de datos y modelos.

 

Fundamentos de los métodos descriptivos en Data Mining.

  • Selección de atributos.
  • Pre-procesamiento y limpieza.
  • Problema de la dimensionalidad.
  • Extracción de características.
  • Tipos de métodos en Minería de Datos.
  • Análisis exploratorio de datos.
  • Mapa de correlaciones.
  • Modelos estadísticos.
  • Bondad de ajuste.
  • Análisis de Componentes Principales (PCA)
  •      Plano principal.
  •      Relación entre variables.
  •      Calidad de la representación.
  •      Reducción de la dimensionalidad con el PCA.
  • Identificación de conglomerados.
  •      La Inercia y el teorema de Fisher.
  •      Cálculo de la distancia.
  •      Estimación del número de grupos.
  •      Árboles de Clasificación Jerárquica.
  •      Método de nubes dinámicas con K-medias.
  •      Paralelizando el método de K-medias.

 

Fundamentos de los métodos predictivos en la Minería de Datos.

  •  

  • Métodos de clasificación. Calibración y selección de modelos.

    • Definiciones de clasificación
    • Problema de separabilidad
    • Uso de funciones Kernel
    • Entrenamiento y testing
    • Medidas de calidad
    •      Cálculo de errores. Matriz de confusión
    •      Curvas ROC
    • Métodos de clasificación
    •      Análisis discriminante
    •      Análisis discriminante cuadrático
    •      Método Bayesiano ingenuo
    •      Regresión logística
    •      Método de K-vecinos más cercanos
    •      Máquinas de Soporte Vectorial (SVM)
    •      Árboles de decisión
    •      Bosques aleatorios
    •      Redes neuronales
    • Evaluación de los métodos
    • Problemas del uso de conjuntos de entrenamiento y testing
    • Sobre ajuste o especialización
    • Validación cruzada
    • Calibración de los métodos
    •      Calibración del K-medias
    •      Calibración del SVM

Análisis Estratégico. Introducción a la Gestión Estratégica.

  • Introducción a la dirección estratégica
  • Creación de Valor, Stakeholders y Gobierno 
  • La Orientación y los Objetivos Estratégicos
  • Análisis del Entorno General
  • Análisis del Entorno Competitivo
  • Análisis Interno

Key Performance Indicator

  • Introducción a KPI
  • Caracteristicas de los KPI
  • Principales errores al definir KPI
  • Mejores prácticas para definir KPI
  • Taller de formulación de KPI
  • Ajustes y redifiniciones de KPI

Balanced Scorecard

  • Definición e importancia del balanced scorecard
  • Pasos para elaborar el mapa estratégico y construir un balanced scorecard
  • Mapa estratégico y las perspectivas del balanced scorecard
  • Objetivo y destino estratégico
  • Conexión entre objetivos estratégicos en cada perspectiva
  • Estrategias funcionales e iniciativas

Construcción e implementación del Balanced Scorecard

  •   Perspectiva financiera: Estados financieros básicos y principales indicadores
  •   Perspectiva de mercado y clientes: principales indicadores de mercado y principales indicadores de clientes
  •   Perspectiva de procesos internos: principales indicadores de innovación y principales indicadores operativos
  •   Perspectiva de aprendizaje y crecimiento: principales indicadores del capital humano y otros indicadores de capacidades
  •   Vinculación de indicador con la estrategia
  •   Metas, iniciativas, asignación de recursos y presupuestos
  •   La gestión de la estrategia del negocio: capacitación, alineación, comunicación, objetivos personales y del equipo, y planes de incentivo
  •   El feedback y el proceso de aprendizaje estratégico

Morphology:  study of words, how they are formed, and their relationship to other words in the same language. You can see:

Nouns and their type: Proper/ Common, abstract/concrete, countable/uncountable, individual/collective, simple/compound, primitive/derivative, animate/inanimate.

Verb: Actions, emotions and natural events in a sentence.

Adjectives: describe the features, characteristic or properties of the nouns

Adverbs: Modify nouns, verbs and adjectives. Manner, place, frequency, time, degree, order, certain.

Sintaxis: study of  the set of rules, principles, and processes that govern the structure of sentences, usually including word order. They  are:

Articles: Indefinite and definite

Pronouns: Personal, object, possessive, reflexive

Prepositions: place or location, movement and time.

Suffixes/Prefixes: Build up  new words adding particles at the beginning or at the end on the words in order to change their meaning or function.

Verbal Tense: grammatical category that has the function of indicating the moment in which an action is carried out.

Fundamentos de Big Data y el proyecto Hadoop

  • La era digital
  • Definiciones básicas
  • Áreas de aplicación
  • Ejemplos de Big Data
  • El proyecto Hadoop y sus componentes
  • Hadoop Distributed File System (HDFS)
  • Ejercicio: Usando HDFS

Programación bajo el paradigma MapReduce

  • Fundamentos de la computación paralela y distribuida
  • El paradigma MapReduce
  • Algunos ejemplos básicos: Consultas y cruces de datos
  • Implementación de algoritmos de análisis de datos: clustering, regresión lineal, regresión logística, clasificación, vecinos más cercanos, entre otros
  • Sistemas de recomendación, Jerarquización con el método PageRank
  • Fundamentos del Text Mining y el Web-Mining
  • Fundamentos del análisis de redes sociales

Implementación de proyecto bajo las Bases de datos NoSQL

  • Introducción a las bases de datos NoSQL (NoSQL o “no solo SQL”)
  • Tipos de bases de datos NoSQL: clave-valor, orientadas a columnas, Orientadas a documento, Bases de datos de grafos
  • Fundamentos de HBASE
  • Fundamentos de MongoDB

Clusterización y Sistemas de Recomendación

  • Cluster Avanzado
  • Sistemas de Recomendación basados en contenido, colaborativos e híbridos

Machine Learning y Redes Neuronales

  • Introducción a Machine Learning
  • Fundamentos de Redes Neuronales
  • Redes Multicapa y el Algoritmo de Backpropagation
  • Aplicación de Redes Neuronales a las Series de Tiempo
  • Proyectos de Software

Deep Learning y Algoritmos Genéticos

  • Introducción al Deep Learning
  • Redes Profundas
  • Aplicaciones de Redes Profundas
  • Introducción a los Algoritmos Genéticos
  • Programación en Lenguaje Natural

El trabajo Especial de Grado (TEG), es el producto de la investigación y desarrollo de un determinado problema, perteneciente al campo de investigación científica, tecnológica, científico-tecnológica, de desarrollo tecnológico, o el nivel y tipo que requiera, problemáticas concernientes al mundo de de la tecnología, los negocios y las ciencias aplicada y disciplinas afines. La síntesis de los resultados obtenidos deberá ser presentada de acuerdo a las modalidades de un trabajo monográfico. Para ello será necesario definir debidamente los límites y alcances del tema propuesto, a fin de no desviar la atención hacia aspectos secundarios y de escasa relevancia para los resultados de la investigación. El TEG, está bajo la conducción y supervisión de un Tutor.

¿Quienes son tus facilitadores?

Contaras con la tutoría y mentoría de un equipo de profesionales especializados en el área de Data Science

master liston

Master's Program Certificate

Certificado del MASTER IN Data Science & Advanced Analytics

Para obtener el Diploma de MASTER IN Data Science & Advanced Analytics, debe cumplir con los siguientes criterios:

Logo UCV

Avalado por la Universidad Central de Venezuela

Lo que dicen nuestros Egresados

Testimonio en Marketing Digital

Marketing Digital

Gracias a este curso pude mejorar en mi área de trabajo y hacer crecer mi negocio por medio de mis redes sociales

Juan Jose Thomas

Estudiante
Testimonio Marketing Digital

Marketing Digital

Gran curso me ayudo a mejorar mis conocimientos de marketing y conseguir un empleo manejando redes sociales

Diana Lugo

Estudiante

Preguntas Frecuentes

El costo del programa es de $5.000 USD, pero usted puede aprovechar la promoción / descuento vigente a la fecha.

Necesitarás acceso a una computadora. Una máquina con sistema operativo en Windows, macOS o Linux funcionará bien.

No. El master es autodidacta y se dividirá en segmentos cortos de video pregrabados con evaluaciones periódicas para verificar su progreso.

Si usted no puede participar en una sesión online, usted la podrá ver luego pues esta queda grabada y estará disponible dentro de los recursos de los foros de sesiones online.

Cada programa tiene un foro activo en línea donde los estudiantes pueden ayudarse entre sí. Además, los instructores, los asistentes de enseñanza y otros facilitadores de DiplomadosOnline.com supervisarán los foros e intentarán ayudar. A menudo, la respuesta más rápida proviene de otro estudiante.

Recibirá una calificación final, pero la calificación no estará en la confirmación de finalización del curso. Para recibir un certificado de finalización, deberá alcanzar el 65% en material calificado. Hay tres tipos diferentes de evaluaciones dentro del curso que integran al master: auto-evaluaciones, laboratorios y examen final. Las auto-evaluaciones no cuentan para su calificación, pero lo ayudarán a verificar su comprensión. Los laboratorios / entregas parciales comprenderán la mitad de su calificación y el examen final / proyecto la mitad de su calificación. Desafortunadamente, debido a la gran cantidad de estudiantes y en aras de la equidad, no se pueden aceptar tareas tardías.master

Conviertete en MASTER IN Data Science & Advanced Analytics

Matricúlate y acepta el reto de ser el próximo profesional que el mercado está buscando

All search results