Exeed College

Máster en Ciencia de Datos, UCAM

MÓDULOS CENTRALES

Esta sección proporciona detalles de la estructura, contenidos y resultados de aprendizaje de todos los módulos de esta titulación.

TRABAJAR CON DATOS

Descripción del módulo

Este módulo inculca comprensión práctica y un marco que permite la ejecución de acciones analíticas esenciales como extraer, limpiar, cambiar y analizar datos. En este módulo, los alumnos adquieren el conocimiento de los lenguajes de programación, las herramientas, los marcos y las bibliotecas utilizados a lo largo del curso para adquirir y modelar conjuntos de datos. El análisis de datos se logra visualizando, resumiendo y desarrollando habilidades rudimentarias de manejo de datos prestando atención a tipos, nombres y valores de variables. Además, la gestión de datos mediante fechas, cadenas y otros elementos mejora las capacidades de los alumnos para realizar investigaciones de datos y generar visualizaciones.

Los resultados del aprendizaje

L01: Analizar información utilizando herramientas de visualización, resumen y conteo de datos.

L2: Adquirir habilidades rudimentarias en el manejo de datos, centrándose en tipos, nombres y valores de variables.

L03: Aprender a utilizar el operador de tuberías para combinar numerosas operaciones de limpieza en cadena.

L04: La capacidad de trabajar con datos que incluyen fechas, cadenas y otras variables.

Contenido cubierto

• Técnicas de limpieza de datos
• Preprocesamiento de datos
• Manipulación de datos
• Programación central de Python
• Visualización de datos usando Matplotlib
• Álgebra lineal
• Estadística y Probabilidad
• Análisis exploratorio de datos
• Varianza, desviación estándar, mediana
• Gráficos de barras y gráficos de líneas
• Bibliotecas y marco de Python en análisis de datos.
• Diagrama de dispersión 2D
• Diagrama de dispersión 3D
• Parcelas de pares
• Univariante, Bivariante y Multivariante
• Histogramas
• diagrama de caja
• IQR (rango intercuartil)
• Análisis de datos con Pandas

ANÁLISIS DE DATOS EN PROCESOS DE NEGOCIO

Descripción del módulo

Este módulo aborda los principios de la creación de modelos de hojas de cálculo confiables, la traducción de modelos conceptuales en modelos matemáticos y su aplicación en hojas de cálculo. También demuestra conocimiento de tres herramientas analíticas en Excel, funciones de Excel y el proceso de auditoría de modelos de hojas de cálculo para garantizar la precisión. Además, en este módulo se tratan

Análisis de decisiones, tablas de pagos y árboles de decisión. Microsoft Power BI ayuda a los usuarios a obtener conocimientos prácticos de los datos para resolver inquietudes comerciales, aportando modelos analíticos a la toma de decisiones corporativas. Los alumnos adquieren información sobre las funciones analíticas avanzadas de Power BI, como predicción, visualizaciones de datos y expresiones de análisis de datos.

Los resultados del aprendizaje

RA1: Analizar críticamente el uso de los datos empresariales en un contexto de toma de decisiones organizacional.

LO2: Demostrar una comprensión crítica de los principios de análisis de negocios en funciones de gestión.

RA3: Aplicar técnicas adecuadas de gestión y análisis de datos para recuperar, organizar y manipular datos.

RA4: Aplicar métodos de análisis de datos estadísticos y técnicas de visualización adecuados para tomar decisiones empresariales acertadas.

Contenido cubierto

• Creando modelos de hoja de cálculo
• Y si el análisis
• Funciones para modelar
• Auditoría de modelos de hojas de cálculo
• Modelos de hoja de cálculo predictivos y prescriptivos
• Problema de identificación
• Análisis de decisión
• Análisis de decisiones con o sin probabilidades
• Probabilidades de la rama informática
• Teoría de la utilidad
• Transmisión de datos en Power BI
• Visualización en Power BI
• Expresiones de análisis de datos
• Vistas de informes en PowerBI
• Clasificación de datos
• Transformación de datos
• Filtrado de datos
• Editor de consultas de energía
• Análisis de riesgo
• Análisis de sensibilidad

TÉCNICAS DE MINERÍA DE DATOS

Descripción del módulo

El proceso de minería de datos incluye la recopilación de la información necesaria de enormes bases de datos que ayudan a tomar una decisión informada. El módulo demuestra técnicas de minería de datos como procesamiento de datos, descubrimiento de patrones y tendencias en la información. Estos métodos se emplean para obtener las habilidades y habilidades para aplicar la integración, limpieza, selección y transformación de datos en tablas y gráficos para el descubrimiento de conocimientos. Las bibliotecas matriciales de Python permiten a los estudiantes construir una representación realista de la minería de texto mediante la ejecución de tareas como clasificación, estimación, segmentación, pronóstico, secuencia y asociación de datos.

Los resultados del aprendizaje

LO1: Comprender los fundamentos de la minería y el análisis de textos, incluida la identificación de patrones interesantes, la extracción de conocimientos útiles y el apoyo a la toma de decisiones.

LO2: Explorar los principios fundamentales de la minería de textos y los algoritmos esenciales y algunas de sus aplicaciones prácticas.

LO3: Ser capaz de aplicar los conocimientos y habilidades aprendidos para implementar técnicas de descubrimiento de patrones escalables en grandes volúmenes de datos transaccionales.

OA4: Participar en debates significativos sobre métricas de evaluación de patrones e investigar técnicas para extraer varios patrones, incluidos patrones secuenciales y de subgráficos.

Contenido cubierto

• Introducción a la minería de datos
• Minería de datos en un entorno basado en Python
• ¿Qué es un almacén de datos?
• ¿Cómo encontrar patrones?
• Análisis de afinidad
• Recomendación de producto
• Introducción a la minería de bases de datos
• Bases de datos y SQL
• DDL, DML, uniones y esquemas
• Cómo utilizar las bibliotecas Matrix de Python en conjuntos de datos.
• Cargue el conjunto de datos con NumPy
• Representaciones de datos amigables para la minería
• Representación de texto para minería de datos.
• ¿Por qué el texto es complejo?
• Extracción de textos
• Modelado, evaluación e implementación de datos en minería de textos
• Técnicas ejemplares: representación de bolsa de palabras en minería de textos
• Minería frecuente de subgrafos

ALGORITMOS EN CIENCIA DE DATOS

Descripción del módulo

Este módulo proporciona un amplio conocimiento sobre cómo dividir datos en entrenamiento, validación y creación de conjuntos de pruebas. Desarrollar y evaluar modelos de minería predictiva integrando un marco y una percepción práctica. Se presentan numerosas métricas de rendimiento para los sistemas de estimación y categorización. En este módulo se revisan los enfoques de modelado predictivo más frecuentes, incluidas las redes neuronales artificiales, las máquinas de vectores de soporte, el vecino más cercano, el aprendizaje bayesiano, los modelos de conjunto y diferentes árboles de decisión, además de ofrecer resultados.

Los resultados del aprendizaje

LO1: Introducir los conceptos algorítmicos fundamentales, incluidos ordenar y buscar, dividir y conquistar y algoritmos complejos.

LO2: Ordenar datos y utilizarlos para realizar búsquedas; dividir un problema enorme en otros más pequeños y responderlos de forma recursiva; aplicar programación dinámica a la investigación genómica; y más.

LO3: Discutir y construir las estructuras de datos más utilizadas en la informática moderna. LO4: Ser capaz de utilizar las estructuras de datos más utilizadas en la industria en la informática moderna.

Contenido cubierto

• Método de retención estática
• Validación cruzada de k veces
• Datos desequilibrados de clase
• Evaluación de la clasificación de resultados categóricos
• Evaluación de la estimación de resultados continuos
• Regresión logística
• K-vecino más cercano
• Método del vecino más cercano para la predicción
• Árbol de clasificación y regresión
• Máquinas de vectores de soporte
• Enfoque basado en procesos para el uso de SVM
• Métodos ingenuos de Bayes
• Redes bayesianas
• Arquitecturas de redes neuronales
• Modelado de conjuntos

MÓDULOS DE ESPECIALIZACIÓN

Esta sección proporciona detalles de la estructura, el contenido y los resultados del aprendizaje de Pathways de especialización.

MODELADO DE DATOS ESTADÍSTICOS

Descripción del curso

Este módulo brinda a los estudiantes la información necesaria para aplicar muchos modelos de predicción y comprender la regresión lineal. Cree predicciones basadas en un grupo de variables de entrada utilizando métodos de análisis de regresión. Los alumnos investigan la forma de modelar una amplia gama de interacciones del mundo real utilizando metodologías estadísticas complicadas, como modelos lineales generalizados y aditivos. Este módulo inculca metodologías de modelado estadístico intermedio y avanzado. Está creado específicamente para que los estudiantes desarrollen competencia en análisis de regresión lineal, diseño experimental y modelos lineales y aditivos extendidos. Con base en estas habilidades, la interpretación de datos, el descubrimiento de vínculos entre variables y la generación de predicciones se simplifican a través de representaciones intuitivas.

Los resultados del aprendizaje

LO1: Diferenciar entre varios tipos de modelos predictivos y dominar la regresión lineal

LO2: Comprender el funcionamiento interno a través de algoritmos de diferentes modelos.

OA3: Analizar y explorar los resultados de la regresión logística y comprender cuándo realizar el análisis discriminante.

LO4: Maximizar la productividad analítica analizando diferentes modelos e interpretando su precisión de una manera bien organizada

Contenido cubierto

• Seleccionar una muestra
• Estimación puntual
• Distribuciones de muestreo
• Estimación de intervalo
• Pruebas de hipótesis
• Inferencia estadística y significado práctico.
• Un modelo de regresión lineal simple
• método de mínimos cuadrados
• Inferencia y regresión
• Modelo de regresión múltiple
• Regresión logística
• Predicciones con regresión
• Ajuste del modelo
• Modelo de datos de Tableau
• Transformación de formas y datos con Tableau Query Editor
• Vista de informe de Tableau

Aplicaciones de datos en inteligencia artificial y blockchain

Descripción del curso

En este módulo, los alumnos comprenderán mejor las aplicaciones de inteligencia artificial (IA) en los negocios y comprenderán la toma de decisiones de la IA. A través de avances en IoT y el surgimiento de Blockchain, este plan de estudios prepara a los estudiantes con una amplia base de soluciones de software habilitadas para IA. A medida que los estudiantes avanzan en este módulo, se familiarizan con la tecnología que impulsa el mundo automatizado, conociendo los tipos de algoritmos y cómo se pueden utilizar para mejorar o replicar el comportamiento humano en diversas aplicaciones. Este módulo enseña sobre IA, IoT, Blockchain y componentes de aprendizaje automático mientras construye un marco conceptual sólido que presentará formas rigurosas, prácticas y paso a paso de abordar desafíos realistas y complejos del mundo real.

Los resultados del aprendizaje

LO1. Presentamos la Inteligencia Artificial (IA), explorando sus características y variantes en el ámbito empresarial. Además, comprender el contexto empresarial de la IA e interpretar la toma de decisiones de la IA.

OA2. Comprender y crear un plan de implementación de IA para una configuración empresarial mediante el reconocimiento de parámetros de modelo adecuados.

LO3: Explorar más a fondo los componentes de Blockchain y comprender el concepto, las características, los beneficios y la relevancia de la tecnología de contabilidad distribuida (DLT) en la aplicación.

LO4: Comprender Hyperledger, Smart Contracts e IoT (Internet de las cosas) en modelos de negocio aplicados para evaluar el impacto a largo plazo

Contenido cubierto

• Introducción a la inteligencia artificial
• La IA habilita aplicaciones
• ¿Qué es el aprendizaje profundo?
• Redes neuronales artificiales
• Procesamiento de imágenes y OpenCV
• Introducción a la PNL
• Redes neuronales artificiales
• Procesamiento de textos
• Clasificación de texto
• Modelado de temas
• Redes neuronales recurrentes
• Componentes principales de IoT
• Variedad de sensores
• Actuadores
• Protocolos de IoT en varias capas
• Aplicaciones e interfaz de usuario en IoT
• Las fábricas inteligentes del mañana y el Internet industrial de las cosas
• Introducción a las cadenas de bloques
• Introducción y uso de Hyperledger y Smart Contract
• Estructura de cadenas de bloques
• Sistemas centralizados, descentralizados y distribuidos
• Introducción a la TRD
• Funciones, beneficios y uso de DLT en Blockchain
• Tipos de cadenas de bloques
• ¿Por qué cadena de bloques?
• Creación de aplicaciones de IA y ML utilizando la tecnología Blockchain

PARTE 2: Proyecto final

Descripción del módulo:

El propósito de este módulo es discutir y explicar el papel de la ciencia de datos y sus prácticas en una organización y su influencia en el desempeño general y la competencia de la organización. Este módulo está diseñado para desarrollar una comprensión de las prácticas contemporáneas y la competencia para desarrollar una pregunta de investigación o diseño, ilustrar cómo se vincula con el conocimiento actual y llevar a cabo el estudio de manera sistemática. Se alentará a los estudiantes a elegir un proyecto de investigación/desarrollo que muestre su aprendizaje anterior en el dominio de la ciencia de datos. Su objetivo es adquirir una comprensión de la ciencia de datos y el cambio de paradigma en los enfoques y métodos relacionados con diversas funciones de DS, como visualización de datos, probabilidad, inferencia y modelado, minería de datos, organización de datos, regresión y aprendizaje automático, por nombrar algunos. . También se esfuerza por resaltar el papel y la importancia del análisis y el modelado de datos durante la planificación, la toma de decisiones y la implementación del cambio en la organización. Al completar con éxito el módulo, los participantes tendrán un conocimiento integral sobre el contexto más amplio del análisis de datos y un producto de datos para demostrar su experiencia en ciencia de datos a posibles empleadores o programas educativos.

Los resultados del aprendizaje

LO1: Realizar investigación y desarrollo independientes en el contexto de un proyecto de ciencia de datos

LO2: Desarrollar la capacidad de resolver problemas de forma independiente utilizando análisis y ciencia de datos.

RA3: Comunicar información técnica de forma clara y sucinta a un público amplio y no especializado.

LO4: Crear documentación escrita detallada según el estándar esperado de un profesional en el campo de la ciencia de datos y evaluar los resultados del proyecto con referencia a publicaciones de investigación clave en el campo relevante.

DESCRIPCIÓN GENERAL DE LA CALIFICACIÓN

Título del premio: Diploma extendido PG en ciencia de datos (120 créditos)

Para recibir el Diploma extendido de posgrado de nivel 7 en ciencia de datos, los alumnos deben completar los cuatro módulos de la sección BÁSICA (80 créditos) y dos módulos de la especialización elegida Pathway (40 créditos)

Sección central

La sección principal de este diploma extendido de PG contiene cuatro módulos obligatorios.

• Trabajar con datos (20 créditos)
• Análisis de datos en procesos comerciales (20 créditos)
• Técnicas de minería de datos (20 créditos)
• Algoritmos en Data Science (20 créditos)

Especialización Pathways

El Diploma extendido PG en ciencia de datos tiene dos especializaciones Pathways .

• Modelado de datos estadísticos
• Aplicaciones de Datos en Inteligencia Artificial & Blockchain

Oportunidades de progresión

Los estudiantes que obtengan el Diploma Extendido PG en Ciencia de Datos podrían progresar a: -

• Maestría en Ciencias de Datos
• Maestría en Big Data