-
Imparte:
-
Modalidad:Presencial en Madrid
-
Precio:Consultar rellenando el formulario
-
Comienzo:Consultar rellenando el formulario
-
Lugar:C/ ZURBANO, 73
Madrid 28010
España -
Titulación:Título Propio
Presentación
¿Conocías que la prestigiosa Universidad de Harvard designó a la disciplina de análisis de datos como la ocupación más atractiva del siglo XXI? No es de extrañar. A todas las compañías les resultan atractivos los perfiles que contribuyen a tomar decisiones precisas basadas en información.
¡Impresiona con tus destrezas gracias a este posgrado de KSchool! Adquirirás los métodos más avanzados del examen de datos empleando Python, Deep Learning, Spark, Business Intelligence, SQL, Tableau y Power BI. Únicamente requieres conocimientos básicos generales de programación y estadística, aunque el plan contempla una revisión inicial de Python y estadística para reforzar tus conocimientos. Hay mucho por aprender:
Elaborar tu propio código analizando grandes volúmenes de datos.
Perfeccionar el lenguaje de plataformas distribuidas Spark para formar modelos de machine learning.
Comprender todo el proceso complejo del análisis de datos: recolección, depuración, análisis y presentación.
Asimilar las técnicas de aprendizaje supervisado y no supervisado.
En cada sesión se unirá un docente para brindar clases en vivo, resolver interrogantes y sugerir ejercicios prácticos. No se tratará de un docente cualquiera, sino de un especialista del equipo académico de KSchool, expertos en datos y que laboran en empresas de renombre como Telefónica, Google o TomTom. Tienen tanto conocimiento para compartir que, si no puedes asistir en directo o deseas repasar las clases, tendrás la posibilidad de revisar las grabaciones cuantas veces desees a través de la plataforma.
KSchool facilita tu acceso, te brinda una educación flexible en línea y te ofrece un contenido práctico de alta calidad dirigido por auténticos profesionales. No podrías solicitar más.
Requisitos
Grado Universitario
Programa
Bienvenida
Introducción al Máster.
Introducción a Python
La programación para Data Science – Jupyter Notebooks.
Variables y operadores.
Listas y diccionarios.
Control de flujo y bucles.
Debuging.
Estadística
Variables aleatorias discretas.
Variables aleatorias continuas.
Intervalos de confianza y contraste de hipótesis.
Python para Data Science
Álgebra y métodos numéricos con Python - Numpy.
Tratamiento de datos - Pandas.
Análisis exploratorio de datos.
Análisis y limpieza de datos.
Normalización y estandarización.
GitHub.
Visualización de datos con Python
Visualización de datos con Python.
Aprendizaje supervisado
Introducción y regresión lineal múltiple.
Regresión con árboles y random forest.
Regresión con SVM y KNN.
Clasificación regresión logística.
Clasificación con Árboles, SVM y KNN.
Aprendizaje no supervisado
Clustering jerárquico y K-means.
Clustering dbscan y gmm.
Reducción de dimensionalidad PCA.
Reducción de dimensionalidad SVD.
Model Performance
Ensamblado de modelos.
Model evaluation and improvement.
Feature engineering con Python.
Metodología
Metodología de modelado.
Sistemas de recomendación
Introducción a los sistemas de recomendación.
Series temporales.
Deep Learning
Introducción y componentes Perceptrón.
ANN.
RNN.
CNN.
Tendencias,
Procesamiento del Lenguaje Natural
Procesamiento del Lenguaje Natural.
Data Science con consultas SQL
SQL, Geo Analytics y ML con Big Query.
Entornos distribuidos Spark
Big Data - Spark.
Visualización de datos con Tableau
Introducción a Tableau y Visualización.
Visualizaciones en Tableau.
Data storytelling.
Inteligencia de negocio
Business Intelligence.
Inteligencia de negocio con Power BI.
Data Science in business
Interpretabilidad de modelos.
Despliegue de la Ciencia de Datos en las compañías.
Metodología de casos de uso.
Ética en los algoritmos.
Competición analítica
Kaggle competition.
Trabajo de Fin de Máster - TFM
Salidas profesionales
Data Scientist
Business Intelligence
Business Analyst
Data Business Consultant
Data Engineer
Data Specialist
¡Infórmate ahora sin compromiso!
