Objetivos

El principal objetivo formativo del máster es proporcionar la especialización requerida para abordar problemas relativos al tratamiento y análisis de datos,en general, y en el ámbito de la Inteligencia de Negocios.

 

1. Utilizar los distintos modelos de almacenamiento de datos y los sistemas de gestión de las bases de datos y utilizar un lenguaje de programación de definición, consulta y manipulación de los mismos.
2. Reunir, depurar y transformar los datos, en información estructurada y coherente para contrastar hipótesis que traten de responder a preguntas de investigación dentro del ámbito de la Ciencia de Datos e Inteligencia de Negocios.
3. Modelizar problemas de clasificación y predicción dentro del ámbito de la estrategia empresarial y comprender las principales medidas de evaluación de la capacidad predictiva de estos modelos.
4. Conocer los fundamentos de los lenguajes de programación más utilizados en Ciencia de Datos y manejar con soltura la sintaxis y librerías en lenguajes abiertos actuales en Ciencia de Datos como R y Python.
5. Dominar los modelos estadísticos en aprendizaje supervisado y no supervisado como regresión lineal y logística y las técnicas de análisis multivariante además del software especializado y avanzado para la aplicación de las técnicas de Ciencia de Datos.
6. Comprender el funcionamiento de los principales algoritmos de aprendizaje automático como random forest, gradient boosting y redes neuronales.
7. Conocer los recursos bibliográficos y computacionales además de los planteamientos metodológicos y estructurales de un proyecto de investigación en Ciencia de Datos.
8. Conocer los conceptos de segmentación, targeting y posicionamiento en marketing así como los conceptos clave de CRM.
9. Conocer los métodos de medición de Riesgo operacional, de crédito y de mercado.

CONOCIMIENTOS Y CONTENIDOS

RA1 - Conocer los métodos de depuración y codificación de variables y tratamiento de datos ausentes en datos estadísticos

RA2 - Conocer los fundamentos de los lenguajes de programación más utilizados en Ciencia de Datos

RA3 - Conocer la base teórica de los modelos lineales de predicción

RA4 - Conocer la base teórica de los principales modelos para series temporales

RA5 - Comprender los conceptos clave de CRM como instrumento para la mejora de decisiones empresariales e institucionales y su papel en la mejora de la productividad empresarial y de la rentabilidad.

RA6 - Conocer los métodos de medición de Riesgo operacional, de crédito y de mercado

RA7 - Conocer los conceptos de segmentación, targeting y posicionamiento en marketing

RA8 - Comprender el funcionamiento de los principales algoritmos de aprendizaje automático como el modelo de red neuronal, random forest y gradient boosting

RA9 - Comprender los fundamentos de almacenamiento y tratamiento de grandes bases de datos TIPO: Conocimientos o contenidos

RA10 - Conocer los principales métodos estadísticos preparatorios para el análisis de datos de texto como depuración, codificación, stemming, lematización y term document matrix

RA11 - Conocer los recursos bibliográficos y computacionales además de los planteamientos metodológicos y estructurales de un proyecto de investigación en Ciencia de Datos

HABILIDADES O DESTREZAS

RA12 - Seleccionar pertinentemente las fuentes e instrumentos de información disponible, creando una base de datos de estructura ágil y de fácil consulta

RA13 - Reunir, depurar y transformar los datos que la empresa almacena, en información estructurada y coherente para contrastar hipótesis que traten de responder a preguntas de investigación dentro del ámbito de la Inteligencia de Negocios

RA14 - Utilizar los distintos modelos de almacenamiento de datos y los sistemas de gestión de las bases de datos y utilizar un lenguaje de programación de definición, consulta y manipulación de los mismos

RA15 - Dominar herramientas estadísticas básicas y el software estadístico especializado y avanzado para la aplicación de las técnicas de Ciencia de Datos

RA16 - Aplicar de forma efectiva en el ámbito de la Inteligencia empresarial, las distintas técnicas de Ciencia de Datos necesarias, discriminando entre todas ellas y buscando la solución óptima

RA17 - Modelizar problemas de clasificación y predicción dentro del ámbito de la estrategia empresarial

RA18 - Utilizar los modelos estadísticos para la gestión y cuantificación del riesgo asociado a los diferentes aspectos de la inteligencia de negocios.

RA19 - Elaborar un programa básico en lenguaje de programación en un contexto de modelización predictiva

RA20 - Tomar las decisiones apropiadas en la utilización de algoritmos predictivos en un problema real

RA21 - Aplicar diferentes modelos de segmentación, agrupación de observaciones y reducción de variables

RA22 - Diseñar y desarrollar de forma autónoma un trabajo que integre las competencias adquiridas en la titulación y defenderlo públicamente especificando objetivos, diseño y resultados.

COMPETENCIAS

RA23 - Desarrollar el espíritu innovador en un ámbito interdisciplinario, fomentando la búsqueda de soluciones creativas a diversos tipos de problemas

RA24 - Generar y mantener actividades de investigación, desarrollo y consultoría en el área de la Ciencia de Datos

RA25 - Investigar en nuevas metodologías y técnicas para la gestión y explotación de grandes bases de datos con las que crear conocimiento que apoye la toma de decisiones en la dirección estratégica y en la inteligencia empresarial

RA26 - Comunicar las conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

RA27 - Establecer las fases y estructura de una investigación relacionada con la Ciencia de Datos partiendo de un problema concreto