910 887 138
Presentación Temario Metodología Titulación
Presentación
Gracias a este Master en Big Data Deportivo conseguirás obtener un amplio abanico de conocimientos y habilidades para aprovechar el potencial de análisis de datos en el ámbito deportivo y general. A lo largo del master se adquirirán diferentes competencias en el big data, almacenamiento, análisis y procesamiento de datos haciendo uso de diferentes herramientas tecnológicas, tratamiento de la visión artificial… Además, aprenderás a aplicar técnicas de visualización de datos y focalizar todos estos conocimientos hacia el ámbito deportivo. Al finalizar el master, se estará preparado para aplicar el Big Data en la toma de decisiones, la mejora del rendimiento deportivo y la generación de ventajas competitivas en el mundo del deporte.
Para qué te prepara
Con este Master en Big Data Deportivo estarás preparado para utilizar el poder del análisis de datos para mejorar el rendimiento deportivo, la toma de decisiones estratégicas y obtener una ventaja competitiva en el mundo deportivo. Para esta formación se requiere un nivel básico de conocimientos en análisis de datos y programación, y se beneficiarán aquellos con experiencia o interés en deportes y tecnología.
Objetivos
  • Comprender la relevancia del Big Data y el Business Intelligence en la toma de decisiones estratégicas.
  • Utilizar bases de datos NoSQL, como MongoDB, y bases de datos SQL, como MySQL,.
  • Dominar los lenguajes Python y R para Data Science.
  • Aprender a realizar mediciones mediante la analítica web haciendo uso de diferentes técnicas y estrategias de análisis.
  • Analizar de forma óptima los datos a nivel deportivo para la mejora de rendimiento y optimización deportiva.
  • Trabajar la visión artificial con Python y OpenCV así como nociones básicas de inteligencia artificial.
A quién va dirigido
El Master en formación permanente en Big Data D Master en Big Data Deportivo está dirigido a profesionales del ámbito deportivo o científico y estudiantes interesados en combinar su pasión por el deporte con habilidades en el análisis de datos. Está diseñado para aquellos que deseen adquirir conocimientos avanzados en el campo del Big Data aplicado al ámbito deportivo.
Salidas Profesionales
Este Master en Big Data Deportivo te ofrece diversas salidas laborales en el ámbito deportivo de análisis y gestión de datos, como por ejemplo: analista de datos deportivos en clubes deportivos o agencias, consultor deportivo en Big Data, desarrollador de software deportivo para el análisis de datos, investigador en Big Data contribuyendo a su avance…
Metodología
Aprendizaje 100% online
Campus virtual
Equipo docente especializado
Centro del estudiante
Temario
  1. ¿Qué es Big Data?
  2. ¿Y Thick Data? ¿Cuál es el matiz para diferenciar ambos términos?
  3. El gran auge del big data
  4. La importancia de almacenar y extraer información
  5. ¿Cual es el papel de las fuentes de datos?
  6. Soluciones novedosas gracias a la selección de datos
  7. Naturaleza de las fuentes de datos Big Data
  1. Thick Data, el valor de lo cualitativo. Entender emociones humanas, intenciones y sentimientos
  2. Fases en un proyecto de Big Data
  3. Big Data enfocado a los negocios
  4. Apoyo del Big Data en el proceso de toma de decisiones
  5. Toma de decisiones operativas
  1. Marketing estratégico y Big Data
  2. Open data
  3. Ejemplo de uso de Open Data
  4. IoT (Internet of Things-Internet de las cosas)
  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Big Data en salud
  5. Necesidad de Big Data en la asistencia sanitaria
  6. Retos del big data en salud
  7. Big Data y People Analytics en RRHH
  1. Definiendo el concepto de Business Intelligence y sociedad de la información
  2. Arquitectura de una solución Business Intelligence
  3. Business Intelligence en los departamentos de la empresa
  4. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
  5. Sistemas Operacionales y Procesos ETL en un sistema de BI
  6. Ventajas y Factores de Riesgos del Business Intelligence
  1. Cuadros de Mando Integrales (CMI)
  2. Sistemas de Soporte a la Decisión (DSS)
  3. Sistemas de Información Ejecutiva (EIS)
  1. Introducción a la minería de datos y el aprendizaje automático
  2. Proceso KDD
  3. Modelos y Técnicas de Data Mining
  4. Áreas de aplicación
  5. Minería de Textos y Web Mining
  6. Data mining y marketing
  1. Aproximación al concepto de DataMart
  2. Bases de datos OLTP
  3. Bases de Datos OLAP
  4. MOLAP, ROLAP & HOLAP
  5. Herramientas para el desarrollo de cubos OLAP
  1. Visión General: ¿Por qué DataWarehouse?
  2. Estructura y Construcción
  3. Fases de implantación
  4. Características
  5. Data Warehouse en la nube
  1. Contexto Internet de las Cosas (IoT)
  2. ¿Qué es IoT?
  3. Elementos que componen el ecosistema IoT
  4. Arquitectura IoT
  5. Dispositivos y elementos empleados
  6. Ejemplos de uso
  7. Retos y líneas de trabajo futuras
  1. ¿Qué es el Data Storytelling?
  2. Elementos clave del Data Storytelling
  3. ¿Por qué es importante el Data Storytelling?
  4. ¿Cómo hacer Data Storytelling?
  1. ¿Qué es Hadoop? Relación con Big Data
  2. Instalación y configuración de insfraestructura y ecosistema Hadoop
  3. Sistema de archivos HDFS
  4. MapReduce con Hadoop
  5. Apache Hive
  6. Apache Hue
  7. Apache Spark
  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en Protección de Datos
  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional
  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL Teorema de CAP
  4. Sistemas de Bases de datos NoSQL
  1. ¿Qué es MongoDB?
  2. Funcionamiento y uso de MongoDB
  3. Primeros pasos con MongoDB: Instalación y shell de comandos
  4. Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
  5. Actualización de datos en MongoDB: Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB
  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos
  1. Una aproximación a PENTAHO
  2. Soluciones que ofrece PENTAHO
  3. MongoDB & PENTAHO
  4. Hadoop & PENTAHO
  5. Weka & PENTAHO
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados
  1. ¿Qué es el análisis de datos?
  1. Análisis de datos con NumPy
  2. Pandas
  3. Matplotlib
  1. Cómo usar loc en Pandas
  2. Cómo eliminar una columna en Pandas
  1. Pivot tables en pandas
  1. El grupo de Pandas
  1. Python Pandas fusionando marcos de datos
  1. Matplotlib
  2. Seaborn
  1. Aprendizaje automático
  1. Regresión lineal
  2. Regresión logística
  1. Estructura de árbol
  1. Algoritmo de Naive Bayes
  2. Tipos de Naive Bayes
  1. Máquinas de vectores soporte (Support Vector Machine-SVN)
  2. ¿Cómo funciona SVM?
  3. Núcleos SVM
  4. Construcción de clasificador en Scikit-learn
  1. K-nearest Neighbors (KNN)
  2. Implementación de Python del algoritmo KNN
  1. Análisis de componentes principales
  1. Algortimo de random forest
  1. ¿Qué es la visualización de datos?
  2. Importancia y herramientas de la visualización de datos
  3. Visualización de datos: Principios básicos
  1. ¿Qué es Tableau? Usos y aplicaciones
  2. Tableau Server: Arquitectura y Componentes
  3. Instalación Tableau
  4. Espacio de trabajo y navegación
  5. Conexiones de datos en Tableau
  6. Tipos de filtros en Tableau
  7. Ordenación de datos, grupos, jerarquías y conjuntos
  8. Tablas y gráficos en Tableau
  1. Fundamentos D3
  2. Instalación D3
  3. Funcionamiento D3
  4. SVG
  5. Tipos de datos en D3
  6. Diagrama de barras con D3
  7. Diagrama de dispersión con D3
  1. Visualización de datos
  2. Tipologías de gráficos
  3. Fuentes de datos
  4. Creación de informes
  1. Instalación y arquitectura
  2. Carga de datos
  3. Informes
  4. Transformación y modelo de datos
  5. Análisis de datos
  1. Introducción a Power BI
  2. Instalación de Power BI
  3. Modelado de datos
  4. Visualización de datos
  5. Dashboards
  6. Uso compartido de datos
  1. CartoDB
  2. ¿Qué es CARTO?
  3. Carga y uso de datos. Tipos de análisis
  4. Programación de un visor con la librería CARTO.js
  5. Uso de ejemplos y ayudas de la documentación de la API
  1. ¿Qué es la analítica web?
  2. Establecimiento de objetivos y KPIs
  3. Métricas principales y avanzadas
  4. Objetivos y ventajas de medir
  5. Plan de medición
  1. Introducción a Google Analytics 4
  2. Interfaz
  3. Métricas y dimensiones
  4. Informes básicos
  5. Filtros
  6. Segmentos
  7. Eventos
  8. Informes personalizados
  9. Comportamiento de los usuarios e interpretación de datos
  1. Introducción a GTM
  2. Implementación con GTM
  3. Medición con GTM
  4. Uso de Debug/Preview Mode
  1. La atribución
  2. Multicanalidad
  3. Customer Journey
  4. Principales modelos de atribución
  5. Modelos de atribución personalizados
  1. Planificación del Dashboard
  2. Características del Dashboard
  3. Introducción a Data Studio
  4. Conectores
  5. Tipos de gráficos
  6. Personalización de informes
  7. Elementos de control
  8. Dimensiones y métricas
  9. Campos Calculados
  10. Compartir informes
  1. Introducción al SEO
  2. Historia de los motores de búsqueda
  3. Componentes de un motor de búsqueda
  4. Organización de resultados en un motor de búsqueda
  5. La importancia del contenido
  6. El concepto de autoridad en Internet
  7. Campaña SEO
  1. Introducción al SEM
  2. Principales conceptos en SEM
  3. Sistema de pujas y Calidad del anuncio
  4. Primer contacto con Google Ads
  5. Creación de anuncios con calidad
  6. Indicadores clave de rendimiento en SEM
  1. Análisis del tráfico en redes sociales
  2. Fijar objetivos en redes sociales
  3. Facebook
  4. Twitter
  5. Youtube
  6. LinkedIn
  7. Tik tok
  8. Instagram
  1. Usabilidad
  2. Mapas de calor
  3. Grabaciones de sesiones de usuario
  4. Ordenación de tarjetas
  5. Test A/B
  6. Test multivariante
  7. KPI, indicadores clave de rendimiento
  8. Cambios a realizar para optimizar una página web
  1. Hotjar
  2. Microsoft Power BI
  3. Google Search Console
  4. Matomo
  5. Awstats
  6. Chartbeat
  7. Adobe Analytics
  1. ¿Qué son las cookies?
  2. Tipos de cookies
  3. GDPR
  4. Herramientas para manejar el consentimiento de cookies
  1. La revolución tecnológica
  2. Medios de comunicación y marketing digital
  3. Tecnología en la industria deportiva
  4. La tecnología en los eventos deportivos
  1. Analítica y biometría deportiva
  2. Data Mining aplicado al deporte
  3. Sistema BI aplicado al deporte
  4. Análisis por Envoltura de Datos (DEA) aplicada al deporte
  5. Datos deportivos y transformación del mercado
  1. ¿Qué es el Scouting?
  2. Importancia del Scouting
  3. Perfil del responsable de video
  1. Elementos de hardware y software
  2. Elementos de captación y reproducción de video
  3. Programas para el videoanálisis de partidos
  1. ¿Qué se puede analizar de un equipo?
  2. La táctica
  3. Metodología de la preparación táctica
  4. Ocupación racional del terreno
  5. Las transiciones en el fútbol
  6. Algunas tácticas o acciones ofensivas con balón
  7. El posicionamiento defensivo
  8. Fundamentos del sistema de juego
  1. Introducción a los informes
  2. Recogida de datos e información
  3. Ejemplo de ficha de seguimiento a un jugador
  4. Ejemplo de ficha de scouting de un partido
  1. Toma de decisiones del entrenador
  2. La táctica deportiva
  3. La estrategia deportiva
  1. Descripción general OpenCV
  2. Instalación OpenCV para Python en Windows
  3. Instalación OpenCV para Python en Linux
  4. Anaconda y OpenCV
  1. Manejo de archivos
  2. Leer una imagen con OpenCV
  3. Mostrar imagen con OpenCV
  4. Guardar una imagen con OpenCV
  5. Operaciones aritméticas en imágenes usando OpenCV
  6. Funciones de dibujo
  1. Redimensión de imágenes
  2. Erosión de imágenes
  3. Desenfoque de imágenes
  4. Bordeado de imágenes
  5. Escala de grises en imágenes
  6. Escalado, rotación, desplazamiento y detección de bordes
  7. Erosión y dilatación de imágenes
  8. Umbrales simples
  9. Umbrales adaptativos
  10. Umbral de Otsu
  11. Contornos de imágenes
  12. Incrustación de imágenes
  13. Intensidad en imágenes
  14. Registro de imágenes
  15. Extracción de primer plano
  16. Operaciones morfológicas en imágenes
  17. Pirámide de imágen
  1. Analizar imágenes usando histogramas
  2. Ecualización de histogramas
  3. Template matching
  4. Detección de campos en documentos usando Template matching
  1. Espacios de color en OpenCV
  2. Cambio de espacio de color
  3. Filtrado de color
  4. Denoising de imágenes en color
  5. Visualizar una imagen en diferentes espacios de color
  1. Detección de líneas
  2. Detección de círculos
  3. Detectar esquinas (Método Shi-Tomasi)
  4. Detectar esquinas (método Harris)
  5. Encontrar círculos y elipses
  6. Detección de caras y sonrisas
  1. Vecino más cercano (K-Nearest Neighbour)
  2. Agrupamiento de K-medias (K-Means Clustering)
Titulación
Titulación de Máster de Formación Permanente en Big Data Deportivo con 1500 horas y 60 ECTS expedida por UTAMED - Universidad Tecnológica Atlántico Mediterráneo.
INFÓRMATE SIN COMPROMISO
¡

Entidades colaboradoras

Logo Educa Logo educa edtech
Logo QS
Aviso Legal Política de Privacidad Condiciones de matriculación Política de Cookies Canal de denuncias