Presentación
El Máster en Ingeniería de Sistemas de Toma de Decisiones es tu pasaporte hacia el futuro de la gestión inteligente. En un mundo donde la información es poder, saber cómo analizar y utilizar datos para tomar decisiones estratégicas es fundamental. Este máster te prepara para enfrentar desafíos complejos mediante el aprendizaje de técnicas avanzadas de decisión y modelización de incertidumbre. Con un enfoque en herramientas como el análisis de datos, simulación y metaheurísticas, te convertirás en un experto en transformar datos en decisiones sólidas. La creciente demanda de profesionales capacitados en Big Data y minería de datos hace que esta formación sea especialmente valiosa. Optar por este máster significa estar a la vanguardia de la innovación, mejorando tus habilidades en áreas clave como la optimización y la gestión de bases de datos. A través de un formato online flexible, tendrás la oportunidad de aprender desde cualquier lugar, adaptando tus estudios a tus necesidades personales y profesionales.
Para qué te prepara
El Máster en Ingeniería de Sistemas de Toma de Decisiones te prepara para enfrentar desafíos complejos en la toma de decisiones aplicando técnicas avanzadas como la optimización y los algoritmos heurísticos. Aprenderás a utilizar sistemas de apoyo a la decisión y modelar la incertidumbre mediante métodos bayesianos. Además, dominarás la gestión y minería de datos para extraer información valiosa, y aplicarás herramientas de Big Data y Seis Sigma para mejorar procesos y proyectos, optimizando resultados en entornos dinámicos.
Objetivos
- '
- Aplicar modelos y técnicas avanzadas de decisión para optimizar procesos complejos.
- Desarrollar sistemas de apoyo a la decisión utilizando algoritmos heurísticos.
- Implementar métodos bayesianos en situaciones de incertidumbre para mejorar la precisión.
- Utilizar simulación de Monte Carlo para evaluar riesgos en la toma de decisiones.
- Emplear técnicas de minería de datos para transformar datos en decisiones estratégicas.
- Diseñar soluciones de Big Data para el procesamiento eficiente de grandes volúmenes de datos.
- Integrar el método Six Sigma para mejorar la calidad y eficiencia en proyectos de ingeniería.
A quién va dirigido
El Máster en Ingeniería de Sistemas de Toma de Decisiones está dirigido a profesionales y titulados en ingeniería, matemáticas o ciencias afines interesados en profundizar en modelos de decisión, análisis de datos y técnicas de optimización. Ideal para quienes buscan actualizarse en big data, minería de datos y técnicas avanzadas como la simulación de Monte Carlo o Six Sigma.
Salidas Profesionales
'- Analista de datos en sectores avanzados - Consultor en sistemas de decisión - Especialista en Big Data para ingeniería - Experto en optimización y algoritmos - Ingeniero de sistemas de soporte a la decisión - Desarrollador de soluciones de minería de datos - Gestor de proyectos Six Sigma - Consultor en seguridad y gestión de bases de datos - Responsable de innovación tecnológica en decisiones empresariales
'- Analista de datos en sectores avanzados - Consultor en sistemas de decisión - Especialista en Big Data para ingeniería - Experto en optimización y algoritmos - Ingeniero de sistemas de soporte a la decisión - Desarrollador de soluciones de minería de datos - Gestor de proyectos Six Sigma - Consultor en seguridad y gestión de bases de datos - Responsable de innovación tecnológica en decisiones empresariales
Metodología
Aprendizaje 100% online
Campus virtual
Equipo docente especializado
Centro del estudiante
Temario
- Ventajas e inconvenientes de las baes de datos
- Conceptos generales
- El modelo entidad-relación
- El modelo entidad-relación extendido
- Restricciones de integridad
- Estructura del modelo relacional
- Claves en el modelo relacional
- Restricciones de integridad
- Teoría de la normalización
- Diseño de una base de datos relacional
- Tipos de lenguajes relacionales
- Caracterísiticas de SQL
- Sistemas de Gestión de Bases de Datos con soporte SQL
- Sintaxis en SQL
- Especificación de restricciones de integridad
- Caracterísiticas de MySQL
- Tipos de datos
- Sisntaxis SQL para MySQL
- Posibles fallos en una base de datos
- Elementos de recuperación
- Tipos de soporte
- RAID
- Servidores remotos de salvaguarda de datos
- Diseño de un plan de salvaguarda y protocolo de recuperación de datos
- Tipos de salvaguardas de datos
- RTO (Recovery Time Objective) y RPO (Recovery Point Objective)
- Mecanismos de verificación de la integridad de las copias de seguridad
- Definición de SGBD distribuido. Principales ventajas y desventajas
- Características esperadas en un SGBD distribuido
- Clasificación de los SGBD distribuidos
- Enumeración y explicación de las reglas de DATE para SGBD distribuidos
- Replicación de la información en bases de datos distribuidas
- Procesamiento de consultas
- Descomposición de consultas y localización de datos
- Conceptos de seguridad de los datos: confidencialidad, integridad y disponibilidad
- Normativa legal vigente sobre datos
- Supuestos prácticos
- Herramientas para importar y exportar datos
- Clasificación de las herramientas
- Ejemplo de ejecución de una exportación e importación de datos
- Migración de datos entre diferentes SGBD
- Inconvenientes al traspasar datos entre distintos SGBD
- Conceptos básicos, técnicas y sistemas
- Implantación en la empresa
- Definición de la necesidad
- Objetivos
- Costes
- Áreas de aplicación
- Redes neuronales de modelización predictiva
- Algoritmos matemáticos
- Árboles de decisión
- Técnicas de visualización de datos
- Elección de la técnica
- Explotación de datos según las necesidades de las diferentes áreas del negocio
- Ventajas
- Segmentación
- Clasificación y segmentación de clientes
- Ofertas
- Fidelizar clientes
- Operaciones básicas para descubrir la información oculta
- Estructurar la información
- Herramientas para la fidelización
- Entornos transaccionales
- Acciones promocionales puntuales
- Utilidad del conocimiento
- Reportes estándares, simulaciones ad-hoc y procesamiento de la información LOPD
- ¿Qué es Big Data?
- Paradigmas de procesamiento en Big Data
- Las 8 V de Big Data (Volumen, Volatilidad, Variedad, Valor, Velocidad, Variabilidad, Veracidad, Validez).
- MapReduce
- - Entorno MapReduce
- - Función Map y función Reduce
- - Flujo de datos
- - Características de MapReduce
- - Uso de MarpReduce
- - Ventajas e inconvenientes de Map Reduce
- - Ejercicios y ejemplos con MapReduce
- Hadoop
- - Entorno Hadoop
- - Almacenamiento: HDFS
- - Características de HDFS
- Apache Hadoop YARN
- - Funciones de Framework computacionales
- - YARN: El gestor de recursos del cluster
- - Conceptos de Apache Spark
- - Ejecución de Computational Frameworks en YARN
- - Exploración de las aplicaciones de YARN Applications a través de la Web UIs y de Shell
- Agregación de los logs de YARN
- - Configuración de Hadoop y registros de Daemon
- - Localizar configuraciones y aplicar cambios de configuración
- - Gestión de instancias de Role y añadir servicios
- - Configuración del servicio HDFS
- - Configuración de los logs de Hadoop Daemon
- - Configuración del servicio YARN
- Obtención de datos en HDFS
- - Ingestión de datos desde fuentes de recursos externos con Flume
- - Ingestión de datos desde bases de datos relacionales con Sqoop
- - REST Interfaces
- - Buenas prácticas para la importación de datos
- Planificación de un cluster Hadoop
- - Consideraciones generales de planificación
- - Elección correcta de Hardware
- - Opciones de Virtualización
- - Consideraciones de red
- - Configuración de nodos
- Instalación y configuración de Hive, Pig e Impala
- Clientes Hadoop incluidos en Hue
- - ¿Qué es un cliente de Hadoop?
- - Instalación y configuración de clientes Hadoop
- - Instalación y configuración de Hue
- - Autorizaciones y autenticación Hue
- Configuración avanzada de un cluster
- - Parámetros avanzados de configuración
- - Configuración de puertos Hadoop
- - Configuración de HDFS para la organización en rack
- - Configuración de HDFS para obtención de alta disponibilidad
- Seguridad Hadoop
- - ¿Por qué es importante la seguridad en Hadoop?
- - Conceptos del sistema de seguridad de Hadoop
- - Qué es Kerberos y cómo funciona
- - Securización de un clúster Hadoop Cluster con Kerberos
- - Otros conceptos de seguridad
- Gestión de recursos
- - Configuración de cgroups con Static Service Pools
- - El Fair Scheduler
- - Configuración de Dynamic Resource Pools
- - Configuraciones de CPU y memoria YARN
- - Impala Query Scheduling
- Mantenimiento de un cluster
- - Chequeo del estado de HDFS
- - Copia de datos entre clústers
- - Añadir y eliminar de nodos en el clúster
- - Rebalanceo del Cluster
- - Directorio de Snapshots
- - Actualización del clúster
- Solución de problemas y monitorización de un cluster
- - Sistema general de monitorización
- - Monitorización de clústers Hadoop
- - Solución de problemas habituales en el clúster de Hadoop
- - Errores habituales en la configuración
- Data Science
- - Que hacen los data scientists, herramientas y procesos que utilizan
- - Aplicación de lo aprendido en módulo 2: Uso de Hue
- Apache Spark
- - Cómo trabaja Apache Spark y que capacidades nos ofrece
- - Que formatos de ficheros populares puede usar Spark para almacenar datos
- - Que lenguajes de programación puedes utilizar para trabajar con Spark
- - Cómo empezar a utilizar PySpark y Sparklyr
- - Cómo comparar PySpark y Sparklyr
- Machine Learning
- - ¿Qué es machine learning?
- - Algunos conceptos y términos importantes
- - Diferentes tipos de algoritmos
- - Librerías que se utilizan
- Apache Spark MLlib
- - Que capacidades de machine learning nos proporciona MLlib
- - Cómo crear, validar y utilizar modelos de machine learning con MLlib
- - Ejecución de trabajos Apache Spark
- - Cómo un trabajo de Spark se compone de una secuencia de transformaciones seguida de una acción
- - Cómo Spark utiliza la ejecución lenta
- - Cómo Spark divide los datos entre las particiones
- - Cómo ejecuta Spark operaciones limitadas y grandes
- - Cómo Spark ejecuta un trabajo en tareas y fases
- Datasets y Dataframes
- Operaciones en Dataframe
- Trabajar con Dataframes y Schemas
- Crear Dataframes a partir de Data Sources
- Guardar DataFrames en Data Sources
- DataFrame Schemas
- Rapidez y lentitud de ejecución
- Análisis de datos con consultas de DataFrame
- - Consultar DataFrames con el empleo de expresiones de columna
- - Agrupación y agregación de consultas
- - Unión de DataFrames
- RDD
- - Introducción RDD
- - RDD Data Sources
- - Creando y guardando RDDs
- - Operaciones con RDDs
- Transformación de datos con RDDs
- - Escritura y paso de funciones de transformación
- - Ejecuciones de transformación
- - Conversión entre RDDs y DataFrames
- Agregación de datos con Pair RDDs
- - Key-Valué Pair RDDs
- - Mal-Reduce
- - Otras operaciones Pair RDD
- Consulta y vistas de tablas con Spark SQL
- - Datasets y DataFrames
- - Creación de Datasets
- - Ejecución y guardado de Datasets
- - Operaciones de Dataset
- Creación, configuración y ejecución de aplicaciones Spark
- - Creación de una aplicación Spark
- - Compilar y ejecutar la aplicación
- - Application Deployment Mode
- - La interfaz Spark Application Web UI
- - Configuración de las propiedades de la aplicación
- Procesamiento distribuido
- - Apache Spark en un Clúster
- - Particiones RDD
- - Ejemplo: Particionamiento en consultas
- - Etapas y Tareas
- - Planificación de tareas de ejecución
- Persistencia de datos distribuidos
- - Persistencia en Datasets y DataFrames
- - Persistencia en niveles de almacenamiento
- - Visualización de RDDs persistentes
- Patrones comunes al procesar datos con Spark
- - Casos comunes de uso de Spark
- - Algoritmos de iteración en Apache Spark
- - Machine Learning
- Spark Streaming: Introducción a DStreams
- - Vista general de Spark Streaming
- - DStreams
- - Desarrollo de aplicaciones en Streaming
- Spark Streaming: procesamiento de múltiples lotes
- - Operaciones Multi-Batch
- - Time Slicing
- - Operaciones de estado
- - Operaciones Sliding Window
- - Vista previa: Streaming estructurado
- Apache Spark Streaming: Data Sources
- - Vista general de Streaming Data Source
- - Apache Flume y Apache Kafka Data Sources
- - Ejemplo: uso de un Kafka Direct Data Source
- Introducción a Pig
- - ¿Qué es Pig?
- - Características de Pig
- - Casos de empleo de Pig
- - Interacción con Pig
- Análisis de datos básico con Pig
- - Sintaxis Pig Latin
- - Carga de datos
- - Tipos simples de datos
- - Definición de campos
- - Datos de salida
- - Vistas y esquemas
- - Filtrado y ordenación de datos
- - Funciones habituales
- Procesado de datos complejos con Pig
- - Formatos de almacenamiento
- - Tipos de datos complejos y anidados
- - Agrupaciones
- - Funciones predefinidas para datos complejos
- - Iteración de datos agrupados
- Operaciones con multiconjuntos de datos con Pig
- - Técnicas para combinar conjuntos de datos
- - Unión de conjuntos de datos con Pig
- - Conjunto de operaciones
- - División de conjuntos de datos
- Troubleshooting y optimización de Pig
- - Troubleshooting en Pig
- - Inicio de sesión
- - Empleo de UI web Hadoop
- - Muestreo de datos y depuración
- - Visión general del rendimiento
- - Comprensión del plan de ejecución
- - Consejos para mejorar el rendimiento de Jobs en Pig
- Introducción a Hive e Impala
- - ¿Qué es Hive?
- - ¿Qué es Impala?
- - ¿Por qué utilizar Hive e Impala?
- - Schema y almacenamiento de datos
- - Comparación entre Hive y bases de datos tradicionales
- - Casos de uso
- Consultas con Hive e Impala
- - Tablas y bases de datos
- - Sintaxis básica en consultas Hive e Impala
- - Tipos de datos
- - Empleo de Hue para ejecutar consultas
- - Empleo de Beeline (la Shell de Hive)
- - Empleo de la Shell de Impala
- Administración de datos
- - Almacenamiento de datos
- - Creación de bases de datos y tablas
- - Carga de datos
- - Alteración de bases de datos y tablas
- - Simplificación de consultas con vistas
- - Almacenamiento de resultados de consultas
- Almacenamiento y datos de rendimiento
- - Partición de tablas
- - Carga de datos en tablas particionadas
- - Cuándo utilizar el particionamiento
- - Elección de formato de almacenamiento
- - Gestión de metadatos
- - Control de acceso a datos
- Análisis de datos relacional con Hive e Impala
- - Unión de conjuntos de datos
- - Funciones predefinidas habituales
- - Agregaciones y Windowing
- Datos complejos con Hive e Impala
- - Datos complejos con Hive
- - Datos complejos con Impala
- Análisis de texto con Hive e Impala
- - Empleo de expresiones regulares
- - Procesamiento de texto con SerDes en Hive
- - Análisis de los sentimientos y N•Grams
- Optimización Hive
- - Rendimiento de las consultas
- - Bucketing
- - Indexación de datos
- - Hive en Spark
- Optimización de Impala
- - Ejecución de consultas
- - Mejorar el rendimiento de Impala
- Extendiendo Hive e Impala
- - Customizar SerDes y formatos de fichero en Hive
- - Transformación de datos con Scripts personalizados en Hive
- - Funciones definidas por el usuario
- - Consultas parametrizadas
- - Comparación entre MapReduce, Pig, Hive, Impala, y bases de datos relacionales. ¿Cuál elegir?
- Introducción a la minería de datos y el aprendizaje automático
- - Proceso KDD
- - Modelos y Técnicas de Data Mining
- - Áreas de aplicación
- - Minería de textos y Web Mining
- - Data mining y marketing
- Instalación de R y RStudio
- - Introducción al lenguaje
- - Historia e Introducción a R
- - Operaciones Básicas y Números
- - Atributos, Entrada y Coerción
- - Matrices
- - Precedencia Operaciones Vectoriales
- - Manejo de fechas y tiempo
- - Listas, Factores, Valores Faltantes y Dataframes
- - Subconjuntos de Datos
- - Leer y Escribir Datos
- Uso del lenguaje
- - Estructuras de Control
- - Funciones
- - Reglas de Alcance
- Sistema de gráficos
- - Funciones *apply: apply
- - Funciones *apply: lapply / sappy
- - Funciones *apply: mapply / rep
- - Graficación con el Sistema de Base de Gráficos
- - Algunas Funciones Gráficas de Alto Nivel
- - Parámetros en el Sistema de Gráficos
- - Colores en el Sistema de Gráficos
- - Graficación con Notación Matemática
- - Graficación con texto y notación matemática
- - Creación de Gráficas en 3D
- Expresiones regulares. Gráficas con ggplot2 y Simulación
- - Expresiones Regulares
- - Paquete de gráficos ggplot2
- - Simulación
- R en el mundo real
- - Estadística Descriptiva y Predictiva con R
- - Integración de R en Hadoop
- Obtención y limpieza de los datos (ETL)
- Inferencia estadística
- Pruebas de hipótesis
- Modelos de regresión
- Árboles de Decisión
- Algoritmos de Clasificación / Regresión (J48/C5.0, M5P)
- Normalización, Tipos de distancia, Correlación
- Machine Learning
- Comparar Artículos (k-NN)
- Modelo predictivo de profit (k-NN, M5P...)
- Modelo predictivo de clasificación (J48, k-NN)
- Inteligencia Analítica de negocios
- La teoría de grafos y el análisis de redes sociales
- Presentación de resultados
- ¿Qué es Hadoop?
- El sistema de archivos HDFS
- Algunos comandos de referencia
- Procesamiento MapReduce con Hadoop
- El concepto de los clusters en Hadoop
- ¿Qué es Weka?
- Técnicas de Data Mining en Weka
- Interfaces de Weka
- Selección de atributos
- ¿Qué es el Six Sigma?
- Historia y Aplicación del Six Sigma
- Otros Métodos de Mejora de los Procesos de Calidad
- Conceptos de Lean
- Conceptos Básicos de Six Sigma
- Definición de los Problemas
- ¿Qué es un proceso?
- La Gestión de la Calidad
- Seleccionar los Proyectos Adecuados
- Principios de Gestión Básica del Equipo Six Sigma
- Introducción a los métodos DMAIC y DMADV
- Definir
- Medir
- Analizar
- Mejorar
- Controlar
- Análisis Gráfico
- Distribución Normal de la Probabilidad
- Correlación y Regresión
- Distribución No-Normal de la Probabilidad
- Evaluación de la Hipótesis
- El Tamaño de la Muestra
- Gráficos de Control Avanzados
- Estadística en Aplicaciones de Negocios a Través del Six Sigma
- Introducción a Minitab
- Gráficos y Herramientas de Calidad de Minitab
- El Menú Estadísticas en Minitab
- Análisis de Varianza (ANOVA)
- Diseño de Experimentos
- Interacciones, Factores Multinivel y Creación de Experimentos
- Tormenta de Ideas y otras Herramientas de Mejora de Procesos
- Mapas de Procesos
- Monitoreo de la Cadena de Valor
Titulación
Doble Titulación: - Titulación de Máster en Ingeniería de Sistemas de Toma de Decisiones con 1500 horas expedida por EDUCA BUSINESS SCHOOL como Escuela de Negocios Acreditada para la Impartición de Formación Superior de Postgrado, con Validez Profesional a Nivel Internacional - Titulación Universitaria de Curso Superior Universitario en Creación y Gestión de Base de Datos SQL con 200 horas y 8 créditos ECTS por la Universidad Católica de Murcia
Entidades colaboradoras
