910 887 138
Presentación Temario Metodología Titulación
Presentación
El Máster en Sistemas Inteligentes y Modelado del Conocimiento se presenta como una oportunidad única para adentrarte en el dinámico mundo de la inteligencia artificial y la gestión del conocimiento. En un contexto donde la información y los datos se han convertido en el oro del siglo XXI, la demanda de profesionales capacitados en big data, machine learning y ciberseguridad está en auge. Este máster te proporciona las habilidades necesarias para dominar tecnologías emergentes como el Internet de las Cosas, la inteligencia de negocio y la ciencia de datos, empleando herramientas avanzadas como Python, R y sistemas de bases de datos NoSQL. Además, te prepara para afrontar los desafíos actuales en la seguridad de la información y la implementación de sistemas inteligentes en diversas industrias. Con una metodología totalmente online, podrás adquirir conocimientos clave desde cualquier lugar, permitiéndote compaginar tus estudios con otras responsabilidades. Al finalizar, estarás listo para liderar proyectos de innovación tecnológica, aportando soluciones efectivas y estratégicas en un mercado laboral en constante evolución.
Para qué te prepara
El Máster en Sistemas Inteligentes y Modelado del Conocimiento te capacita para gestionar y analizar grandes volúmenes de datos mediante tecnologías avanzadas como Big Data y Machine Learning. Aprenderás a implementar sistemas de inteligencia artificial, optimizar procesos empresariales con Business Intelligence y garantizar la seguridad de la información en entornos digitales. Además, desarrollarás habilidades para crear chatbots y aplicar ciberseguridad en tecnologías emergentes, preparándote para enfrentar desafíos tecnológicos actuales.
Objetivos
  • '
  • Desarrollar estrategias para detectar y organizar el conocimiento en organizaciones.
  • Evaluar herramientas 2.0 para optimizar la gestión del conocimiento.
  • Aplicar técnicas de Business Intelligence en proyectos de Big Data.
  • Implementar bases de datos NoSQL para almacenamiento escalable.
  • Utilizar Python y R para el análisis y procesamiento de datos.
  • Desarrollar sistemas de recomendación usando Machine Learning.
  • Diseñar chatbots integrando técnicas de PLN e inteligencia artificial.
A quién va dirigido
El Máster en Sistemas Inteligentes y Modelado del Conocimiento está diseñado para profesionales y titulados en áreas relacionadas con la gestión del conocimiento, tecnologías de la información, big data e inteligencia artificial. Este programa avanzado es ideal para quienes buscan profundizar en tecnologías como machine learning, ciberseguridad y herramientas de visualización de datos, enriqueciendo su perfil profesional.
Salidas Profesionales
'- Analista de datos en sectores tecnológicos - Especialista en inteligencia artificial para empresas - Consultor de big data y business intelligence - Desarrollador de sistemas de aprendizaje automático - Experto en ciberseguridad aplicada al IoT e Industria 4.0 - Diseñador de chatbots y sistemas de procesamiento de lenguaje natural - Gestor de conocimiento organizacional y estratégico
Metodología
Aprendizaje 100% online
Campus virtual
Equipo docente especializado
Centro del estudiante
Temario
  1. Contextualización
  2. Capital intelectual
  3. Barreras a la gestión del conocimiento
  4. Transferencia de conocimiento
  5. Innovación en la organización
  1. Gestión eficiente del conocimiento
  2. Etapas en la clasificación del conocimiento
  3. Big Data
  4. Business Intelligence
  1. Contextualización
  2. Sujetos de la propiedad intelectual
  3. Derechos sobre la propiedad intelectual
  4. Medios de protección de la propiedad intelectual
  1. Nociones generales de la propiedad industrial
  2. Titularidad y autoría de las innovaciones
  3. Tipos de protección según su naturaleza
  4. Fundamentos jurídicos de la propiedad industrial
  1. Necesidad de protección del conocimiento en el seno de la empresa
  2. Ideas protegibles
  3. El deber de secreto de los empleados
  4. El deber de secreto con terceros en el ámbito de la empresa
  5. Cloud computing: base de datos sensibles
  6. Protección de datos en la empresa
  1. Contextualización
  2. Tipología de modelos
  3. Principales modelos de gestión del conocimiento
  1. ¿Qué hace falta para poder aplicar la gestión del conocimiento?
  2. Pasos a seguir para una adecuada implementación
  1. Sistemas de Gestión de Seguridad de la Información (SGSI)
  2. Seguridad aplicada a las TI y a la documentación
  3. Planificación y gestión de la Recuperación de Desastres
  1. Contextualización
  2. Herramientas de búsqueda y clasificación de información
  3. Aplicación del Business Intelligence
  4. Herramientas para transformación de información en conocimiento
  5. Herramientas de simulación
  1. Contextualización
  2. Evolución teórica de las TICs
  3. Evolución técnica
  1. Contextualización
  2. Fases del proceso de un CRM
  3. Beneficios y ventajas
  4. Implementación
  5. ¿Está preparada tu empresa?
  6. Errores más frecuentes
  7. CRM para solucionar problemas de la empresa
  1. ¿Por qué es importante?
  2. Consejos para realizar escucha activa
  3. Ventajas de la escucha activa
  4. Herramientas de monitorización
  1. Acceso al conocimiento organizacional
  2. Intranet y portal de conocimiento corporativo
  3. Directorio de expertos y páginas amarillas
  4. Repositorios digitales
  5. Wiki
  6. Mapas de conocimiento
  1. Conceptualización de la transferencia tecnológica
  2. Mecanismo de transferencia tecnológica
  3. PARTICULARIDADES DE LA LICENCIA
  4. Especificaciones del contrato Know-How
  5. Nuevas tendencias en transferencia tecnológica: Spin-Off y Joint Ventures
  6. Ejemplos reales de transferencia tecnológica
  1. ¿Qué es Big Data?
  2. La era de las grandes cantidades de información. Historia del big data
  3. La importancia de almacenar y extraer información
  4. Big Data enfocado a los negocios
  5. Open Data
  6. Información pública
  7. IoT (Internet of Things-Internet de las cosas)
  1. Definición y relevancia de la selección de las fuentes de datos
  2. Naturaleza de las fuentes de datos Big Data
  1. Definición, Beneficios y Características
  2. Ejemplo de uso de Open Data
  1. Diagnóstico inicial
  2. Diseño del proyecto
  3. Proceso de implementación
  4. Monitorización y control del proyecto
  5. Responsable y recursos disponibles
  6. Calendarización
  7. Alcance y valoración económica del proyecto
  1. Definiendo el concepto de Business Intelligence y sociedad de la información
  2. Arquitectura de una solución de 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. Apoyo del Big Data en el proceso de toma de decisiones
  2. Toma de decisiones operativas
  3. Marketing estratégico y Big Data
  4. Nuevas tendencias en management
  1. Concepto de web semántica
  2. Linked Data Vs Big Data
  3. Lenguaje de consulta SPARQL
  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 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 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 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 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. Procesos de extracción, transformación y carga de datos (ETL)
  3. Data Warehou
  4. Herramientas de Explotación
  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. Tipos de herramientas para BI
  2. Productos comerciales para BI
  3. Productos Open Source para BI
  4. Beneficios de las herramientas de BI
  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. Google Data Studio
  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
  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Compunting
  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. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. MongoDB, Hadoop y Python. Dream Team del Big Data
  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. Introducción a la inteligencia artificial
  2. Historia
  3. La importancia de la IA
  1. Tipos de inteligencia artificial
  1. Algoritmos aplicados a la inteligencia artificial
  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Tecnologías de IA que se están utilizando con Big Data
  1. Sistemas expertos
  2. Estructura de un sistema experto
  3. Inferencia: Tipos
  4. Fases de construcción de un sistema
  5. Rendimiento y mejoras
  6. Dominios de aplicación
  7. Creación de un sistema experto en C#
  8. Añadir incertidumbre y probabilidades
  1. Futuro de la inteligencia artificial
  2. Impacto de la IA en la industria
  3. El impacto económico y social global de la IA y su futuro
  1. Introducción
  2. Clasificación de algoritmos de aprendizaje automático
  3. Ejemplos de aprendizaje automático
  4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
  5. Tipos de algoritmos de aprendizaje automático
  6. El futuro del aprendizaje automático
  1. Introducción
  2. Algoritmos
  1. Introducción
  2. Filtrado colaborativo
  3. Clusterización
  4. Sistemas de recomendación híbridos
  1. Clasificadores
  2. Algoritmos
  1. Componentes
  2. Aprendizaje
  1. Introducción
  2. El proceso de paso de DSS a IDSS
  3. Casos de aplicación
  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo
  1. Redes neuronales
  2. Redes profundas y redes poco profundas
  1. Perceptrón de una capa y multicapa
  2. Ejemplo de perceptrón
  1. Tipos de redes profundas
  2. Trabajar con TensorFlow y Python
  1. Entrada y salida de datos
  2. Entrenar una red neuronal
  3. Gráficos computacionales
  4. Implementación de una red profunda
  5. El algoritmo de propagación directa
  6. Redes neuronales profundas multicapa
  1. ¿Qué es PLN?
  2. ¿Qué incluye el PLN?
  3. Ejemplos de uso de PLN
  4. Futuro del PLN
  1. PLN en Python con la librería NLTK
  2. Otras herramientas para PLN
  1. Principios del análisis sintáctico
  2. Gramática libre de contexto
  3. Analizadores sintácticos (Parsers)
  1. Aspectos introductorios del análisis semántico
  2. Lenguaje semántico para PLN
  3. Análisis pragmático
  1. Aspectos introductorios
  2. Pasos en la extracción de información
  3. Ejemplo PLN
  4. Ejemplo PLN con entrada de texto en inglés
  1. Aspectos introductorios
  2. ¿Qué es un chatbot?
  3. ¿Cómo funciona un chatbot?
  4. VoiceBots
  5. Desafios para los Chatbots
  1. Chatbots y el papel de la Inteligencia Artificial (IA)
  2. Usos y beneficios de los chatbots
  3. Diferencia entre bots, chatbots e IA
  1. Áreas de aplicación de Chatbots
  2. Desarrollo de un chatbot con ChatterBot y Python
  3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel
  1. Concepto de seguridad TIC
  2. Tipos de seguridad TIC
  3. Aplicaciones seguras en Cloud
  4. Plataformas de administración de la movilidad empresarial (EMM)
  5. Redes WiFi seguras
  6. Caso de uso: Seguridad TIC en un sistema de gestión documental
  1. Buenas prácticas de seguridad móvil
  2. Protección de ataques en entornos de red móv
  1. Inteligencia Artificial
  2. Tipos de inteligencia artificial
  3. Impacto de la Inteligencia Artificial en la ciberseguridad
  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
  8. Vulnerabilidades de IoT
  9. Necesidades de seguridad específicas de IoT
  1. Industria 4.0
  2. Necesidades en ciberseguridad en la Industria 4.0
Titulación
Titulación de Máster en Sistemas Inteligentes y Modelado del Conocimiento 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
INFÓRMATE SIN COMPROMISO

Cargando...

Se envió su solicitud correctamente.

Completa los campos obligatorios.

¡

Entidades colaboradoras

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