• Orígenes y recolección de datos
  • Fuentes de datos internas y externas
  • Métodos de recolección de datos: encuestas, sensores, registros, transaccionales, web scraping
  • Desafíos y consideraciones en la recolección: calidad, integridad y confiabilidad
• Etapas de transformación del dato
  • Del dato en bruto a la sabiduría empresarial
  • Extracción de datos: procesos ETL (Extracción, Transformación y Carga)
  • Integración y consolidación de datos: unificación de diferentes fuentes y formatos de datos
  • Transformación y enriquecimiento de datos: agregación, cálculos derivados, enriquecimiento con datos externos
  • Mantenimiento de la calidad de los datos
• Calidad del dato y sus dimensiones
  • Definición de calidad de datos
  • Dimensiones de la calidad de datos
  • Limpieza y procesamiento de datos: identificación y corrección de errores, manejo de valores faltantes y normalización
  • El coste de la mala calidad de los datos en las empresas
  • El impacto de la mala calidad de los datos en la empresa
• Potenciando el valor de los datos: casos reales en empresas punteras
  • Apple
  • Nestlé
  • Iberdrola

• Técnicas de interpretación de datos
  • Análisis exploratorio de datos: métodos para comprender la estructura y características de los conjuntos de datos
  • Análisis descriptivo: técnicas para resumir y visualizar datos de manera significativa
  • Análisis de tendencias: identificación de patrones y cambios en los datos a lo largo del tiempo
  • Análisis de correlación: exploración de relaciones entre variables y su impacto en los resultados empresariales
  • Análisis de segmentación: agrupación de datos en segmentos homogéneos para una mejor comprensión de los datos
• Introducción a los modelos predictivos
  • Aplicaciones y beneficios de los modelos predictivos
  • Diferencias entre modelos predictivos y descriptivos
  • Tipos de aprendizajes en modelos predictivos
  • Modelos predictivos en aprendizaje supervisado
  • Modelos predictivos en aprendizaje no supervisado
• Herramientas para análisis de datos en el sector empresarial
  • Lenguajes de programación para el análisis de datos
  • El software de análisis de datos y visualización
  • Plataformas de Big Data
  • Frameworks y bibliotecas de Machine Learning
  • Plataformas de análisis de datos en la nube
• La importancia de la visualización de datos
  • La visualización de datos en el proceso de análisis de datos
  • Ejemplos de buenas prácticas de visualización de datos

• Las distintas responsabilidades profesionales en el ámbito del Big Data
• Análisis de sentimientos y opinión
• Personalización y recomendaciones
• Marketing Digital y Publicidad
• Análisis de las redes sociales
• Análisis de riesgo y fraudes
• Big Data en la gestión de Recursos Humanos
• Análisis de datos aplicados a finanzas
• Big Data aplicado a la Ciberseguridad

• Introducción
• Principios éticos en Big Data e Inteligencia Artificial
• Desafíos éticos en la implementación de Big Data e IA
• Retos legales en Big Data e Inteligencia Artificial
• Aspectos éticos y legales en aplicaciones específicas
• El papel de los profesionales de datos en la ética y legalidad
• Casos de estudio: Controversias y soluciones
• Reflexiones finales y el futuro de la ética en Big Data e IA

El desarrollo profesional de los alumnos pasa por la realización de un periodo de prácticas empresariales en las que poder poner en juego los conocimientos y habilidades trabajadas durante el curso. El alumno realizará prácticas supervisado por un tutor asignado en la empresa, que velará por el cumplimiento de los objetivos marcados en al asignatura.