Titulación Universitaria + 60 Créditos ECTS

Máster en Big Data y Business Analytics + 60 Créditos ECTS

Máster en Big Data y Business Analytics + 60 Créditos ECTS

¿Quieres transformar grandes volúmenes de información en decisiones estratégicas y liderar proyectos de Business Analytics? Domina Big Data, estadística avanzada, machine learning y visualización con este máster.

  • 100% Online
  • 1500
  • Conv. abierta
  • Becas
  • Titulación Universitaria
  • Modalidad 100% online, a tu ritmo
  • 60 Créditos ECTS
  • Sin permanencia · Te contestamos en menos de 24 h
Máster en Big Data y Business Analytics + 60 Créditos ECTS

Un máster con datos verificables del programa

  • 60 Créditos ECTS
  • Facultad de Transformación Digital
  • Prácticas en centros reales
  • Título propio STRUCTURALIA

¿Qué conseguirás al terminar este máster?

Conceptos clave

Diferencia Big Data, Business Intelligence y Analytics para evitar confusiones en un entorno donde todo se etiqueta como Big Data.

Ecosistema integral

Adquiere una visión global del ecosistema Big Data & Analytics: tecnologías, herramientas y perfiles profesionales.

Estrategias con datos

Identifica oportunidades de negocio basadas en datos, gestionando proyectos y equipos de forma efectiva.

Ética y legal

Comprende aspectos legales y éticos del manejo de datos, además de la complejidad técnica y científica asociada.

Temario del programa

9 módulos que cubren desde fundamentos de Big Data, Business Intelligence y Analytics hasta estrategias de negocio basadas en datos y aspectos legales y éticos. Haz clic en cada módulo para ver el contenido completo.

01

Módulo 1. Introducción Al Big Data

Unidad Didáctica 1. los Datos en las Empresas

  • Data information
  • Knowledge wisdom
  • Data Management (I)
  • Data Management (II)
  • Corporate perfomance management
  • Bases de Datos

Unidad Didáctica 2. del Business Intelligence Al Big Data

  • Business intelligence
  • Datawarehousing
  • Big data
  • Hadoop Spark

Unidad Didáctica 3. Arquitecturas Tecnológicas Big Data

  • Ecosistema Hadoop (I)
  • Ecosistema Hadoop (II)
  • Ecosistema Hadoop (III)
  • Ecosistema Spark
  • Instalación y configuración de arquitecturas Big Data

Unidad Didáctica 4. Big Data Analytics

  • Analytics
  • Principales algoritmos (I)
  • Principales algoritmos (II)
  • Machine Learning y Deep Learning
  • Internet Of Things
02

Módulo 2. Curso Power Bi

Unidad Didáctica 1. Comenzando con Power Bi

  • Introducción a Power BI
  • Diferentes tipos de Power BI: ¿es realmente gratis?
  • Sumerjámonos en ello: primer informe simple
  • Power Query: fuente de datos
  • Transformación de datos

Unidad Didáctica 2. Modelado de Datos y Dax

  • Modelado de datos
  • Comenzando con DAX (I)
  • Comenzando con DAX (II)
  • Dominando DAX (I)
  • Dominando DAX (II)

Unidad Didáctica 3. Visualización de Datos

  • Tabla y matriz
  • Tendencias
  • Cómo filtrar tus datos adecuadamente
  • Marcadores
  • Obtención de detalles

Unidad Didáctica 4. Llevando Power Bi Al Siguiente Nivel

  • Entendiendo Power BI Service
  • Compartiendo contenido en Power BI Service
  • Comparando Power BI Service y Power Report Service
  • Integrando Python y R en Power BI Desktop
  • Introduciendo Bravo para Power BI Desktop
03

Módulo 3. Bases de Datos Relacionales. Sql. Diseño de un Datawarehouse (big Data)

Unidad Didáctica 1. Primeros Pasos en Sql

  • Introducción a SQL
  • Manipulación de bases de datos
  • Tipos de datos
  • Normalización
  • Creación de tablas en SQL

Unidad Didáctica 2. Comandos Sql

  • Manipulación de tablas
  • Consulta de tablas en SQL
  • Combinación de tablas en SQL
  • Combinaciones de tablas y vistas
  • Otros comandos en SQL

Unidad Didáctica 3. Funciones Sql

  • Funciones para strings y funciones numéricas (I)
  • Funciones numéricas (II)
  • Funciones de fecha y hora
  • Otras funciones
  • Bucles, condicionales y triggers en SQL

Unidad Didáctica 4. Diseño de un Datawarehouse

  • Introducción al datawarehousing
  • Bases de datos en un datawarehouse. Stage
  • Bases de datos en un datawarehouse. ODS (I)
  • Datos en un datawarehouse. ODS (II)
  • Bases de datos en un datawarehouse. DDS
04

Módulo 4. Lenguajes de Programación. Python y R (big Data)

Unidad Didáctica 1. Introducción a Python, Instalación y Configuración de Entorno de Desarrollo

  • Introducción a Python
  • Características y aplicaciones
  • Instalación de Python
  • Configuración de un entorno de desarrollo

Unidad Didáctica 2. Tipos de Datos, Variables, Operadores y Expresiones

  • Sintaxis básica de Python
  • Variables y tipos de datos
  • Operadores y expresiones
  • Uso de comentarios

Unidad Didáctica 3. Control del Flujo: Bucles y Condicionales

  • Introducción al control de flujo
  • Estructuras condicionales (if, elif, else)
  • Bucles (for y while)
  • Control de bucles (break y continue)

Unidad Didáctica 4. Librerías para el Análisis de Datos: Numpy, Pandas y Matplotlib

  • Análisis de datos con NumPy
  • Pandas
  • Matplotlib

Unidad Didáctica 5. Filtrado y Extracción de Datos

  • Cómo usar loc en Pandas
  • Cómo eliminar una columna en Pandas

Unidad Didáctica 6. Pivot Tables

  • Pivot tables en pandas

Unidad Didáctica 7. Groupby y Funciones de Agregación

  • El grupo de pandas

Unidad Didáctica 8. Fusión de Dataframes

  • Python Pandas fusionando marcos de datos

Unidad Didáctica 9. Visualización de Datos con Matplotlib y con Seaborn

  • Matplotlib
  • Seaborn

Unidad Didáctica 10. R Como Herramienta para Big Data

  • Introducción a R
  • ¿Qué necesitas?
  • Tipos de datos
  • Estadística Descriptiva y Predictiva con R
  • Integración de R en Hadoop

Unidad Didáctica 11. Pre-procesamiento & Procesamiento de Datos

  • Obtención y limpieza de los datos (ETL)
  • Inferencia estadística
  • Modelos de regresión
  • Pruebas de hipótesis

Unidad Didáctica 12. Análisis de los Datos

  • Inteligencia Analítica de negocios
  • La teoría de grafos y el análisis de redes sociales
  • Presentación de resultados
05

Módulo 5. Bases de Datos Nosql (big Data)

Unidad Didáctica 1. Introducción a las Bases de Datos Nosql

  • Concepto de Bases de Datos NoSQL
  • Ventajas y desventajas de las Bases de Datos NoSQL
  • Características principales de las Bases de Datos NoSQL

Unidad Didáctica 2. Tipos de Bases de Datos Nosql

  • Bases de datos Documentales
  • Bases de datos de Columnas
  • Bases de datos Clave-Valor
  • Base de datos en grafos

Unidad Didáctica 3. Mongodb: una Base de Datos Documental

  • Introducción a MongoDB
  • Características y arquitectura de MongoDB
  • Modelado de datos en MongoDB
  • Consultas y operaciones en MongoDB
  • Escalabilidad y rendimiento en MongoDB

Unidad Didáctica 4. Otros Sgbd Nosql

  • Apache Cassandra
  • CouchDB
  • Redis
  • Amazon DynamoDB
  • NeoJS

Unidad Didáctica 5. Instalación, Configuración y Uso de Mongodb

  • Diseño de la estructura de datos
  • Configuración del entorno de desarrollo
  • Instalación y configuración de MongoDB
  • Creación y manipulación de colecciones en MongoDB
  • Importación y exportación de datos en MongoDB

Unidad Didáctica 6. Consultas y Operaciones Avanzadas en Mongodb

  • Índices y optimización de consultas en MongoDB
  • Agregación de datos en MongoDB
  • Transacciones en MongoDB
  • Replicación y alta disponibilidad en MongoDB
  • Copias de seguridad y recuperación en MongoDB

Unidad Didáctica 7. Casos de Uso de las Bases de Datos Nosql

  • Aplicaciones web y móviles
  • Big Data y análisis de datos
  • Internet de las cosas (IoT)
  • Sistemas de recomendación
  • Social media y redes sociales

Unidad Didáctica 8. Integración de Bases de Datos Nosql con Tecnologías Externas

  • Introducción a la integración de datos
  • Integración con lenguajes de programación (Python, Java, etc.)
  • Integración con herramientas de Business Intelligence (BI)
  • Integración con sistemas de almacenamiento en la nube

Unidad Didáctica 9. Seguridad y Privacidad en Bases de Datos Nosql

  • Conceptos de seguridad en Bases de Datos NoSQL
  • Autenticación y autorización en MongoDB
  • Encriptación de datos en Bases de Datos NoSQL
  • Auditoría y control de acceso en Bases de Datos NoSQL
06

Módulo 6. Preparación de Datos de Autoservicio

Unidad Didáctica 1. Preparación de Datos

  • Introducción
  • Alfabetización de los datos
  • Trabajar con datos
  • Soluciones y técnicas para tratamiento de datos
  • Gestión de la calidad de datos

Unidad Didáctica 2. Preparación de Datos con Excel

  • Trabajar con datos en Excel
  • Conjunto de datos (DATASET)
  • Data Cleasing con Excel
  • Data Wrangling con Excel
  • Data Blending en Excel

Unidad Didáctica 3. Preparación de Datos con Talend

  • Instalación Talend Data Preparation Desktop
  • Trabajar con datos en Talend
  • Data Cleasing con Talend
  • Data Wrangling con Talend
  • Data Blending con Talend

Unidad Didáctica 4. Preparación de Datos con Dataprep By Trifacta

  • Registro en dataprep by Trifacta
  • Trabajar con datos con Dataprep by Trifacta
  • Data Cleasing con Trifacta
  • Data Wrangling con Dataprep by Trifacta
  • Data Blending con Dataprep by Trifacta
07

Módulo 7. Data Mining, Machine Learning y Deep Learning (big Data)

Unidad Didáctica 1. Aprendizaje Supervisado (i)

  • Introducción
  • Regresión lineal, múltiple y logística (I)
  • Regresión lineal, múltiple y logística (II)
  • Máquina de vectores soporte (SVM)
  • Árboles de decisión

Unidad Didáctica 2. Aprendizaje Supervisado (ii)

  • KNN (K-Nearest Neighbors)
  • Naive bayes
  • Evaluación de modelos supervisados
  • Ejercicio de ejemplo
  • Ejercicio propuesto

Unidad Didáctica 3. Aprendizaje No Supervisado

  • Introducción a clustering. propósito y métricas
  • K-means clustering
  • Clústering jerárquico, otras técnicas y ejemplos
  • Análisis de componentes principales (PCA)
  • Ejercicio de ejemplo PCA

Unidad Didáctica 4. Deep Learning

  • Redes neuronales artificiales (ANN) (I)
  • Redes neuronales artificiales (ANN) (II)
  • Redes neuronales artificiales (ANN) (III)
  • Ejercicio de ejemplo
  • Ejercicio propuesto
08

Módulo 8. Deep Learning Avanzado

Unidad Didáctica 1. Introducción Al Machine Learning

  • Introducción
  • Clasificación de algoritmos de aprendizaje automático
  • Ejemplos de aprendizaje automático
  • Diferencias entre el aprendizaje automático y el aprendizaje profundo
  • Tipos de algoritmos de aprendizaje automático
  • El futuro del aprendizaje automático

Unidad Didáctica 2. Extracción de Estructura de los Datos: Clustering

  • Introducción
  • Algoritmos

Unidad Didáctica 3. Sistemas de Recomendación

  • Introducción
  • Filtrado colaborativo
  • Clusterización
  • Sistemas de recomendación híbridos

Unidad Didáctica 4. Clasificación

  • Clasificadores
  • Algoritmos

Unidad Didáctica 5. Redes Neuronales y Deep Learning

  • Componentes
  • Aprendizaje

Unidad Didáctica 6. Sistemas de Elección

  • Introducción
  • El proceso de paso de DSS a IDSS
  • Casos de aplicación

Unidad Didáctica 7. Deep Learning con Python, Keras y Tensorflow

  • Aprendizaje profundo
  • Entorno de Deep Learning con Python
  • Aprendizaje automático y profundo

Unidad Didáctica 8. Sistemas Neuronales

  • Redes neuronales
  • Redes profundas y redes poco profundas

Unidad Didáctica 9. Redes de una Sola Capa

  • Perceptrón de una capa y multicapa
  • Ejemplo de perceptrón

Unidad Didáctica 10. Redes Multicapa

  • Tipos de redes profundas

Unidad Didáctica 11. Estrategias de Aprendizaje

  • Entrada y salida de datos
  • Entrenar una red neuronal
  • Gráficos computacionales
  • Implementación de una red profunda
  • El algoritmo de propagación directa
  • Redes neuronales profundas multicapa
09

Módulo 9. Inteligencia Artificial

Unidad Didáctica 1. Introducción a la Inteligencia Artificial

  • Estado del arte de la inteligencia artificial
  • Filosofía de la inteligencia artificial
  • Futuro de la inteligencia artificial
  • Procesos de desarrollo de proyecto con inteligencia artificial
  • Los datos, tu mayor activo

Unidad Didáctica 2. Tipos de Inteligencia Artificial

  • Aprendizaje automático
  • Aprendizaje profundo
  • Transformers
  • Generación de datos sintéticos
  • Hiperparámetros en los modelos de inteligencia artificial

Unidad Didáctica 3. Introducción a los Algoritmos de Aprendizaje Automático

  • Regresión lineal
  • Regresión no lineal y Support Vector Machine (SVM)
  • Árboles de decisión y bosques aleatorios
  • Lógica difusa y descenso del gradiente
  • Sistemas de recomendación

Unidad Didáctica 4. Proyecto Llave en Mano con Inteligencia Artificial

  • Preparación del entorno de trabajo. Anaconda, Visual Studio Code y Python
  • Dataset de entrada y procesado de datos
  • TensorHub, TensorFlow y Keras
  • Tratamiento de imágenes
  • Generación de modelos de inteligencia artificial

Claustro docente

Equipo docente con experiencia profesional en Big Data y Business Analytics + 60 Créditos ECTS.

AR

Adrián Rodríguez Porres

Facultad de Gestión de Proyectos en Arquitectura

metodología BIM

VG

Vidal Gascón Culebras

Inteligencia Artificial aplicada

JM

Julia Molina Virués

Facultad de Gestión de Proyectos en Arquitectura

arquitectura sostenible

Charo Rey Zabalza

Charo Rey Zabalza

Facultad de Medioambiente y Sostenibilidad

economía circular

ÁS

Ángel Sanz Bernabé

control de calidad

Isabella Sánchez Bermúdez

Isabella Sánchez Bermúdez

Facultad de Dirección de Proyectos e Innovación Tecnológica

comunicación estratégica

Rogelio Delgado Mingorance

Rogelio Delgado Mingorance

Facultad de Ingeniería Industrial

gestión y dirección de proyectos

Miguel Ángel Aparicio Jiménez

Miguel Ángel Aparicio Jiménez

¿En qué podrás trabajar?

Con este máster podrás optar a puestos como:

  • Big Data Architect
  • Big Data Engineer
  • Data Scientist
  • Big Data Developer
  • Machine Learning Engineer
  • Chief Data Officer

Metodología

Nuestra metodología educativa

Equipo diverso de ingeniería trabajando con portátiles en un laboratorio maker con impresoras 3D
Aprende cuando quieras

Avanza al ritmo que te convenga, desde donde estés
y con seguimiento cercano.

Realista

La metodología EDUCA LXP prescinde de conocimientos excesivamente teóricos o de métodos prácticos poco eficientes. La combinación de contenidos en constante actualización y el seguimiento personalizado durante el proceso educativo hacen de EDUCA LXP una metodología única.

Student First

La metodología EDUCA LXP y la formación del grupo EDUCA EDTECH conciben al estudiante como el centro de la experiencia educativa, nutriéndose de su retroalimentación. Su feedback es nuestro motor del cambio.

Inteligencia Artificial

La personalización en el aprendizaje no sería posible sin una combinación precisa entre experiencia académica e investigación tecnológica, así como la Inteligencia Artificial. Por eso contamos con herramientas IA de desarrollo propio, adaptadas a cada institución educativa del grupo.

Profesionales en activo

Nuestro equipo de profesionales docentes, además de ser especialistas en su sector, cuentan con una formación específica en el manejo de herramientas tecnológicas que conforman el ecosistema EDUCA EDTECH.

Rankings y reconocimientos

Evaluados por organismos independientes de educación superior online.

Organización de Estados Americanos (OEA)

Desde 2010 Structuralia ofrece un programa de becas, para másters en español e inglés, en conjunto con la Organización de los Estados Americanos (OEA) dirigido a profesionales sobresalientes de Las Américas, incluido en el Programa de Alianzas para la Educación y Capacitación (PAEC), del que ya se han beneficiado más de 3.500 estudiantes de la región.

APICE

Structuralia y la Asociación Panamericana de Instituciones de Crédito Educativo (APICE) ofrecen un programa de becas de capacitación especializada dirigido a profesionales de Latinoamérica y el Caribe en másters especializados en el sector STEM.

Educa Edtech

La Fundación Educa Edtech se creó con el propósito de fomentar el crecimiento personal y profesional, a la vez que apostar por la transferencia de conocimiento como medio para cambiar el mundo, velando por la implantación de soluciones y por la concesión de ayudas a quienes las merecen.

Financial Magazine

El Ranking 2025 de este medio ha considerado incluir hasta 10 programas de máster de Structuralia en algunas de sus categorías, entre las que se encuentran: Data Science, Big Data, Inteligencia Artificial, Planificación Urbana, Energía o Medio Ambiente.

Mundo Posgrado

En la última publicación de sus habituales rankings anuales, los másteres de Structuralia se colaron en el Top 10 de mejores másteres de España en las categorías de Energías Renovables y de Sistemas Integrados de Gestión.

Escudo Digital

El programa de máster en Ciberseguridad y Riesgos de la Información está incluido en el Top 25 de los mejores programas formativos de ciberseguridad según la entidad "Escudo Digital".

Nuestras cifras

92%de nuestros alumnos nos recomendaría
30+países con alumnado activo
60%de nuestro profesorado son profesionales en activo del sector
15 añosformando a especialistas en ingeniería y arquitectura

Becas STRUCTURALIA

¿Damos el paso para especializarte en Big Data y Business Analytics + 60 Créditos ECTS?

Nuestro equipo de asesores responde tus preguntas y te explica las ayudas disponibles, sin compromiso.