Maestría en Data Science y Business Analytics

Maestría Codesarrollado por Indra, líder internacional en el sector de los datos. ¡Certifícate con los mejores!

Máster en Data Science y Business Analytics

Becas de hasta el 51%

Bolsa de empleo

Acceso preferente empleo y prácticas en INDRA

Financiación

Hasta en 24 meses

Modalidad

Online

Presencial

Ventajas

Máxima Valoración en Empleabilidad y Enseñanza Online según el QS World University Rankings

Becas de hasta el 51%

Infórmate de nuestras becas antes del 30/11/2023

Maestría en Data Science Online o en Madrid Indra IMF

¿Por qué cursar una maestría en data science? La explosión de la información asociada a la digitalización ha situado en un primer plano la importancia de los datos haciendo que las empresas demanden, cada vez más, perfiles profesionales dotados de las capacidades precisas para entender y extraer todo su valor. La necesidad de expertos en esta rama de IT está en alza.

Esta Maestría en ciencia de datos, codesarrollada con la multinacional tecnológica Indra, está dirigida a profesionales de diversos campos que deseen adquirir estas competencias desde una perspectiva orientada a perfiles analistas y de gestión. El máster aborda los conceptos, técnicas y herramientas más relevantes en data science, business analytics y big data para analizar y extraer todo el valor de los datos.

¿Qué hace única a la Maestría en Data Science de IMF Smart Education?

  1. Tiene Triple Titulación: IMF Smart Education + INDRA + Universidad Católica de Ávila
  2. Acceso preferente a las ofertas de empleo y prácticas en INDRA
  3. Los profesores son expertos en activo en Indra, Minsait y las mejores empresas del sector
  4. Metodología Learning-by-Doing: trabaja con las herramientas que utilizarás en tu día a día (AWS, Azure, Google Cloud…)
  5. Accederás a la Bolsa de Empleo y Prácticas de IMF Smart Education (pudiendo contratar la opción de Prácticas Garantizadas), en la que tenemos acuerdos con empresas como BBVA, EY, Microsoft, Endesa, Deloitte, Telefónica, IBM, Santander…
  6. Los alumnos obtienen 100% gratis cuatro cursos (optativos):
    • Curso de R
    • Curso de Python
    • Curso en Metodologías Ágiles y SCRUM
    • Curso de Inglés

Más detalles

Maestría en Data Science y Business Analytics

  • Profesionales de diferentes sectores que deseen introducirse en el mundo del big data, la ciencia de datos y la analítica avanzada con el objetivo de reorientar su carrera o mejorar en su profesión.
  • Ingenieros o titulados universitarios en estadística, matemáticas u otras ciencias cuantitativas que quieran ampliar sus competencias con técnicas propias de la ciencia de datos y el aprendizaje automático para desarrollar una carrera como analistas o científicos de datos.
  • Perfiles orientados a negocio como emprendedores, gerentes, economistas o expertos en administración de empresas que deseen dominar los principios de la inteligencia de negocio y la analítica avanzada con objeto de aplicarlos a diferentes áreas de negocio o dirigir proyectos encaminados a obtener valor de los datos.
  • Online: Inscríbete en cualquier momento y cursa tu master entre 9 y 24 meses. A tu ritmo.
  • Presencial: Noviembre 2023 - Campus Madrid IMF

 

Duración: 60 ECTS / 1.500 horas

Todos los alumnos que superen con éxito esta Maestría online conseguirán las siguientes titulaciones:

  • Maestría por la Universidad Católica de Ávila.
  • Maestría en Data Science y Business Analytics por IMF Smart Education.
  • Certificación profesional de Indra.

 

Al final de la Maestría el alumno será capaz de:

  • Extraer, procesar y analizar todo tipo de fuentes de información aplicando las técnicas de la ciencia de datos y las principales herramientas utilizadas actualmente en las empresas.
  • Dominar las técnicas de la inteligencia de negocio tradicional y ampliarlas con las nuevas posibilidades ofrecidas por el big data y la inteligencia artificial.
  • Detectar causas, patrones y tendencias mediante analítica predictiva basada en técnicas de machine learning.
  • Diseñar experimentos y tests A/B para comprobar hipótesis y tomar decisiones basadas en datos.
  • Generar informes y cuadros de mando efectivos.
  • Gestionar proyectos basados en big data y ciencia de datos manteniendo una interlocución adecuada con todos los perfiles del equipo.
  • Elaborar propuestas así como impulsar y liderar iniciativas basadas en analítica avanzada en distintas áreas de negocio.
  • Entender, crear y desarrollar nuevos modelos de negocio basados en el valor del dato.
  • Gestionar adecuadamente el gobierno del dato con objeto de garantizar la calidad y aplicar correctamente los diferentes requisitos regulatorios (RGPD) y éticos.
  • Adquirir visión y experiencia de los principales campos de aplicación y casos de uso que se están abordando en diversas áreas como marketing y CRM, banca y finanzas, operaciones, internet de las cosas (IoT), people analytics, etc.

Términos relacionados: data science, científico de datos, data engineer, machine learning, deep learning, data science Maestría, carrera en ciencia de datos, inteligencia artiicial, data science Madrid, carrera en ciencia de datos, Maestría data science online, Dialogflow, R Studio, Watson Studio, Pandas, NumPy, Anaconda, estadística, datamining, Hadoop, Spark, mejores Maestrías de data science.

Titulación Universitaria (posibilita la obtención de Doble Titulación)

Posibilidad de acceso con Experiencia profesional acreditada (Consultar condiciones)

Se parte de los fundamentos de la ciencia de datos, aprendiendo lo necesario para ser capaces de procesar, analizar e interpretar todo tipo de fuentes de información, hasta llegar a la analítica avanzada que incluye el uso de técnicas de inteligencia artificial, en especial las que tienen que ver con machine learning y deep learning. 

Se ven asimismo las tecnologías y herramientas más relevantes del panorama big data actual, siempre desde una perspectiva práctica que permita entender su utilidad y cuáles son las principales aplicaciones que se les están dando actualmente en el mundo empresarial.

Los aspectos más técnicos del programa se complementan con otros orientados a la gestión ya que, sólo entendiendo en profundidad el cambio de paradigma asociado al big data, sus posibilidades y sus retos, es posible liderar los proyectos basados en datos que hoy en día necesitan las empresas. En esta misma línea, la Maestría acerca al alumno a la realidad empresarial incluyendo clases de expertos en activo que trabajan aplicando estas técnicas en diferentes sectores. 

Programa

  1. Fundamentos de Python.
    • El lenguaje de programación Python
    • Entorno de programación: Jupyter Notebook
    • Sintaxis básica de Python
    • Herramientas para control de flujo
    • Estructuras de datos
    • Funciones
  2. Librerías para ciencia de datos: Numpy, Pandas, etc.
    • Procesamiento de archivos
    • Numpy
    • Pandas
  3. Procesamiento de datos y visualización con Python.
    • Matplotilib
    • GGPLOT
    • Seaborn
    • BOKEH
  4. Fundamentos de R.
    • El lenguaje de programación R
    • Entorno de programación: Rstudio
    • Sintaxis básica de R
    • Estructuras de datos
    • Herramientas de control de flujo
    • Funciones
  5. Paquetes de R.
    • Instalación y carga de paquetes
    • Procesamiento de datos con Dplyr
    • Procesamiento de datos con Tidyr
  6. Procesamiento de datos y visualización con R.
    • Gráficos básicos en R
    • Gráficos en capas Ggplot2
    • Gráficos dinámicos Plotly
  1. El ciclo de vida del dato
    • Definición de ciencia de datos
    • El ciclo de vida de los datos
    • Definición de objetivos en un proyecto de datos
    • Identificación de los datos necesarios
    • Preparación y preproceso
    • Análisis y modelado
    • Validación y prueba
    • Explotación
  2. Calidad del dato
    • Fundamentos de calidad de datos
    • Las dimensiones de calidad de datos
    • Los procesos de incremento de la calidad de datos
  3. Tecnologías big data.
    • La recolección de datos
    • Limpieza y preproceso de datos
    • Transformación de datos
  4. Modelos analíticos
    • El uso de modelos en ciencia de datos
    • Modelos usados en análisis descriptivo
    • Modelos usados en análisis predictivo
    • Modelos usados en análisis prescriptivo
    • Validación y prueba de los modelos
  5. Herramientas y técnicas de visualización
    • El papel de la visualización en la ciencia de datos
    • Elementos de comunicación visual
    • La gramática de los gráficos
    • Ejemplo
    • Tipología de gráficos elementales
    • Otros tipos de gráficos de datos
    • Herramientas de visualización
  1. Lenguaje y tratamiento de datos
    • Análisis estadístico con R y RStudio
    • Comando esenciales en R y tipos de datos
    • Operaciones útiles sobre tablas, carga y descarga de datos
    • Funciones y bucles
  2. Análisis exploratorio de datos
    • Tipos de gráficos y sus usos
    • Librería GGPlot
    • Casos de análisis exploratorio de datos
  3. Probabilidad e inferencia estadística
    • Probabilidad
    • Distribuciones de probabilidad
    • Inferencia estadística
  4. Modelos lineales y aprendizaje estadístico
    • Probabilidad
    • Análisis mutivariable: covarianza y correlación
    • Regresión lineal múltiple
    • Selección de modelos: equilibrio entre sesgo y varianza
    • Criterios estadísticos de selección de modelos
  5. Regresión logística, modelos restringidos de Ridge y Lasso y gradiente
    • Regresión logística
    • Interpretación de coeficientes en la regresión logística
    • Métricas en problemas de clasificación binaria
    • Modelos restringidos de Ridge y Lasso y elastic net
    • GLM y series temporales
    • Algoritmo de gradiente descendente
  1. Herramientas para machine learning
    • Visión general de machine learning
    • Estructurar un proyecto de machine learning
  2. Técnicas y aplicaciones del aprendizaje supervisado
    • Problemas de regresión
    • Problemas de clasificación
  3. Técnicas y aplicaciones del aprendizaje no supervisado
    • Algoritmos de clustering
    • Algoritmos de reducción dimensional
    • Algoritmos de detección de anomalías
  4. Modalidades y técnicas de deep learning
    • Redes neuronales y deep learning
    • Deep learning en la práctica
  5. Soluciones en la nube para machine learning
    • Herramientas de AutoML
    • Infraestructura de aprendizaje automático como servicio (ML IaaS)
    • Otros servicios en la nube
  1. Introducción a la inteligencia artificial
    • Introducción a la inteligencia artificial
    • Tipos de inteligencia artificial
    • Historia
    • Ramas de inteligencia artificial
    • Aplicaciones prácticas y tendencias
  2. Técnicas y aplicaciones para la toma de decisiones
    • Introducción a las técnicas y aplicaciones para la toma de decisiones
    • Sistemas expertos
    • Aprendizaje supervisado
  3. Aprendizaje por refuerzo y aplicaciones
    • ¿Qué es el aprendizaje por refuerzo? Ciclo de vida
    • Explorar vs. explotar
    • Ecuación de Bellman: programación dinámica
    • Q-Function: state-action value function
    • Algoritmos
    • Ejemplo: optimización de tareas en un almacén de comercio electrónico con Q-Learning
    • Bandido multibrazo
    • Ejemplo: maximización de visitas en campañas de marketing online con el bandido multibrazo
  4. Técnicas y aplicaciones del procesamiento del lenguaje natural (NLP)
    • Introducción al procesamiento del lenguaje natural
    • Preprocesamiento de textos
    • Análisis de sentimientos
    • Topic modeling
    • Chatbots
  5. Sistemas de recomendación y aplicaciones
    • Introducción a los sistemas de recomendación de aplicaciones
    • ¿Por qué los sistemas de recomendación?
    • Tipos de sistemas de recomendación
    • Filtrado colaborativo
    • Filtrado basado en contenido
    • Filtrado demográfico
    • Ejemplos de sistemas de recomendación comerciales
  1. Hadoop y su ecosistema
    • Componentes Hadoop. HDFS y MapReduce
    • Clúster Hadoop
    • Herramientas del ecosistema Hadoop
    • Cloudera
  2. Spark. Fundamentos y aplicaciones
    • Características de Apache Spark
    • Arquitectura
    • Estructuras de datos
    • Componentes de SPARK
    • GraphX
    • SparkR
    • Databricks
  3. Bases de datos NoSQL
    • Hbase
    • MongoDB
    • Cassandra
    • Modelos de BBDD orientadas a grafos
  4. Plataformas Cloud
    • Servicios cloud
    • Microsoft Azure
    • Amazon Web Services (AWS)
    • Google Cloud Platform
  1. Introducción: conceptos de data science
    • El método científico
    • Conociendo el dato
    • Técnicas de análisis de datos
    • Herramientas
  2. Pasos en el análisis de datos
    • Metodología de la ciencia de datos: CRISP-DM
    • Entendimiento del problema
    • Entendimiento de los datos
    • Preparación de los datos
    • Desarrollo del modelo
    • Evaluación del modelo
    • Despliegue del modelo
  3. Storytelling: poner en valor y transmitir los resultados del análisis
    • Narrativa de datos como medio de creación de conocimiento
    • Mejores prácticas en visualización de datos
    • Técnicas y herramientas de storytelling
  1. Concepto de aprendizaje automático
    • Mapa general de la analítica de datos
    • Introducción al aprendizaje automático
    • Aprendizaje automático supervisado I: algoritmos de regresión
    • Aprendizaje automático supervisado II: algoritmos de clasificación
    • Aprendizaje automático supervisado III: series temporales
    • Aprendizaje automático no supervisado I: clustering
    • Aprendizaje automático no supervisado II: modelos de asociación
  2. Cómo conseguir que siga aprendiendo
    • Aprendizaje por refuerzo (reinforcement learning)
    • Deep learning
  3. Casos de uso típicos
    • Modelos de fuga
    • Modelos de propensión
    • Clasificación de clientes
    • Detección de anomalías
    • Predicción de ventas
    • Mantenimiento predictivo
    • Sistemas de recomendación
  1. Process mining
    • Concepto, potencial y cómo posicionarlo en los clientes
    • Principales soluciones del mercado
    • Principales procesos
  2. Cloud
    • Concepto y componentes
    • Principales soluciones del mercado
  3. MLOps
    • Concepto
    • Herramientas MLOps
  1. Introducción a R.
  2. Vectores
  3. Matrices
  4. Listas
  5. Data-frames
  6. Estructuras de control.
  7. Funciones
  1. Introducción a Python
  2. Condicionales en Python
  3. Estructuras repetitivas en Python
  4. Colecciones y listas
  5. Funciones de cadenas
  6. Colecciones y diccionarios
  7. Funciones
  8. Manejo de ficheros
  9. Orientación a objetos
  1. Qué es Scrum y cómo aplicarlo
  2. El marco Scrum
  3. Equipos autoorganizados
  4. El papel de clientes y stakeholder
  5. Gestión ágil de productos y proyectos
  6. Desarrollo e integración continua
  7. Cómo evolucionar hacia una organización ágil

Este módulo se presenta mediante seminarios que pretenden ayudar al estudiante a escoger una especialización profesional. Los temas corresponderán a contenidos centrados en la analítica de datos, aplicada a diferentes dominios y áreas de negocio.

  • Casos de estudio:
    • Analítica financiera
    • Analítica de clientes: location analytics
    • Analítica escalable
    • Analítica en redes sociales
  • Pasos necesarios para realizar un EDA (Análisis de Datos Exploratorio)
  • Introducción a Pandas
  • Presentación de la unidad Gestión de equipos y métodos ágiles
  • Introducción a las metodologías ágiles
  • Inteligencia artificial y nuevo orden mundial
  • El gobierno del dato

Cursos en R y Python

Los alumnos que cursen esta Maestría podrán acceder al Curso de Python y al Curso de R. De esta forma, repasarán los conceptos básicos de estos lenguajes de programación y podrán cursar la Maestría con una base más sólida. Además, el curso está enfocado de manera práctica con ejercicios que ayuden a profundizar en los conocimientos adquiridos.

Avales

✔️ Maestría codesarrollada con Indra

 

✔️ La Maestría en Big data de IMF en el TOP 5 del ´Ranking de Maestrías en Big Data, Business Analytics e Intelligence más valorados´ por los usuarios de Mundo Posgrado

 

 

✔️ IMF BS ocupa el segundo lugar entre los centros más valorados de Madrid para estudiar Ingeniería Informática en Emagister.

 

✔️ IMF mantiene un acuerdo de colaboración con la Federación Colombiana de la Industria de Software y TI (FEDESOFT).

 

 

 

Rating

Una de las Maestrías más valoradas de IMF

Basado en 10 valoraciones

Metodología

La metodología de la Maestría es fundamentalmente práctica, muy orientada a las aplicaciones de las técnicas estudiadas y a la extracción del valor del dato. Lo que se busca ante todo es que, cuando el alumno complete la Maestría, tenga los conocimientos y habilidades necesarias para enfrentarse a los retos que se va a encontrar en el mundo de la empresa.

En la búsqueda continua por ofrecer la máxima flexibilidad al alumno, IMF Smart Education ofrece este programa en dos modalidades:

  • Maestría Data Science y Business Analytics modalidad Online.
  • Maestría Data Science y Business Analytics modalidad Telepresencial: Además de todas las facilidades de la modalidad en línea, podrás asistir a clases online en directo en las que poder interactuar con tus docentes y compañeros.
  • Maestría Data Science y Business Analytics modalidad Presencial (plazas limitadas).

Con la modalidad presencial, IMF pretende acercar a los alumnos al entorno más empírico y ver de cerca la experiencia práctica de los conocimientos adquiridos. Además, estudiar este programa en modalidad presencial fomentará el networking con el resto de estudiantes y con los profesores que, en ambos casos, son profesionales en activo con puestos de responsabilidad en empresas punteras.

La metodología Student Centered con la que IMF trabaja asegura cubrir las necesidades reales de los alumnos, a través de los siguientes puntos:

  • Se realizan numerosas prácticas con las herramientas y tecnologías más utilizadas en los entornos corporativos.
  • Este enfoque eminentemente práctico se complementa con el uso del método del caso que permite al alumno familiarizarse con escenarios de análisis y toma de decisiones.
  • En la modalidad presencial, todo esto se complementa con sesiones de trabajo colaborativo donde el alumno tendrá la oportunidad de aplicar metodologías ágiles (Scrum) a la elaboración del trabajo fin de Maestría . Esto proporciona al alumno experiencia con una forma de trabajar cada vez más demandada por las empresas y le facilita enormemente la creación de un buen proyecto que le sirva como carta de presentación en el mundo laboral una vez finalizado la Maestría.
  • Talleres prácticos en directo: Estas sesiones mensuales permiten a los participantes desarrollar el conocimiento y las competencias propuestas en la Maestría mediante la resolución de casos prácticos. Se realizan de manera virtual en directo, donde se podrá interactuar con docentes y compañeros potenciando el networking y el aprendizaje colaborativo.

 

Para garantizar la metodología “Learning By Doing” que caracteriza el ecosistema Smart Education, los alumnos trabajan con las herramientas que utilizarán cuando entren en el mercado profesional. En este programa se utilizan las clouds de los principales players del sector que dan servicio a más de 500 millones de personas.

Requisitos del ordenador del alumno:

  • Procesador: Mínimo i5 6000 (o superior), recomendable i7
  • RAM: Mínimo 12 GB, recomendable 16 GB (o superior)
  • Almacenamiento: Mínimo 1 TB entre unidades internas y externas.
    • Disco HDD: Mínimo 500 GB (o superior)
    • Disco SDD para el software base: No es imprescindible; sin embargo, mejora enormemente el rendimiento al tener el sistema operativo y el software base instalado sobre el mismo.
  • Es necesario comprobar que se pueden utilizar cómodamente máquinas virtuales VirtualBox.

Evaluación

En la Maestría se hace una evaluación continua, módulo a módulo. Cada módulo se evaluará mediante el desarrollo de ejercicios prácticos y, en algunos casos, de exámenes teóricos. La obtención de la titulación correspondiente estará sujeta a la superación de las pruebas de cada módulo y a la elaboración de un Trabajo de Fin de Maestría .

 

 

Todos los alumnos que superen con éxito esta Maestría conseguirán las siguientes titulaciones:

  • Maestría en Data Science y Business Analytics por la Universidad Católica de Ávila.
  • Maestría en Data Science y Business Analytics por IMF Smart Education.
  • Certificación profesional de Indra.

 

Enseñanza no reglada y sin carácter oficial. Los títulos propios de esta formación están también amparados por la Ley Orgánica de Universidades.

El cuadro de tutores, autores y colaboradores de esta maestría está formado principalmente por especialistas en data science, con experiencia en enseñanza online y presencial y con conocimientos muy avanzados y actualizados sobre el campo de la ciencia de datos y de las tecnologías y aplicaciones relacionadas con ella.

abel-soriano
imf

Director del Área de Big Data y Data Science

Abel Soriano Vázquez

Director del Área de Big Data y Data Science 

Ver profesor
1554794465-613-juan-manuel-moreno-lamparero.png
imf

DOCENTE

Juan Manuel Moreno Lamparero

Programador de aplicaciones web en el sector público

Ver profesor
1565962955-754-daniel-rubio.png
austrian airlines

TUTOR

Daniel Rubio

Data Engineer en Austrian Airlines, experto en procesos Data Driven

Ver profesor
1589363821-877-ignacio-sopelana-matamoros.png
atSistemas

DOCENTE

Ignacio Sopelana Matamoros

Director de Proyectos en Nova Praxis

Ver profesor
1589363976-879-alvaro-gonzalo-de-alba.png
McAfee

DOCENTE - Global Senior Data Scientist en McAfee

Álvaro Gonzalo de Alba

Global Senior Data Scientist en McAfee

Ver profesor
1589486444-885-ricardo-moya.png
telefonica

DOCENTE

Ricardo Moya

Especialista en Data science y Big data en Telefónica I+D

Ver profesor
1611845307-1067-marco-pilco-vinueza.png
parclick

COLABORADOR

Marco Pilco Vinueza

Director de Performance & Data en Parclick

Ver profesor
Álvaro Martín

PROFESOR

Álvaro Martín

Científico de Datos y especialista en Inteligencia Artificial, profesor en el Máster de Inteligencia Artificial de la Escuela en IA & Big Data IMF x Indra

Ver profesor
Eva Pecci

PROFESORA

Eva Pecci

Eva Pecci - Abogada Colegiada 70913 y profesora en el Máster de Inteligencia Artificial de la Escuela en IA & Big Data IMF x Indra

Ver profesor
Jorge Sainero

DOCENTE

Jorge Sainero

Jorge Sainero - Científico, ingeniero de datos y docente en el Máster de Inteligencia Artificial de la Escuela de IA & Big Data IMF x Indra

Ver profesor

DOCENTE

Miguel Martín

Miguel Martín - Ingeniero de telecomunicaciones, PhD en IA,CTO de Wyred y docente en el Máster de Inteligencia Artificial de la Escuela de IA & Big Data IMF x Indra

Ver profesor

DOCENTE

Raúl Antonio del Águila Escobar

Raúl del Águila - Ingeniero de Informática, analista de datos orientado al negocio y docente en el Máster de Inteligencia Artificial de la Escuela de IA & Big Data IMF x Indra

Ver profesor

DOCENTE

María Jesús Marzo

María Jesús Marzo - Ingeniera informática y docente en el Máster de Inteligencia Artificial de la Escuela en IA & Big Data IMF x Indra

Ver profesor

Top Empleabilidad

Sector en auge

La Maestría está pensado para la formación de perfiles orientados al análisis de datos. Por ejemplo:

  • Científico de datos
  • Analista de datos
  • Analista de negocio
  • Experto en inteligencia de negocio

En el caso de aquellos perfiles con experiencia previa en dirección y gestión de equipos, el programa les capacitará en aspectos técnicos para el desempeño de roles relacionados con la gestión y dirección de proyectos basados en datos. Por ejemplo:

  • Analytics Project Manager
  • Business Analytics Manager
  • Business Intelligence Manager
  • Chief Data Officer

Según Linkedin las empresas que contratan a estos profesionales pertenecen a los sectores de tecnología y servicios de la información, consultoría de gestión, sector bancario, programación informática, Internet e ecommerce, telecomunicaciones, marketing y publicidad, industria del automóvil, ingeniería industrial e investigación en múltiples áreas como movilidad, salud, customer experience, ciberseguridad, etcétera.

IMF mantiene acuerdos de cooperación académica para la formación en prácticas, destacan empresas tecnológicas como IBM, Microsoft, Samsung, Indra, Telefónica, Atos; grandes consultoras como Deloitte o Ernst&Young (EY), y grandes empresas de sectores como la banca, seguros, retail y energía, entre otras:

 

 

Acuerdos de cooperación educativa

Facilidades de pago

Maestría en Data Science y Business Analytics:

  • Al contado (Descuento 5%)
  • Pago fraccionado hasta en 24 meses (consulta condiciones)

Plan de becas

 

 

Conoce el programa

¿Cómo funciona la Maestría?

Opiniones

Nuestros alumnos

5247-Manuel-Albeza-g

Manuel Albeza

Master en Big Data y Business Analytics

Director de Consultoría Estratégica en Nexeus Big Data.

Ha sido una satisfacción realizar este Master en Big Data y Business Analytics. Después de finalizarlo, y a falta de más experiencia, considero que estoy capacitado para emprender cualquier proyecto Big Data.

Elegí este Master por su amplio contenido y ha cumplido sobradamente mis expectativas. Los tutores han sido clave en mi progreso ya que las dudas me las han resuelto de forma muy rápida.

Adolfo García Navarro

Máster en Big Data y Business Analytics

Analista de TI - Indra

Oferta académica

Maestrías relacionadas

Ver Escuela de IA & Big Data

¿Te podemos ayudar en algo?

Nuestro personal experto te acompañará para ofrecerte la atención personalizada que necesitas

Contacta con imf

¿Quieres saber más sobre este programa?