Plan de estudios
La asignaturas se agrupan en materias. La mayoría de las asignaturas serán impartidas por varios profesores en colaboración. La siguiente tabla muestra las materias, en el enlace de cada una figura el detalle de las asignaturas en que se divide y los créditos asignados a cada asignatura.
| Nombre | ECTS | Duración |
|---|---|---|
| Introducción y nivelación | 10,0 | 100 horas |
| Introducción a Big Data | 0,5 | 5 horas (sesión inaugural) |
| Ampliación de Programación de Sistemas | 5,0 | 50 horas |
| Introducción al Business Intelligence | 4,5 | 45 horas |
| Infraestructura y Gestión para Big Data | 13,0 | 130 horas |
| Computación y Gestión de Datos en la Nube para Big Data | 3,0 | 30 horas |
| Modelos y Entornos de Gestión Big Data | 1,0 | 10 horas |
| NoSQL | 3,0 | 30 horas |
| Big Data y Tiempo Real | 3,0 | 30 horas |
| Herramientas de última generación para Big Data | 3,0 | 30 horas |
| Privacidad y Seguridad en relación a Big Data | 5,0 | 50 horas |
| Privacidad y Big Data | 2,0 | 20 horas |
| Privacidad y Seguridad en relación a Big Data | 3,0 | 30 horas |
| Técnicas avanzadas de Análisis de Datos | 7,0 | 70 horas |
| Herramientas estádisticas para Big Data (Analytics) | 3,0 | 30 horas |
| Introducción al Aprendizaje Automático | 3,0 | 30 horas |
| Aplicaciones del Aprendizaje Automático | 1,0 | 10 horas |
| Data Science | 7,0 | 70 horas |
| Taller de Python | 0,5 | 5 horas |
| Taller de R | 0,5 | 5 horas |
| ¿Qué es Data Science? | 2,0 | 20 horas |
| Procesamiento del Languaje Natural y Text Mining | 2,0 | 20 horas |
| Text Mining en Social Media | 3,0 | 30 horas |
| Visualización de datos | 3,0 | 30 horas |
| Técnicas y herramientas para la visualización de datos y resultados | 2,0 | 20 horas |
| Visualización de datos médicos | 1,0 | 10 horas |
| Análisis de Datos Temporales y Financieros | 4,0 | 40 horas |
| Financial Analysis | 2,0 | 20 horas |
| Trabajo Final de Master (TFM)Trabajo final | 9,0 | 270 horas de dedicación del alumno |