Plan de estudios

El curso combina teoría y práctica para formar profesionales capaces de comprender cómo el Big Data y la analítica resuelven desafíos complejos e impulsan la innovación empresarial. Se trabajan conceptos de arquitecturas de datos, almacenamiento distribuido, herramientas de consulta y estrategias analíticas con un enfoque aplicado mediante laboratorios prácticos y ejercicios. La metodología prioriza el aprendizaje activo, con actividades asincrónicas y casos prácticos de negocio. Al finalizar, los estudiantes dominarán una visión estratégica y las herramientas clave para identificar oportunidades, procesar datos y respaldar decisiones basadas en evidencia.

El curso combina teoría y práctica para formar profesionales capaces de aplicar técnicas estadísticas y econométricas en la toma de decisiones empresariales. Se trabajan análisis de varianza, regresión simple y múltiple, multicolinealidad y errores de especificación, con un enfoque aplicado mediante Python y ejercicios de laboratorio.

La metodología prioriza el aprendizaje activo, con actividades asincrónicas y casos prácticos. Al finalizar, los estudiantes dominarán herramientas cuantitativas clave para interpretar datos, diagnosticar problemas y diseñar soluciones en un entorno empresarial dinámico y basado en evidencia.

El curso combina teoría y práctica para formar profesionales capaces de transformar y optimizar datos crudos en variables predictivas de alto valor para el negocio. Se trabajan técnicas de limpieza, imputación de valores faltantes, tratamiento de outliers, codificación de variables categóricas de alta cardinalidad, y extracción de atributos temporales y geográficos, con un enfoque aplicado mediante Python y ejercicios de laboratorio.

El curso combina teoría y práctica para formar profesionales capaces de diseñar e implementar soluciones de Business Intelligence que transformen datos en activos estratégicos para la toma de decisiones. Se trabajan el modelado multidimensional de datos, la arquitectura de Data Warehouses, procesos de ETL (Extracción, Transformación y Carga) y el desarrollo de tableros de control avanzados e interactivos, con un enfoque aplicado mediante herramientas líderes del mercado como Power BI o Tableau y ejercicios de laboratorio.

El curso combina teoría y práctica para formar profesionales capaces de entender problemas de aprendizaje estadístico no supervisados, especificar su estructura, desarrollar y aplicar algoritmos para su resolución y comprender sus diagnósticos.  El curso incluye el empleo de herramientas de programación en Python y manejo de paquetes estadísticos para acercar la teoría a la práctica y permitir la aplicación a casos empíricos concretos.

El curso combina teoría y práctica para formar profesionales capaces de entender las técnicas de Machine Learning bajo análisis supervisado tanto en problemas de regresión como de clasificación. El objetivo es que los profesionales conozcan, comprendan y sepan aplicar los modelos más relevantes de la disciplina a la predicción de casos reales. El foco estará puesto en el estudio de modelos de predicción y su evaluación destacando el campo de aplicación en cada caso. El curso intenta optimizar el contenido teórico – práctico para el mayor entendimiento; y usa como ambiente de aplicación el programa Python.

El curso combina teoría y práctica para formar profesionales capaces de dominar el arte de comunicar hallazgos técnicos de forma clara y persuasiva para influir en la toma de decisiones empresariales. Se trabajan los principios del data storytelling, diseño de gráficos efectivos, exploración de datos crudos y construcción de indicadores clave adaptados al entorno y las necesidades de diferentes industrias, con un enfoque aplicado mediante herramientas de visualización y ejercicios de laboratorio. La metodología prioriza el aprendizaje activo, transformando métricas complejas en narrativas visuales comprensibles para audiencias de negocios.

El curso combina teoría y práctica para formar profesionales en las técnicas de Deep Learning o Redes Neuronales a diferentes aplicaciones. El objetivo es que los estudiantes comprendan las ventajas y desventajas de usar Redes Neuronales a casos concretos y sepan aplicar los modelos más relevantes de la disciplina a la predicción de casos reales. El curso intenta optimizar el contenido teórico – práctico para el mayor entendimiento; y usa como ambientes de aplicación los programas R, Python y Tensorflow.

El curso combina teoría y práctica para formar profesionales capaces de comprender y utilizar modelos de Inteligencia Artificial Generativa en el ámbito laboral. Se trabajan los principios de los modelos de lenguaje grande, generación de imágenes y texto, prompts efectivos y consideraciones éticas, con un enfoque aplicado mediante plataformas y laboratorios prácticos. La metodología prioriza el aprendizaje activo, con actividades y casos de uso cotidianos. Al finalizar, los estudiantes dominarán el potencial de la IA generativa para potenciar la creatividad, automatizar tareas y aumentar la productividad diaria.

El curso combina teoría y práctica para formar profesionales capaces de diseñar e implementar marcos de gestión responsable y segura de los datos y los sistemas de Inteligencia Artificial. Se trabajan políticas de calidad de datos, privacidad, cumplimiento normativo, gestión de riesgos y replicabilidad de modelos de IA, con un enfoque aplicado mediante normativas vigentes y casos de estudio. La metodología prioriza el aprendizaje activo, con actividades de análisis y resolución de problemas corporativos. Al finalizar, los estudiantes dominarán las directrices necesarias para garantizar un uso ético, seguro y eficiente de la información y la tecnología en la empresa.

El curso combina teoría y práctica para formar profesionales capaces de identificar, evaluar e integrar tecnologías de Inteligencia Artificial en la estrategia y operaciones de las organizaciones. Se trabajan las aplicaciones de aprendizaje automático, procesamiento de lenguaje natural, modelos predictivos y el uso de IA generativa para la automatización de procesos, la personalización de clientes y la optimización operativa, con un enfoque aplicado mediante casos de estudio, Python y plataformas low-code/no-code.

El Taller de Investigación guía a los estudiantes en el diseño de su memoria final de maestría, desde la formulación de la pregunta hasta la construcción del plan de investigación.

A través de revisión de literatura, análisis de artículos académicos y metodologías cuantitativas, cualitativas y mixtas, los participantes desarrollan su propuesta de tesis con acompañamiento docente y trabajo en equipo.

El curso fomenta la capacidad crítica, el uso riguroso de fuentes académicas y la aplicación práctica de enfoques metodológicos, preparando a los estudiantes para producir investigaciones relevantes y con impacto en la analítica de negocios, la ciencia de datos y la gestión estratégica.

El proyecto final es un trabajo de campo en equipo que utiliza los conceptos y técnicas adquiridas durante los dos años de curso en el análisis de un determinado problema o fenómeno del campo de la analítica de datos, los negocios y la inteligencia artificial. Los estudiantes son asistidos por tutores que colaboran en la discusión del contenido y analizan críticamente el avance del trabajo.