Enter your keyword

DATA SCIENCE

MADRID

Si tienes conocimientos básicos de programación y alguna carrera relacionada con la ingeniería, matemáticas o física, te ofrecemos este curso de 64 horas que se imparte los viernes por la tarde de 16 a 20 y sábados por la mañana de 10 a 14 durante 8 semanas.

Introducción y objetivos del curso

En un mundo interconectado donde el cliente ha tomado el mando, y donde toda interacción digital genera trazas de datos, es fundamental contar con profesionales capaces de analizarlos y extraer conclusiones que permitan a las empresas tomar decisiones de negocio guiadas por los datos, adelantándose a las necesidades de cada cliente y dándoles exactamente lo que buscan.

Con el objetivo de poder satisfacer la gran demanda de profesionales, en NEOLAND hemos creado el curso profesional Data Science, que te ofrece, en sólo dos meses, aprender a resolver de forma autónoma problemas complejos mediante técnicas de Machine Learning. El curso te permitirá avanzar y promocionarte en tu trabajo actual o acceder a las una de las múltiples ofertas de empleo que el sector digital está generando en la actualidad.

Temario del curso

El contenido de este intensivo ha sido diseñado por nuestro equipo docente y está pensado para cubrir las necesidades de las empresas tecnológicas del sector digital.

DÍA 01 | Fundamentos de Data Science e introducción a Python

Se realizará una introducción teórica y clara sobre los conceptos y tecnologías clave que rodean el mundo Data Science a través de ejemplos. De esta forma, se situará al alumno dentro de los futuros pasos del curso. Posteriormente, se comenzará una introducción al lenguaje Python.

DÍA 02 | Perfeccionamiento de Python e introducción a R

Se trabajarán los conceptos necesarios para lograr un conocimiento fundamental de Python y conseguir que el alumno lo domine de forma autónoma. Se comenzará al lenguaje estadístico R de forma análoga a lo hecho con Python.

DÍA 03 | Perfeccionamiento de R e introducción de conceptos estadísticos

Al igual que con Python, se tratarán los conceptos necesarios para que el alumno consiga dominar el lenguaje R de forma autónoma. Asimismo, se comenzará con la explicación de los conceptos estadísticos necesarios para seguir el desarrollo del curso sin dificultad.

DÍA 04 | Finalización de los conceptos estadísticos e introducción al Machine Learning

Se continuará con la explicación de los conceptos estadísticos para tener la visión completa sobre ellos y posteriormente se introducirá el concepto de Machine Learning.

DÍA 05 | Preprocesamiento de los datos

Se trabajará con R/Python todos los conceptos relacionados con el preprocesamiento de los datos utilizando distintos ejemplos prácticos y apoyándonos en diferentes visualizaciones y cálculos con R/Python.

DÍA 06 | Regresiones

Se trabajará en profundidad los conceptos asociados a las regresiones. Se enseñarán los diferentes tipos de regresión, las técnicas de selección de variables y las diferentes métricas para evaluar el rendimiento de los modelos desarrollados mediante estas técnicas.

DÍA 07 | Series temporales y clasificación

Se enseñarán las particularidades de los problemas asociados a series temporales y su modelización. También se introducirán los conceptos asociados a los problemas de clasificación binaria o multi-clase, así como las diferentes métricas de evaluación de los modelos asociados a esta clase de problemas.

DÍA 08 | Clasificación

Se solucionarán distintos problemas de clasificación mediante diferentes técnicas (Regresión, K-NN, SVM...), que serán explicadas previamente. También se aprenderá modelizar la combinación de distintos modelos (ensembling) y se compararán los resultados para evaluar diferentes rendimientos.

DÍA 09 | Clasificación (técnicas avanzadas)

Se explicarán distintos conceptos muy importantes en esta clase de problemas (boosting vs bagging). Se solucionarán problemas similares a los de la sesión previa pero utilizando técnicas más avanzadas como el Random Forest o XGBoost.

DÍA 10 | Clasificación y reducción de dimensiones

En esta sesión se resumirá todo lo estudiado previamente acerca de las técnicas de clasificación y además se aprenderán los conceptos y las técnicas más importante para reducir las dimensiones de un problema (PCA y LDA).

DÍA 11 | Aprendizaje no supervisado

Se enseñará todo lo relacionado con técnicas de aprendizaje no supervisado. Se explicarán diferentes técnicas para resolver problemas de agrupación (clustering) y también se trabajarán las reglas de asociación.

DÍA 12 | NLP y deep learning

Se aprenderán los conceptos necesarios para resolver problemas de procesamiento del lenguaje natural (NLP) y se introducirá el concepto de Deep Learning y todos los conceptos básicos asociados a las redes neuronales.

DÍA 13 | Deep learning y optimización

En esta sesión se terminarán de explicar los conceptos asociados a una red neuronal y se realizará un ejemplo práctico de clasificación. Además, se comenzará con una explicación de los principales problemas y técnicas de optimización que se utilizan en el campo del Data Science.

DÍA 14 | Optimización y BigData

Se explicarán los algoritmos de optimización heurística para problemas combinatorios y continuos (metaheurísticas), basados en vecindarios y basados en poblaciones, además de bioinspirados.
Además, se presentarán los fundamentos de Big Data, el ecosistema Big Data, con breve historia de Hadoop MapReduce, y fundamentos del sistema de ficheros HDFS. Introducción a los RDD.

DÍA 15 | BigData I

Operaciones con RDDs. Introducción a DataFrames, Datasets, similitudes y diferencias.
Operaciones con DataFrames. Spark SQL. El catálogo de Hive. Ejercicios prácticos.

DÍA 16 | BigData II

Breve reseña de SparkR y sparklyr. Introducción a Spark Streaming.
Spark ML (librería de algoritmos distribuidos para Machine Learning). Estructura de Pipelines de Spark. Preprocesamiento (estimadores, transformadores). Utilización de algoritmos de Machine Learning en datasets distribuidos.

Este temario se actualiza cada dos meses añadiendo las novedades del sector.

Equipo Docente

Todos nuestros profesores y equipo docente, son profesionales del sector y cuentan con muchos años de experiencia en formación.

foto-profesor

Miguel Ángel Gutiérrez Consultor de Applied Intelligence en Accenture

Ha participado en varios proyectos relacionados, por ejemplo, con la detección del fraude cometido por los clientes de una importante compañía energética nacional, el diseño e implantación de una plataforma BigData para el control de los datos de una compañía petrolífera o la implementación de una segmentación estratégica, modelos de fuga y cross-selling de cliente para una compañía aseguradora. Cursó el Doble Grado de Ingeniería Electrónica e Ingeniería Industrial y el Máster en Ingeniería Industrial, mientras enfocaba sus conocimientos hacia el Data Science mediante la participación en varios cursos sobre Machine Learning o estadística avanzada, tanto presencialmente, como de forma online.

foto-profesor-ux

Pablo Gaspar Peral Data Scientist en Ymedia

Ha sido consultor en el departamento de Applied Intelligence en Accenture, durante su etapa en Accenture, formó parte de un proyecto de predicción de esperanza de vida, probabilidad de abandono y cross-selling de los clientes para una gran aseguradora, realizó una segmentación analítica de clientes para el sector retail sobre un entorno Big Data, y trabajó en proyectos de predicción de demanda eléctrica y previsión de riesgos energéticos para dos grandes compañías españolas. Estudió Informática y Matemáticas en la Universidad Politécnica de Madrid (UPM) y, actualmente, está estudiando el grado en Economía en la Universidad Española de Educación a Distancia (UNED).

profesor-ux

Pablo J. Villacorta Científico de Datos en Stratio Big Data Inc

Trabaja como Científico de Datos en Stratio Big Data Inc., donde ha participado en proyectos de transformación digital de grandes empresas en tareas de predicción de riesgo de impagos para bancos, modelado para aseguradoras, segmentación de clientes y predicción de consumo entre otros, utilizando tecnologías Big Data y en especial Apache Spark. Actualmente combina su trabajo en proyectos con el desarrollo de Stratio Intelligence, el módulo analítico basado en tecnología Spark de Stratio EOS (Enterprise Operating System), la plataforma Big Data creada por Stratio. Como parte de su formación, es Ingeniero en Informática, Licenciado en Ciencias y Técnicas Estadísticas (segundo premio nacional), y Doctor en Ciencias de la Computación e Inteligencia Artificial, todo ello por la Universidad de Granada, en la cual fue docente de Grado antes de incorporarse al ámbito privado.

Las empresas más importantes

Nuestros estudiantes trabajan en las mejores empresas.

 
Accenture
Movistar
Ogilvy
Tmp
Ikea
ElPais
Mapfre
ElCorteIngles
IngBank
Carrefour
Vocento
TheCocktail
 

Si quieres contratar a nuestros estudiantes contacta con nosotros.

Los mejores precios

Total

MADRID

18 MAY — 07 JUL

2.250€

Faq

Preguntas frecuentes.

¿Necesito tener un ordenador portátil?

Sí, es imprescindible. Aunque se puede aprender con cualquier sistema operativo, nosotros recomendamos que sea un Mac por la flexibilidad que ofrece.

¿Se puede bonificar este curso a través de FUNDAE?

Por supuesto, todos nuestros cursos son bonificables a través de la Fundación Estatal para la Formación en el Empleo FUNDAE, pero hay que apuntarse e iniciar los trámites al menos 10 días antes del comienzo.

¿Se puede financiar el pago?

Nosotros no tenemos esa opción ya que son cursos muy cortos, pero seguro que tu banco puede ofrecerte alguna opción interesante.

¿Este curso tiene bolsa de empleo?

Sí, todos nuestros alumnos tienen acceso a las ofertas de empleo que publican las empresas con las que colaboramos.

¿Se entrega algún diploma?

Sí, al finalizar el curso se entrega un diploma a todos los asistentes.

¿Qué pasa si me apunto y luego no puedo asistir?

Si nos avisas antes de un mes del comienzo del curso, te devolvemos el importe completo y si lo comunicas fuera de ese plazo, puedes realizar el curso en la siguiente convocatoria en la que queden plazas libres.