ntic master

Máster de Formación Permanente en

BIG DATA,
DATA SCIENCE &
INTELIGENCIA
ARTIFICIAL
7ª
EDICIÓN

Facultad de Estudios Estadísticos

Universidad Complutense de Madrid
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

Módulo • GNU/Linux y Git

Módulo • Bases de Datos SQL

Módulo • Business Intelligence con

Tableau
Módulo • Programación Python
Módulo • Bases de datos NoSQL
Módulo • Fundamentos de estadística

Módulo • Minería de datos y

modelización predictiva
Módulo • Machine Learning
Módulo • Visualización avanzada

Módulo • Inteligencia Artificial con

Deep Learning

Módulo • Spark

Módulo • Tecnologías del Big Data

Módulo • Productivizar un modelo

Módulo • Data Science aplicada a la
empresa
TFM • Trabajo Final de Máster
PROGRAMA
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

La importancia del
Big Data
NECESIDAD DEL MERCADO
Las empresas y organismos están adoptando
rápidamente la transformación digital para
aprovechar el valor de los datos masivos en la
toma de decisiones. El Big Data se ha convertido en MACRODATOS
un recurso valioso para la gestión empresarial, y El Big Data es una herramienta valiosa en diversas
lo que comenzó como una ventaja competitiva se áreas, desde la creación de informes estadísticos
ha vuelto esencial para mantenerse relevante. El hasta la identificación de nuevas oportunidades de
dato es considerado como el petróleo del siglo XXI, negocio, pasando por la predicción de resultados
y aquellos que puedan aprovechar su potencial publicitarios y la investigación médica. El análisis
estarán en una posición privilegiada para innovar de grandes volúmenes de datos permite obtener
y liderar en sus respectivos mercados. información relevante y tomar decisiones
informadas en tiempo real, lo que resulta en una
ventaja competitiva para las empresas y avances
significativos en la investigación científica.
APLICACIONES PRÁCTICAS
El impacto de la información a gran escala va más
allá del ámbito matemático o estadístico, ya que
tiene aplicaciones prácticas en diversos campos MEJORA EN LA EXPERIENCIA DEL
empresariales, gubernamentales, científicos y CLIENTE
sociales. El Big Data se ha convertido en un recurso Las herramientas de Big Data permiten a las
fundamental para afrontar situaciones complejas organizaciones personalizar la experiencia
en tiempo real, permitiendo tomar decisiones del cliente de manera más precisa. Al analizar
informadas y generar conocimiento valioso en patrones de comportamiento y preferencias de los
áreas como la medicina, la seguridad, el marketing, usuarios, las empresas pueden ofrecer productos
entre otros. El Big Data es una herramienta y servicios más alineados con las expectativas
imprescindible en el mundo actual que ayuda a de sus consumidores, mejorando la satisfacción
resolver problemas y aprovechar oportunidades y la lealtad.
en diversos entornos y sectores.

INNOVACIÓN IMPULSADA POR

DATOS
El Big Data no solo ayuda a las empresas a ser
más eficientes, sino que también impulsa la
innovación. Al analizar grandes volúmenes
de datos, las organizaciones pueden descubrir
patrones ocultos, nuevas oportunidades de
negocio y mejorar procesos. Esto les permite crear
productos y servicios más competitivos y alineados
con las demandas del mercado actual.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

¿Por qué estudiar un

Máster de
Big Data?
Dentro del mundo empresarial, el análisis de grandes volúmenes de datos se ha vuelto indispensable
para la toma de decisiones estratégicas. El Big Data permite a las organizaciones transformar datos en
información valiosa para predecir tendencias, optimizar procesos y mejorar el rendimiento. Estudiar
un máster en Big Data te preparará para dominar estas técnicas y herramientas, y te permitirá
convertirte en un profesional clave en un campo de alta demanda.

Alta Demanda Laboral Actualización Constante

El campo del Big Data está en constante expansión. Las El campo del Big Data está en continua evolución con
empresas de todos los sectores buscan profesionales nuevas herramientas, tecnologías y enfoques. Un máster te
capaces de gestionar, analizar y transformar grandes permitirá mantenerte actualizado en las últimas novedades
volúmenes de datos en información valiosa para la toma y aprender a adaptarte rápidamente a las tendencias
de decisiones. Especializarte en Big Data te posicionará en emergentes en la industria de los datos.
un mercado con alta demanda y numerosas oportunidades.
Desarrollo de Proyectos Reales
Oportunidades Profesionales
Un máster en Big Data te ofrecerá la oportunidad de
Las salidas profesionales en Big Data son muy diversas, trabajar en proyectos reales, aplicando tus conocimientos
abarcando roles como analista de datos, ingeniero de a situaciones del mundo empresarial. Estas experiencias
datos, arquitecto de datos y científico de datos, entre otros. prácticas serán clave para fortalecer tus habilidades y
Un máster te preparará para enfrentar estos desafíos y mejorar tu empleabilidad.
desarrollar habilidades técnicas avanzadas.
Ventaja Competitiva
Networking
Tener un máster en Big Data te dará una ventaja competitiva
Estudiar un máster en Big Data te brindará la oportunidad en el mercado laboral, diferenciándote como un profesional
de conectar con profesionales del sector, compañeros preparado para abordar los complejos desafíos de la gestión
de clase, profesores expertos y empresas. Este entorno y análisis de grandes volúmenes de datos.
te permitirá generar relaciones clave para tu desarrollo
profesional y acceder a oportunidades laborales. Flexibilidad Laboral
Mayor Potencial de Ingresos El conocimiento en Big Data ofrece flexibilidad en el tipo de
empresas para las que puedes trabajar, desde startups hasta
Los profesionales en Big Data suelen tener un alto potencial grandes corporaciones. Además, muchos roles relacionados
de ingresos debido a la demanda de personas con habilidades con Big Data permiten trabajar de forma remota, lo que te
técnicas avanzadas. Las empresas están dispuestas a da mayor control sobre tu vida profesional.
pagar más por aquellos que puedan transformar datos en
información estratégica que impulse la toma de decisiones. Emprendimiento
Con los conocimientos adquiridos en un máster en Big Data,
tendrás las herramientas necesarias para lanzar proyectos
propios en el ámbito de la tecnología y los datos, lo que te
permitirá explorar nuevas oportunidades de negocio.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

Duración
1 año académico
Modalidades
Presencial, Semipresencial y Online
Creditos ECTS
60

Modalidad
Presencial
Viernes tarde y sábados
mañana en la universidad

Modalidad
Semipresencial
INFORMACIÓN

3 Semanas en presencial
en la universidad y en la
plataforma online

Modalidad
Online
100% desde nuestra
plataforma online
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

¿Por qué estudiar

en la Universidad
Complutense
de Madrid?
La Universidad Complutense de Madrid (UCM) es
una de las instituciones educativas más destacadas
de Europa, reconocida por el prestigioso QS World
Ranking como la mejor de España. Ofrece una
amplia gama de oportunidades y beneficios para
los estudiantes, así como una excelencia académica
reconocida, una calidad docente de primer nivel.
Ofrece alrededor de 90 títulos de grado y más
de 30 dobles grados, más de 200 programas
máster, además de estudios de formación
permanente. La UCM tiene más de 500 años de
historia y reconocimiento social. La Universidad
Complutense de Madrid es la universidad española
de referencia en 5 continentes.

El prestigio de la universidad está avalado por

7 Premios Nobel, 20 Príncipes de Asturias, 7
Premios Cervantes, Premios Nacionales de
Investigación y a la Excelencia. La Universidad
Complutense de Madrid tiene estudiantes de más
de 90 países y convenios con universidades de los
5 continentes.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

¿Por qué estudiar un

Máster en Formación
Permanente?

Nuestros módulos formativos combinan una base teórica

con ejercicios prácticos basados en situaciones reales
de las empresas. Además, todos los módulos se evalúan
Si hay algo que afianza los con tareas prácticas, no con exámenes, tratándose de
conceptos teóricos de un programa un programa de configuración eminentemente práctica.
educativo es la práctica.
La preparación del Trabajo Final de Máster (TFM) garantiza
la puesta en práctica de todos los conceptos adquiridos a
lo largo del curso, capacitando definitivamente al alumno
para asumir responsabilidades dentro de un entorno
laboral real.
PROGRAMA

Los módulos de aprendizaje

de Big Data más completos
enseñados de forma
eficaz para el alumno.

U N I V E R S I D A D
COMPLUTENSE
M A D R I D
ntic master
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

GNU/Linux
y Git

En este módulo se trabajará el entorno de trabajo con Linux y Git,

conocimiento esencial para preparar a los estudiantes en el uso de
herramientas fundamentales para la gestión de proyectos y el análisis
de datos a gran escala.

Linux es un sistema operativo de código abierto que se utiliza ampliamente

en la industria de Big Data debido a su flexibilidad, escalabilidad y capacidad
para manejar grandes cantidades de datos. A través de este módulo, los
estudiantes aprenderán a trabajar con la línea de comandos de Linux, lo
que les permitirá realizar tareas avanzadas de programación y análisis
de datos.

Git es un sistema de control de versiones que se utiliza para administrar

el código fuente de los proyectos de software. Los estudiantes aprenderán
cómo usar Git para colaborar en equipo, compartir código y hacer un
seguimiento de los cambios en el código a medida que se realiza la edición
y mejora del software.

Índice de contenidos:

• GNU/Linux + Git (1 semana). • Creación de repositorios.

• Documentación del proyecto
• Instalación VirtualBox (Windows/
(Markdown).
Mac).
• Instalación y configuración de Git:
• Instalación y configuración
máquina virtual GNU/Linux. • Comandos básicos en Git.
• GitFlow - Trabajando con ramas.
• Interfaz gráfica vs Terminal.

• Principales comandos del

sistemaGitHub, GitLab y Bitbucket:
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Bases de
Datos SQL

Diseño y modelización de base de datos y lenguaje de consulta

estructurada, más conocido como SQL (Structured Query
Language). Estudio del modelo entidad-relación, modelo
relacional, e implementación relacional con SQL. Índice de contenidos:
En éste módulo de base de datos SQL, se estudiarán los • Introducción a las bases de datos, sus sistemas de gestión
fundamentos y conceptos necesarios de los sistemas de y ventajas. Se profundizará en qué es una base de datos,
gestión de bases de datos relacionales y cómo se pueden su evolución y tipos.
implementar y administrar utilizando el lenguaje de consulta
• El modelo entidad/relación en el diseño de las bases
estructurado (SQL).
de datos, incluyendo el modelado conceptual de
Los estudiantes tendrán como objetivo general en este datos, las entidades, especialización y generalización.
módulo adquirir los conceptos fundamentales de las Transformación del modelo entidad/relación a tablas.
bases de datos y sus técnicas básicas de diseño, gestión y
• Conceptos fundamentales del modelo relacional como
explotación, haciendo hincapié en el modelo de bases de
relaciones, claves y restricciones de integridad, así como
datos relacionales.
normalización.
Se realizarán prácticas para asentar correctamente
• Implementación relacional con SQL: lenguaje de definición
estos conocimientos, pues se trata del modelo de mayor
de datos (DDL) y lenguaje de manipulación de datos (DML).
implantación en la actualidad, y sus conceptos y técnicas
Consultas simples, subconsultas, JOIN, EXIST y NOT EXIST,
están presentes en todos los demás.
HAVING Y GROUP BY, UNION, INTERSECT Y EXCEPT,
Podemos afirmar que las bases de datos SQL son el punto INSERT, UPDATE Y DELETE. Vistas, trigger, procedimientos
de partida para el manejo de volúmenes de datos, ya almacenados y funciones.
sean pequeños o grandes, y por tanto una parte crucial
en la iniciación del proceso que lleva a sacar el máximo
rendimiento a la inteligencia de datos para ponerla al servicio
de un objetivo concreto.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Business Intelligence
con Tableau

Este módulo plantea diferentes objetivos al alumno, con los

que espera mejorar sus capacidades analíticas, así como sus
habilidades para desenvolverse en un entorno empresarial
dentro del ámbito del “Business Intelligence”. Como complemento de esta vertiente técnica, el alumno
aprenderá otros conceptos/habilidades más orientados a
El módulo introduce al alumno al concepto de Business
cómo desenvolverse en un entorno empresarial orientado
Intelligence, diferenciando éste, del concepto de Machine
a la analítica avanzada. Uno de estos conceptos se centra en
Learning o de Data Science, su relación con los nuevos
cómo han de usarse de forma efectiva y eficiente diferentes
paradigmas de Big Data. Para pasar a un enfoque
tipos de gráficos, y cómo preparar y comunicar de forma
completamente práctico en el que el alumno aprenderá a
eficiente los resultados de un análisis de datos a una audiencia
utilizar Tableau. Se acompañará al alumno en el proceso
no-técnica, de negocio. Para los analistas de negocio estos
de descubrimiento de claves (insights) aplicado sobre un
dos elementos se están considerando como esenciales en
conjunto de datos abiertos. Tableau es líder en el cuadrante
las organizaciones.
de visionarios de Gartner en las plataformas de BI en los
últimos años. Con esta introducción el alumno podrá realizar
análisis básicos usando esta solución que complementarán
al aprendizaje de otros lenguajes y técnicas analíticas de este
Máster.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Programación Python

En este módulo los alumnos profundizarán en el manejo del Índice de contenidos:

lenguaje de programación Python.
Veremos la introducción a la programación con Python
Python es un lenguaje de programación ampliamente
y conceptos básicos como: variables, instrucciones
utilizado en el entorno de Big Data debido a su facilidad de
generales, tipos de datos y operaciones.
uso, flexibilidad y capacidad para trabajar con grandes
cantidades de datos.
Estos conocimientos impartidos nos permitirá a
Tiene una gran cantidad de librerías especializadas para continuación abordar otros aspectos como:
el análisis de datos, que proporcionan herramientas para
la manipulación, procesamiento, análisis y visualización de • Entrada y salida.

datos a gran escala.

• Estructuras de control: selección, iterativas. Funciones.
Además, Python puede integrarse fácilmente con estas Recursividad. Orden superior en Python. Expresiones
tecnologías para procesar grandes cantidades de datos de lambda.
manera eficiente.
• Estructuras de datos fundamentales: colecciones, listas,
Veremos sus características, tipos de datos, estructuras de
tuplas, conjuntos, diccionarios. Programación orientada
control de flujo, funciones, parámetros, manipulación de
a objetos.
cadenas, estructuras de datos, etc.
• Librerías para el procesamiento numérico y estadístico
Otro atractivo con el que cuenta este módulo es su enfoque
y para el análisis de datos.
práctico. Nuestro programa no solo incluye la teoría necesaria,
también la visión práctica para experimentar sus técnicas
básicas en una amplia gama de aplicaciones.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Bases de
Datos NoSQL

En éste módulo se aprenderá a utilizar y modelar los sistemas Create – insert, insertOne, insertMany:
de gestión de bases de datos NoSQL y sus principales
• Read – find, findOne.
operaciones. Introducción a MongoDB, operaciones CRUD,
dominar el Find o proyectar los campos en resultados de • Update – update, updateOne, updateMany,
búsqueda. findAndModify y operadores.

Cuando hablamos de bases de datos NoSQL, nos estamos • Delete – remove, deleteOne, deleteMany.
refiriendo a aquellas cuya característica más destacable es
que no requieren de estructuras fijas como tablas, a diferencia Dominar el Find:
de las bases de datos tradicionales que requieren de SQL
• Aplicar filtros avanzados.
como lenguaje principal de consultas. Sin embargo, esto no
significa que no soporten dicho lenguaje SQL. • Arrays y Documentos Embebidos y operadores.

• Ordenar los resultados de búsqueda.

Índice de Contenidos • Paginar y limitar los resultados de búsqueda.

Introducción a las bases de datos NoSQL: • Otros cursores importantes.

• Un poco de historia sobre las BD relacionales.

Índices y Agregaciones:
• Modelo de datos (entidad relación vs agregación).
• Índices.
• BD Relacionales VS NoSQL (ACID vs BASE).
• Agregaciones, pipeline, etapas, operadores.
• Diferentes tipos de BD NoSQL (key-value, documentales,
XML, Grafos, Column Family).
Modelo de datos:
• Cuando utilizar NoSQL.
• Cómo modelar.
• Teorema del CAP.
• Denormalización.

• Mongo VS Cassandra.

Instalar MongoDB:

• Cómo instalar servidor MongoDB en WIN/Mac/Linux.

• Cómo conectarse a mongo con diferentes clientes.

• Conceptos de JSON y Arrays.

• Manejo básico en la base de datos/colecciones y tipos de

datos.

• Importación y Exportación de ficheros.

• Operaciones CRUD.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Fundamentos de
Estadística

La estadística permite sistematizar la información Inferencia estadística:

proporcionada por las bases de datos cuya procedencia,
como sabemos, puede ser muy variada: datos económicos Cuando hablamos de inferencia en el contexto estadístico,
de empresas, datos sobre la realidad social, datos sobre la nos estamos refiriendo a las diversas técnicas y metodologías
economía, sobre deportes, finanzas, opinión pública y política, a través de las cuales, en base a una información con la que
etc. El tratamiento estadístico de los datos, con frecuencia, previamenter contamos (los datos), se realizan modelos de
no acaba en la obtención de un resumen de la información predicción. Además es muy relevante controlar el margen
(Estadística Descriptiva) sino que sirve para tomar decisiones de error en las decisiones, margen que necesariamente
en múltiples ámbitos, resolver diversos tipos de problemas existe dada la aleatoriedad intrínseca en los fenómenos que
y generar modelos predictivos. analiza la estadística.

Gracias a este módulo los alumnos serán capaces de manejar Un ejemplo muy cotidiano al respecto son las encuestas
las herramientas que les permiten la estimación de los electorales de intención de voto, donde con una base de
parámetros de los modelos, los contrastes de hipótesis sobre encuestados que busca ser lo más heterogénea posible,
dichos parámetros, así como el acceso a la metodología que se intenta determinar cuál será el reparto de votos entre
permite el rigor en la toma de decisiones en Estadística. los distintos partidos políticos que se presentan a unas
elecciones. Pero también el análisis del riesgo a la hora de
Se persigue la consolidación de los conocimientos de conceder un crédito personal o hipotecario, el uso de datos
estadística necesarios para abordar el resto de las áreas del para el diagnóstico diferencial en medicina preventiva, o
máster. la información que recibe un portero de fútbol sobre las
habilidades y tendencias del delantero que le tirará el penalti.
El módulo está dividido en dos temas:
Algunos de los puntos que se tratarán en este módulo en
relación a la inferencia estadística serán:
Estadística descriptiva:
• Variables aleatorias.
Se centra en la descripción de las variables estadísticas
univariantes, que estudian una característica en particular • Modelos de distribución de probabilidad.
del objeto de estudio, pueden ser numéricas o de otra índole
• Estimulación puntual de parámetros.
(como por ejemplo sexo, nivel de estudios o sector profesional).
• Estimulación por intervalos de confianza.
Se profundizará en diversos tipos de medidas estadísticas
de centralización, dispersión, asimetría y curtosis. Además, • Contrastes paramétricos.
se tratarán temas como:
• Contrastes no paramétricos.
• Descripción de variables bidimensionales. A diferencia
de las univariantes, tienen en cuenta dos caracteres del
mismo sujeto de estudio y las posibles relaciones entre
dos objetos distintos.

• Análisis de la vinculación.

• Medidas de asociación.

• Regresión.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Minería de Datos y
Modelización Predictiva

En este módulo los alumnos aprenderán técnicas de minería

para descubrir patrones, tendencias y relaciones útiles y
significativas en grandes conjuntos de datos utilizando
técnicas avanzadas de análisis para explorar grandes
cantidades de datos y extraer información valiosa de ellos.
Esta información puede ser utilizada para tomar decisiones
informadas, identificar oportunidades de negocio, mejorar
la eficiencia de los procesos empresariales y optimización
en diferentes industrias, entre otros.

Mediante la modelización predictiva, utilizarán los datos Los estudiantes también aprenderán acerca de clasificación
históricos y los patrones descubiertos a través de la minería no supervisada y análisis de clusters, y cómo construir
de datos para predecir eventos futuros. La modelización scorecards y modelos de gestión efectivos utilizando datos.
predictiva utiliza algoritmos estadísticos y de aprendizaje Además, se explorará la estadística geoespacial, lo que
automático para construir modelos que puedan predecir con permitirá a los estudiantes aplicar técnicas avanzadas de
precisión los resultados futuros que pueden ser utilizados análisis espacial a datos geográficos.
para tomar decisiones informadas, identificar oportunidades
de negocio, prevenir riesgos, entre otros. A lo largo del curso, los estudiantes trabajarán en ejemplos
prácticos para mejorar su comprensión de los conceptos y
Se estudiarán conceptos desde una variedad de temas técnicas clave. Al finalizar el curso, los estudiantes estarán
esenciales en el campo, desde codificación, depuración, entrenados con habilidades esenciales en data mining para
descripción e integridad de datos hasta técnicas avanzadas analizar, procesar y utilizar datos de manera efectiva para
como regresión lineal y logística, reducción de dimensionalidad tomar decisiones y resolver problemas complejos.
y análisis y predicción con series temporales.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Machine
Learning

Machine Learning se refiere al conjunto de técnicas y

algoritmos que permiten a los sistemas informáticos
aprender y mejorar automáticamente a partir de los datos,
sin ser explícitamente programados. Índice de Contenidos

El módulo se enfoca en introducir a los estudiantes en los Debido a la importancia de este módulo dentro de los que
conceptos de Machine Learning, incluyendo las diferentes componen el temario del máster, se repasarán a lo largo del
técnicas y algoritmos utilizados, como la regresión lineal, la mismo los siguientes puntos:
clasificación, el clustering y el aprendizaje profundo (Deep
• Introducción.
Learning). También se cubren temas como la evaluación
y selección de modelos, el preprocesamiento de datos, la • Redes neuronales y Deep Learning.
validación cruzada y el overfitting.
• Árboles de decisión.
Los alumnos aprenderán diversas herramientas y aplicaciones
• Random forest.
de Machine Learning y modelización predictiva avanzada.
• Gradient Boosting.
Estas técnicas de aprendizaje automático permiten
a las máquinas ser capaces de asimilar una serie de • Support Vector Machines.
comportamientos generalizados para realizar diversas
acciones que toman, como ejemplo de referencia, las pautas • Algoritmo KNN.
indicadas previamente.
Dentro del aprendizaje automático, las tecnologías usadas
Es importante ser conscientes, y así se les hace saber a para llevar a cabo proyectos de Machine Learning tienen
nuestros estudiantes, que el Machine Learning está presente igualmente y como es lógico un gran protagonismo.
en buena parte de elementos con los que interactuamos
Es por ello que el programa en este punto no se detendrá
diariamente en nuestra vida cotidiana.
únicamente a dar a conocer a los alumnos las características
Teléfonos móviles o sistemas de navegación, por poner más comunes del aprendizaje automático, sino que pondrá
únicamente dos ejemplos, cuentan con este sistema de también en su mano las herramientas necesarias para poder
aprendizaje automático. Igualmente, aplicaciones de detección desarrollar su propio proyecto al respecto.
de fraudes, diagnósticos médicos o el propio buscador de
Internet, que te devuelve resultados a una consulta, tienen
presente el mismo.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Visualización
avanzada
El módulo de visualización tiene como objetivo definir las
claves para la eficacia en la presentación de información Índice de Contenidos
visual en el entorno del macrodato. Cualquiera que sea la
1. Introducción: claves para la eficacia en la visualización
herramienta que se utilice, la visualización de datos es una
de datos
herramienta crítica para la comunicación de la realidad
latente. • Cualquiera que sea la herramienta que se utilice.

• Visualización para la comunicación a lo largo de la historia.

En este módulo, los estudiantes aprenderán acerca de las
visualizaciones para comunicar. Se explorarán herramientas • Visualizaciones para comunicar y visualizaciones para
para visualización de datos con librerías como matplotlib confundir.
y seaborn, entre otras, y se discutirá la gramática de los • Herramientas que veremos en el módulo.
gráficos, la cual es importante para la comprensión de cómo
• Datos que usaremos.
se construyen y comunican los gráficos.
• Entornos python: notebooks, entornos virtuales.
Los estudiantes también aprenderán sobre los componentes 2. Componentes básicos para la visualización
básicos para la visualización, incluyendo el uso del color y
• El color.
tipos de gráficos para tipos de datos y propósitos concretos.
• Tipos de gráficos para tipos de datos y propósitos concretos.
Además, se presentarán los entornos python, notebooks y
3. Gráficos estáticos en Python
entornos virtuales, los cuales se utilizarán en los ejemplos
propuestos y en el trabajo con datos propios. • Librería matplotlib.

• Librería seaborn.
En la segunda semana, los estudiantes aprenderán sobre
gráficos interactivos utilizando Plotly, así como las 4. Gramática de los gráficos: ggplot
animaciones y la interactividad en los gráficos. También se • Por qué una gramática de los gráficos.
presentarán otras herramientas como Bokeh y Pygal, y se • Capas.
explorarán dashboards en python, Dash y Gleam.
• Librerías plotnine, ggplot2.
Por último, los estudiantes aprenderán sobre mapas en python • Trabajo del módulo: ejemplos propuestos y trabajo con
utilizando librerías como Geoplotlib y Leaflet/Folium. A datos propios.
través de ejemplos prácticos, los estudiantes podrán aplicar lo
5. Introducción a los gráficos interactivos: plotly
aprendido en el módulo a sus propios datos y visualizaciones
de manera efectiva y eficiente. • Por qué y para qué interactividad.

• Animaciones.

6. Bokeh y pygal

7. Dashboards en Python

• Dash.

• Gleam.

8. Mapas en Python

• Geoplotlib.

• Leaflet / Folium.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Inteligencia Artificial
con Deep Learning

El Deep Learning es una rama de la inteligencia artificial

que utiliza redes neuronales artificiales para aprender y
realizar tareas complejas.

En este módulo los estudiantes aprenderán técnicas de Deep

Learning, incluyendo la arquitectura y funcionamiento de Se estudiará computer vision, convolución, capas (pooling,
las redes neuronales. rectificación, flatten), transfer learning, entre otros.

También se explorarán aplicaciones prácticas de la tecnología 3. Inteligencia Artificial. Predicción de series temporales
en diferentes áreas, como el procesamiento de imágenes con redes recurrentes (RNN):
con redes convolucionales, el procesamiento de secuencias
con redes recurrentes, la predicción de series temporales, Este bloque está diseñado para proporcionar una comprensión
el procesamiento de lenguaje natural (NLP) y los modelos sólida de los principios fundamentales del uso de RNNs para la
generativos, así como los últimos avances en deep learning predicción de series temporales, así como para proporcionar
(ChatGPT, DALL-E …) poniendo el foco en sus aplicaciones habilidades prácticas para aplicar estas técnicas en el mundo
comerciales. real. Los estudiantes aprenderán a diseñar y entrenar RNNs
para realizar predicciones precisas de series de tiempo en
diferentes aplicaciones. También adquirirán una comprensión
Índice de contenidos: profunda de los enfoques más avanzados y recientes en el
campo de las RNNs
1. Deep Learning. Introducción y fundamentos de las redes
neuronales: Se estudiará procesamiento de secuencias, introducción a las
redes recurrentes y tipos de RNNs: LSTM, GRU, Biderectionals.
El deep learning difiere por su capacidad para trabajar
con datos no estructurados, como imágenes y texto, y para 4. Inteligencia Artificial. Introducción al procesamiento
aprender y mejorar con más datos utilizando una estructura de lenguaje natural (NLP):
jerárquica de capas de procesamiento que imita la forma
Este bloque está diseñado para proporcionar una comprensión
en que el cerebro humano procesa la información. En este
sólida de los principios fundamentales del procesamiento
bloque los alumnos aprenderán técnicas para analizar y
de lenguaje natural, como rama de la IA que se centra en la
aprender patrones complejos en grandes conjuntos de datos.
interacción entre los humanos y las máquinas mediante el
Se estudiará el modelo bio-inspirado, perceptrones., funciones
lenguaje natural.
de activación, Keras y Tensorflow 2 entre otros.
Se estudiará Words embeddings, aplicación del deep learning
2. Inteligencia Artificial. Procesamiento de imágenes con
al NLP, modelos de secuencia a secuencia, modelos de atención
redes convolucionales (CNN):
y mecanismos de atención, tansformers, últimos modelos y
Este bloque está diseñado para proporcionar una comprensión estado del arte (GPT3, chatGPT).
sólida de los principios fundamentales del procesamiento
5. Inteligencia Artificial. Modelos generativos:
de imágenes con redes convolucionales, así como para
proporcionar habilidades prácticas para aplicar estas técnicas Los estudiantes aprenderán a entrenar y evaluar modelos
en el mundo real. Los estudiantes aprenderán a diseñar y generativos en diferentes dominios, como imágenes, texto y
entrenar redes convolucionales para tareas de clasificación sonido. También se explorarán las aplicaciones prácticas de
y segmentación de imágenes, y adquirirán una comprensión los modelos generativos, como la generación de imágenes y
profunda de los enfoques más avanzados en el campo de las la síntesis de voz. Entre otros: autoencoders, GANs., etc.
CNNs.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Spark

En este módulo repasaremos las tecnologías Big Data y

su motivación en el contexto actual de la era digital y las
necesidades de las empresas. Proporciona a los estudiantes
una comprensión profunda de cómo funcionan estos sistemas
de procesamiento de datos distribuidos y cómo aprovecharlos
para procesar grandes cantidades de datos de manera
eficiente y efectiva.

Tras describir brevemente el manejo de HDFS, el curso

se centrará en Apache Spark, sin duda la tecnología más
demandada para procesamiento de grandes volúmenes
de datos. Describiremos su filosofía peculiar basada en un
grafo de ejecución (DAG) y profundizaremos en cada uno
de los módulos, en especial Spark SQL, MLlib y Structured
Streaming. Se usará el servicio Dataproc de Google Cloud
para que cada alumno pueda desplegar un cluster de forma
sencilla y gratuita.

Índice de contenidos:
• Introducción a las tecnologías Big Data.

• HDFS.

• Apache Spark.

• Arquitectura de Spark.

• Spark SQL.

• Spark MLlib.

• Spark Streaming.

• GraphFrames.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Tecnologías
del Big Data

El alumno aprenderá a descubrir y valorar oportunidades

presentes en el día a día del ciudadano y de la empresa.

Se verán temas como el Internet de las cosas como servicio,

conectividad con fuentes de datos heterogéneas a través de
brókers de mensajes y hubs con dispositivos, Hadoop, Spark y
diversas técnicas de visualización y análisis de información
por parte de los usuarios finales. También se tratará la
aproximación a la aportación del IOT al mundo del macrodato
y la conectividad con fuentes de datos heterogéneas a través
de bróker de mensajes y hubs con dispositivos

Otros temas a tratar serán:

• ETL as a Service.

• Gobierno de los datos as a Service.

• Stream Analytics, CEP análisis en memoria en tiempo real

en los eventos complejos as a Service.

Tecnologías Big Data en Google Cloud:

Índice de contenidos:
• Ingesta y procesamiento en batch: Cloud Dataproc.
Hadoop:
• Ingesta en streaming: Cloud PubSub.
• Introducción a Hadoop, entorno de trabajo que soporta
diversas aplicaciones distribuidas bajo una licencia libre. • Almacenamiento de ficheros: Google Cloud Storage.

• Almacenamiento HDFS para grandes volúmenes de datos • Almacenamiento de datos: BigQuery.

en Apache Hadoop.
• Desarrollo y ejecución de pipelines: Cloud Data Fusion.
• Acceder a los datos almacenados en HDFS como si fuera
• Visualización de datos: Cloud Data Studio.
una base de datos: introducción a HIVE.
• Analítica avanzada de datos: Vertex AI.
Spark:
• Orquestación de datos: Cloud Composer.
• Introducción a Spark, sistema de computación basado
en el paradigma de Hadoop que destaca por su velocidad • Catálogo y gobierno del dato: Cloud Dataplex.
gracias al almacenamiento de datos en memoria.

• Clúster de Spark.

• Desarrollo de aplicaciones con Spark.

• RDD, Datasets y transformaciones.

• Spark Streaming.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Productivizar
un modelo

Productivizar un modelo es esencial para aplicar de manera

adecuada los conocimientos adquiridos durante los anteriores
módulos del máster, así como los modelos de machine • Monitoreo del modelo: el módulo de productivizar un
learning de manera eficiente y efectiva en el mundo real. modelo monitorea constantemente el rendimiento
del modelo y alerta al equipo de cualquier problema o
Una vez que se ha desarrollado un modelo, el siguiente paso desviación en los resultados de las predicciones.
es implementarlo en un sistema de producción para que
pueda ser utilizado para hacer predicciones o clasificaciones • Escalado y actualización: el módulo de productivizar
en tiempo real. El módulo de productivizar un modelo es un modelo también es responsable de garantizar que el
la herramienta que ayuda a automatizar este proceso de modelo pueda manejar grandes volúmenes de datos y de
implementación. actualizar el modelo a medida que se reciben nuevos datos
para mejorar su precisión.
Este módulo es responsable de integrar el modelo en el
flujo de trabajo del sistema de producción y asegurar que El módulo de productivizar un modelo es una herramienta
el modelo pueda funcionar correctamente en un entorno en crítica para llevar los modelos de machine learning a la
vivo. Algunas de las tareas que el módulo de productivizar producción y hacerlos útiles en el mundo real. Este módulo
un modelo realiza son: ayuda a automatizar el proceso de integración del modelo
y garantiza que funcione de manera efectiva en un entorno
• Preprocesamiento de datos: el módulo prepara los en vivo.
datos de entrada para el modelo, lo que puede incluir el
procesamiento de datos faltantes, la normalización de
datos, la selección de características y el muestreo de datos.

• Integración del modelo: el módulo integra el modelo de

machine learning en el sistema de producción y establece
las interfaces necesarias para que el modelo pueda ser
utilizado por otros componentes del sistema.
 U N I V E R S I D A D
COMPLUTENSE ntic master

MÓDULO
M A D R I D

Data Science aplicada

a la Empresa

Visión integral de las empresas orientadas al dato, creación

de equipos de científicos de datos y estructuración de un
proyecto Data Science. Este módulo aborda igualmente
aspectos de la comunicación personal con individuos, la
pública ante grupos, y la mediática para audiencias.

El objetivo principal es proporcionar a los alumnos una

visión integral de las empresas orientadas al dato, formarles
en la creación de equipos de Data Science y enseñarles a Contar con una excelente capacidad de análisis es muy útil
estructurar un proyecto de ciencia de datos. en el perfil que nos ocupa, pero también es interesante que
disponga de los conocimientos necesarios para, a través
Es importante que los estudiantes conozcan el amplio campo de las herramientas existentes a tal efecto, llegar a esas
de acción de esta nueva ciencia y sus ventajas y aplicaciones conclusiones analíticas.
prácticas en una estrategia digital a nivel global dentro de
entornos empresariales. Los procesos, métodos científicos El Data Science permite ir un paso más allá en el campo del
y sistemas estarán muy presentes a lo largo de este bloque análisis de datos. Tras lo aprendido con los fundamentos
del programa del máster. estadísticos, el data mining, el aprendizaje automático o los
métodos de análisis predictivo, es lo que ha otorgado mayor
El perfil del Data Scientist es crucial en todo el proceso que protagonismo a este campo de conocimiento en los últimos
envuelve al macrodato. Es habitual que sea el científico de años: ha sido la evolución natural derivada de la relación
datos el profesional encargado de sacar el máximo provecho aplicada del dato al objetivo corporativo de la empresa.
a los datos de los que dispone la empresa.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

TFM
Trabajo Fin de Máster

Asimilados todos los conceptos previos, llega el momento de poner a prueba los
conocimientos adquiridos en el máster.

El alumno planteará una estrategia global de inteligencia de datos para una empresa,
basándose en diferentes técnicas y softwares de apoyo de entre los existentes en
el mercado.

El trabajo de fin de máster es una parte crucial del programa, ya que permite a los
estudiantes aplicar todos los conocimientos adquiridos en el curso en un proyecto
práctico y relevante en el mundo real.

Proporciona una oportunidad para que los estudiantes demuestren su capacidad

para analizar, procesar y utilizar datos de manera efectiva para resolver problemas
complejos y tomar decisiones informadas.

También les permite desarrollar habilidades de presentación y comunicación al

presentar sus hallazgos y resultados a una audiencia de expertos.

Además, el trabajo de fin de máster puede ser una oportunidad para que los estudiantes
trabajen en colaboración con empresas u organizaciones, lo que les permite obtener
experiencia práctica en un entorno profesional y crear conexiones valiosas para su
carrera.
EQUIPO
DOCENTE
Clases y tutorías con grandes
profesionales del sector del Big
Data.

U N I V E R S I D A D
COMPLUTENSE
M A D R I D
ntic master
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

EQUIPO DOCENTE
Directivos

Javier Jose Carlos

Portela García-Miguel Soto Gómez
Director. Profesor Titular UCM, doctor en Co-Director del Máster. Socio Fundador
Ciencias Matemáticas UCM, licenciado de NTIC Master y Aplimovil. Amplia
en Ciencias Matemáticas UCM. En el experiencia en proyectos nacionales
campo de la docencia, dirige diversos e internacionales en IT y analítica en
estudios en Data Mining y Business empresas como Banco de España, NEC,
Intelligence en la UCM. Telefónica, Vodafone, Orange, medios
de comunicación…

Coordinadores

David Cristóbal
del Ser Martínez Martínez
Coordinador Máster Coordinador Máster

David es Lic. en Marketing por Cristóbal es Ingeniero informático.

ESIC, Honours Degree in Business Director de IT en Aplimovil y Ntic
Administration por Humberside Master. Profesor máster marketing
University, MBA por UNED, Máster digital de la UCM, UNED, Cámara
Di rección F i na nciera, Máster de Comercio y CEEIC. Experto en
Marketing Digital, Máster en Big sistemas y procesos informáticos. Gran
Data. Especialista en el desarrollo de experiencia profesional trabajando en
negocio y transformación digital en Ntic empresas referentes como NEC, BNP
Master. Gran experiencia profesional Paribas, Banco de España, Vodafone.
trabajando en Grupo Iberostar, Grupo
Avintia, entre otras.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

EQUIPO DOCENTE
Docentes

Cristóbal Carlos Fernando

Pareja Flores Ortega Fernández Velasco
Catedrático EU en la UCM Expert Data Scientist Investigador de técnicas y
algoritmos de IA

Con más de 30 años como docente, Carlos es Lic. en Físicas y trabaja como Fernando posee un máster en métodos
Cristóbal es matemático especializado Lead Specialist en SDG Group España. matemáticos avanzados aplicados
en Ciencias de la Computación, Tiene una dilatada experiencia en el en físicas y además, estudia las
Doctor enInformática. Además, es sector con aplicaciones avanzadas interacciones humanas mediante Deep
Decano de la Facultad de Estudios basadas en datos y Machine Learning Learning.
Estadísticos y Vicedecano de Postgrado en múltiples sectores.
e Investigación.

Ismael Conrado Miguel Javier

Yuste Manuel García Monjas
Strategic Cloud Engineer en Catedrático EU en la UCM Analytical Lead en Aggity
Google

Ismael trabaja con clientes estratégicos Conrado es Lic. en matemáticas, Javier es un referente en el sector Big
en EMEA. Experto en Big Data y Doctor y Director de Departamento Data, especialista en Machine Learning
GSuite. BigQuery, Dataproc, Dataflow, de estadística y ciencia de datos en e Inteligencia artificial y modelos
DataStudio, Pub/Sub, Datalab, DataPrep. la Facultad de Estudios Estadísticos. predictivos. Graduado en estadística
Ingeniero de Éxito del Cliente en Google Integrante de grupos de investigación y profesor asociado de la UCM. Ha
Apps & Cloud (empresa de Alphabet). sobre teoría de juegos y aplicaciones. trabajado en dirección de proyectos
analíticos en Sanitas, Finect.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

EQUIPO DOCENTE
Docentes

Pablo J. Juana María Daniel

Villacorta Alonso Revenga Gómez González
Científico de Datos en Profesora titular de la UCM Profesor titular en la UCM
Santalucía Seguros

Pablo es Doctor en Ciencias de la Con más de 30 años como docente. Daniel es Lic. en Matemáticas,
Computación e IA, Ingeniero informático Juana es Lic. en Matemáticas y Doctora Estadística e Investigación operativa y
y licenciado en Estadística por la Univ. por la UCM. Es experta en Big Data, SAS, Doctor por la UCM. Profesor catedrático
de Granada. Desarrollador Certificado machine learning y estadística. en UCM, Coordinador del programa de
en Spark 2.x por Databricks y autor de doctorado en Data Science, Experto
varios paquetes de R publicados en en SPSS, estadística y ciencias de la
CRAN. computación.

Santiago Isabel Álvaro

Mota Herce Riomoros Callejo Bravo Acosta
Corporate Advisor Profesora Titular en la UCM Ingeniero Técnico Informático
en Sistemas

Santiago es senior data scientist Con más de 30 años como docente. Experto en Tecnologías Big Data,
y consultor freelance en Business Isabel es Lic. en Matemáticas, Doctora BI y Analítica. Gran experiencia en
Intelligence, Machine Learning y por la UCM. Además es Coordinadora del consultoras como Minsait, Sopra Steria,
estrategia TI. Ha asesorado a empresas Campus Virtual (Facultad de Estudios Everis o NTT, para externos como
como Repsol, Orange, Bankia, Vodafone, Estadísticos) y Delegada del Decano ISBAN y BBVA. Actualmente, DevOps
Teradata o The Boston Consulting Group. para temas informáticos y de nuevas en equipo de producto Frameworks en
tecnologías. Strato.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

EQUIPO DOCENTE
Docentes

Alberto Luis Carlos

Ezpondaburu Leite Rodríguez
NLP Specialist Business Intelligence Consultant Lead NLP Engineer

A lber to es i ngen iero de Experto en la transformación de los Carlos es ingeniero de telecomunicación

telecomu n ic ac iones, L ic . en datos con experiencia en diferentes y máster en IA por la UPM. Es Lead NLP
Matemáticas. Experto en NLP y en la áreas como las telecomunicaciones Engineer en Fujitsu. Anteriormente
aplicación de técnicas de Deep Learning o industria farmacéutica. Posee un trabajó en empresas como Telefónica,
e Inteligencia Artificial. Ha trabajado master en Física aplicada y otro en Big EY, o Vodafone.
como Data Scientist en varias empresas Data.
y creado empresas del ámbito AI.

Lorenzo Cristóbal Charles

Escot Mangas Martínez Martínez Flores Espinoza
Profesor Titular de la UCM IT Consultor Big Data Engineer en
Mercedes-Benz AG

Además de su experiencia de más de 20 Cristóbal cuenta con amplia experiencia Charles es Ingeniero informático.
años como docente en la Complutense, como profesor en diversos másteres de Experto Data Engineer & Data Architect,
Lorenzo es Codirector del Grupo de la UCM, la UNED y la Complutense de Scala, ML. Gran experiencia en el sector
Investigación «Análisis de Datos en Cartagena. También ha sido consultor en empresas como StratioBD, Oliver
Estudios de Sociales, de Género y para proyectos de NEC, Vodafone y Wyman, Vass, Bayes.
Políticas de Igualdad». Movistar.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

EQUIPO DOCENTE
Docentes

Eduardo Rosa Luis

Fernández Carrión Espinola Gascó Sánchez
Data Scientist, PhD Docente en la UCM NLP Research Engineer

Eduardo es ingeniero informático Rosa es Doctora y Vicedecana de Senior Machine Learning Engineer
y doctor en métodos estadísticos ordenación académica y estudiantes. Es en Avature. Doctor en Ingeniería por
matemáticos para el tratamiento miembro de proyectos de investigación la Universidad Politécnica de Madrid
computacional de la información. Data del Ministerio de Educación y Ciencia con una larga trayectoria profesional
Scientist & ML Engineer en Santalucia para técnicas de Machine Learning y en proyectos de I+D+i relacionados
seguros. Experto Data Sciencist participante de grupos de investigación con IA y NLP. Ha trabajado en centros
habiendo desarrollado su carrera sobre teoría de juegos y aplicaciones. de investigación de prestigio como
profesional en StratioBD, Visavet, Everis, Barcelona Supercomputing Center,
etc. Nokia Bell Labs (UK) o Télecom
ParisTech (Francia), entre otros.

José Luis Javier Pedro Pablo

Brita Castro Malagón Amor
Docente UCM Docente en la UCM Principal Architect en Google

José Luis, además de profesor en la UCM, Javier es Doctor por la Universidad Pedro Pablo es ingeniero de sistemas.
cuenta con historial como investigador Complutense de Madrid con la tesis Experto en Big Data, Data Science, Data
en proyectos de innovación educativa. Reparto de holguras y costes en una red Engineer. Tiene una gran experiencia
Está a cargo del módulo de «Introducción Pert 2007. Javier tiene experiencia, como profesional de más de 23 años en
y Fundamentos de Programación en R». miembro de grupos de investigación. Microsoft como Principal Architect y
Experto en «Text Mining y Redes actualmente en Google.
Sociales».
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

EQUIPO DOCENTE
Docentes

Juan Fernando Javier Tú

Sánchez Martínez Domínguez Gómez
Data & Analytics Traineren Cybersecurity Engineer Fúturo experto en Big Data y
Telefónica Data Science

Profesor de Data & Analytics experto Javier es Ingeniero informático con Porque con nosotros aprenderás Big
en Bases de Datos SQL, Business certificaciones en CISSp, Cisco, entre Data, Data Science e Inteligencia
Intelligence e Inteligencia Artificial. otras. Experto en Cberseguridad y Data Artificial. Pero al final el camino tienes
Ingen iero Indust r ia l Quím ico Science. Desarrolla su carrera como que recorrerlo tú y quizás muy pronto
(UPV), posee una sólida experiencia Cybersecurity Engineer | D&R para estés aquí como nuestro profesor.
en investigación adquirida en la BBVA.
Universidad de Castilla-La Mancha y
en la Universitá La Sapienza di Roma.
Colabora con reconocidas empresas
como Telefónica, BBVA y SDG Group.

Ponentes Masterclass

José Ignacio Ángel Araujo Matteo

Carrión Consonni
Private Equity Mandate Officer Southern Europe General Mana- Former startup founder
at European Investment Fund ger
José Ignacio se dedica al desarrollo, Responsable del negocio de Evaneos Matteo cuenta con experiencia en
implementación y gestión de mandatos para España e Italia. Responsable de desarrollo de negocios, gestión de
de inversión con clientes institucionales la P&L y de un equipo de 35 personas. programas y financiación en 4 países.
públicos. Supervisa y gestiona las Diseño y ejecución de las diferentes Actualmente, dirige las actividades de
inversiones en fondos de fondos palancas de la plataforma: Oferta, aceleración de Startups para Health Kic
privados a nivel europeo. Demanda y Marketing. . Managing del Instituto Europeo de Innovación y
Partner y Co-Founder de Unlock Tecnología (EIT)
Management.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

EQUIPO DOCENTE
Ponentes Masterclass

Guillermo Armando
Campoamor Heras
CEO de Meep Chieff Data Officer

Tras pasar gran parte de su vida Armando Heras, Director de la Estrategia

laboral viajando por más de 22 países, digital de CMC XXI, especializado en
decidió emprender en el sector de la finanzas, auditorías y financiación.
movilidad. Desde entonces, Meep ha Su función reside, entre otras cosas,
levantado más de 2 millones de euros en crear ecosistemas emprendedores
y ha sido elegida como una de las 10 a través de la inversión, creación de
startups más relevantes en movilidad empresas y desarrollo de proyectos.
por #SouthSummit18
SALIDAS
PROFESIONALES
El sector de Tecnologías de
la Información continuará
siendo el motor principal
del crecimiento laboral,
encabezando el top de empleos
más demandados y mejor
remunerados por las empresas.

U N I V E R S I D A D
COMPLUTENSE
M A D R I D
ntic master
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

Salidas Profesionales
El Big Data ofrece una amplia variedad de salidas profesionales debido a su creciente relevancia en la
estrategia empresarial moderna. Desde la analítica avanzada hasta la ingeniería de datos, estas son
solo algunas de las muchas oportunidades profesionales que podrás explorar en el ámbito del Big Data:

Gestor y auditor de Responsable de planificar, gestionar y auditar los

Con el avance de la tecnología infraestructuras para sistemas que permiten almacenar y procesar grandes
y la evolución constante del Big Data volúmenes de datos de manera eficiente.
entorno digital, es probable
que sigan surgiendo nuevas Ingeniero de Desarrolla y optimiza algoritmos de machine learning
especialidades y roles. aprendizaje para que los sistemas puedan aprender y mejorar
automático automáticamente a partir de datos.

Especialista en Se enfoca en analizar datos y generar informes para

inteligencia de datos y ayudar en la toma de decisiones estratégicas basadas
de BI en la inteligencia empresarial.

Chief Data Officer Ejecutivo responsable de la estrategia de datos de una

organización, asegurando su correcta gestión y uso
para impulsar los objetivos de negocio.

Data Analyst Analiza conjuntos de datos grandes y complejos para

extraer conclusiones útiles que apoyen la toma de
decisiones en las empresas.

Data Consultant Proporciona asesoramiento experto en la gestión,

análisis y uso estratégico de los datos para mejorar el
rendimiento empresarial.

Data Scientist Utiliza estadísticas, machine learning y otras

herramientas avanzadas para interpretar datos
complejos y ofrecer soluciones a problemas
empresariales.

Data Mining Especialista en técnicas de minería de datos que busca

patrones, tendencias y relaciones ocultas en grandes
bases de datos para extraer información útil.

Analista de seguridad Responsable de proteger los datos frente a amenazas

de datos externas, asegurando la privacidad y la integridad de la
información.

Ingeniero de Se especializa en desarrollar sistemas que permitan a

Procesamiento de las máquinas entender y procesar el lenguaje humano,
Lenguaje Natural (NLP) un campo clave en la IA.

Especialista en análisis Utiliza técnicas avanzadas para predecir

predictivo comportamientos futuros y tendencias en diferentes
sectores, como marketing, ventas o logística.
ADMISIONES

Tanto la preinscripción como la

pre matrícula quedan abiertas
hasta comenzar el curso
académico o completar plazas.

U N I V E R S I D A D
COMPLUTENSE
M A D R I D
ntic master
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

Proceso de admisión

Preinscripción Evaluación Pre-admisión Admisión

Envío de solicitud para Evaluación de Confirmación como Confirmación de plaza y
evaluar candidaturas. candidaturas. alumno del candidato. formalización de la ma-
trícula.

1. Preinscribirse cumplimentando el formulario Tanto la preinscripción como la pre matrícula quedan abiertas
ubicado en la pestaña “Preinscripción” de la web hasta comenzar el curso académico o completar plazas,
[Link] estableciéndose lista de espera si procede. Los alumnos
2. Enviar la documentación requerida a fin de deberán ingresar 600 euros en concepto de pago inicial para
evaluar la candidatura. el Máster Presencial y 500 euros en concepto de pago inicial
para el Máster Semipresencial y el Máster Online, los cuales
3. Entrevista con el solicitante.
les serán descontados del importe total de la matrícula. En
4. Confirmación de selección. ningún caso se tendrá derecho a devolución de dicha cantidad,
5. Realización de un pago inicial. a excepción de que no se llegara a celebrar el curso.

Documentación
requerida
Alumnos con titulación Alumnos con titulación
de España de Unión Europea

Los documentos identificativos requeridos para la • Currículum Vitae.

inscripción en el Máster son: • Pasaporte/NIE (no válidas las cédulas de
• Fotocopia del documento de identidad/pasaporte. identificación de fuera de España).
• Certificado de notas oficial. • Título universitario (no es valido el certificado del
• Título universitario o resguardo de solicitud de título).
título. • Certificado oficial de notas.
• Currículum Vitae.
*La documentación debe estar traducida al castellano por un
traductor jurado homologado. (Solicitar listado oficial)

Alumnos con titulación

de Fuera de la Unión Europea
• Currículum Vitae.
• Pasaporte/NIE (no válidas las cédulas de
identificación de fuera de España).
• Título universitario legalizado con la Apostilla de
la Haya (no es valido el certificado del título).
• Certificado oficial de notas.

*La documentación debe estar traducida al castellano por un

traductor jurado homologado. (Solicitar listado oficial)
MODALIDADES

La evaluación de los alumnos

se realizará a lo largo de todo el
programa a través de ejercicios
y casos prácticos.

U N I V E R S I D A D
COMPLUTENSE
M A D R I D
ntic master
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

Máster Presencial

Duración Lugar Precio

1 Año / 520 horas Facultad de Estudios 6.750 €
Estadísticos + 40 € de tasas de
60 ECTS
Ciudad Universitaria Avenida secretaría
Inicio: febrero de 2025
Puerta de Hierro, s/n, 28040 Pregunta por nuestras becas,
Fin: febrero de 2026
Madrid facilidades de pago, prácticas en
Viernes: de 16:00 a 21:00 h
empresas y bolsa de trabajo.
Sábados: de 09:00 a 14:00 h

Una vez finalizados y superados estos estudios,

la Universidad Complutense de Madrid emitirá
el título, conforme a las normas de admisión
y matriculación de los títulos de Formación
Permanente de la UCM

Metodología
Presencial
El curso se impartirá en aulas de la Universidad Complutense de Madrid, en la Facultad
de Estudios Estadísticos los viernes y sábados con masterclass impartidas por diferentes
expertos. La formación se realizará de forma tutorizada por los profesores. También se
utilizará una plataforma de formación virtual para la comunicación entre los alumnos y
profesores, creando una comunidad virtual de trabajo. Los distintos profesores de cada
módulo, guiarán a los alumnos proponiendo actividades adicionales dependiendo del
temario que se esté cubriendo en cada momento.

Características
plataforma On-line
La plataforma actuará como vía de comunicación entre La plataforma cuenta con:
el alumno y el entorno global de formación.
• Mensajería individualizada para cada alumno.
El estudiante tendrá información actualizada sobre los • Vídeos de las clases y de casos prácticos.
conceptos que se estén estudiando en cada momento,
como enlaces a contenidos adicionales incluyendo • Tutorías online con el profesorado.
noticias, artículos, etc. • Documentación, noticas y contenidos.
Los alumnos deberán realizar y aprobar todas las • Foro de los módulos del máster.
prácticas de los distintos módulos, y realizar el trabajo • Comunicación con los profesores vía
fin de máster para poder aprobar el máster. mensajería.
• Chat entre alumnos.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

Máster Semipresencial

Duración Lugar Precio

1 Año / 520 horas Online con 5.650 €
presencialidad de 3
60 ECTS + 40 € de tasas de
semanas
secretaría
Inicio: febrero de 2025 Facultad de Estudios
Fin: febrero de 2026 Estadísticos Pregunta por nuestras becas,
facilidades de pago, prácticas en
Jueves y viernes: de 16:00 a 21:00 h Ciudad Universitaria Avenida empresas y bolsa de trabajo.
Sábados: de 09:00 a 14:00 h Puerta de Hierro, s/n, 28040
Madrid

Una vez finalizados y superados estos estudios,

la Universidad Complutense de Madrid emitirá
el título, conforme a las normas de admisión
y matriculación de los títulos de Formación
Permanente de la UCM

Metodología
Semipresencial
La formación se realizará de forma tutorizada por los profesores. Se utilizará una plataforma
de formación virtual para la comunicación entre los alumnos y profesores, creando una
comunidad virtual de trabajo. Los distintos profesores de cada módulo, guiarán a los alumnos
proponiendo actividades adicionales dependiendo del temario que se esté cubriendo
en cada momento. La modalidad semipresencial contempla la realización de 3 semanas
presenciales con master class impartidas por diferentes expertos para preparar los TFM y
hacer networking.

Características
plataforma On-line
La plataforma actuará como vía de comunicación entre La plataforma cuenta con:
el alumno y el entorno global de formación.
• Mensajería individualizada para cada alumno.
El estudiante tendrá información actualizada sobre los • Vídeos de las clases y de casos prácticos.
conceptos que se estén estudiando en cada momento,
como enlaces a contenidos adicionales incluyendo • Tutorías online con el profesorado.
noticias, artículos, etc. • Documentación, noticas y contenidos.
Los alumnos deberán realizar y aprobar todas las • Foro de los módulos del máster.
prácticas de los distintos módulos, y realizar el trabajo • Comunicación con los profesores vía
fin de máster para poder aprobar el máster. mensajería.
• Chat entre alumnos.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

Máster Online

Duración Lugar Precio

1 Año / 520 horas Plataforma Online 4.650€
60 ECTS + 40€ de tasas de
secretaría
Inicio: febrero de 2025
Fin: febrero de 2026 Pregunta por nuestras becas,
facilidades de pago, prácticas en
empresas y bolsa de trabajo.

Una vez finalizados y superados estos estudios,

la Universidad Complutense de Madrid emitirá
el título, conforme a las normas de admisión
y matriculación de los títulos de Formación
Permanente de la UCM

Metodología
100% Online
La formación se realizará de forma tutorizada por los profesores. Se utilizará una plataforma
de formación virtual para la comunicación entre los alumnos y profesores, creando una
comunidad virtual de trabajo. Los distintos profesores de cada módulo, guiarán a los alumnos
proponiendo actividades adicionales dependiendo del temario que se esté cubriendo en
cada momento.

Características
plataforma On-line
La plataforma actuará como vía de comunicación entre La plataforma cuenta con:
el alumno y el entorno global de formación.
• Mensajería individualizada para cada alumno.
El estudiante tendrá información actualizada sobre los • Vídeos de las clases y de casos prácticos.
conceptos que se estén estudiando en cada momento,
como enlaces a contenidos adicionales incluyendo • Tutorías online con el profesorado.
noticias, artículos, etc. • Documentación, noticas y contenidos.
Los alumnos deberán realizar y aprobar todas las • Foro de los módulos del máster.
prácticas de los distintos módulos, y realizar el trabajo • Comunicación con los profesores vía
fin de máster para poder aprobar el máster. mensajería.
• Chat entre alumnos.
 U N I V E R S I D A D
COMPLUTENSE ntic master
M A D R I D

Contacto
Teléfono de información

+34 687 30 04 04

Teléfono de admisiones

+34 667 89 05 83

Correo electrónico

info@[Link]

Sitio Web

[Link]

*La dirección del máster se reserva el derecho de modificar, suprimir y actualizar los profesores, la información y el programa del máster.
U N I V E R S I D A D
COMPLUTENSE
M A D R I D
ntic master