BIG DATA Y DATA SCIENCE APLICADOS A LA ECONOMÍA, ADMINISTRACIÓN Y

DIRECCIÓN DE EMPRESAS

Diploma de experto, Diploma de especialización y Máster en

El Curso modular, en cualquiera de sus modalidades, se impartirá con la metodología de edu-cación semipresencial, combinando la plataforma educativa de la UNED con grabaciones en directo y en repositorio.

BIG DATA

Map Reduce

Hadoop Sparklyr

H2O

DATA SCIENCE

Visualization

Real-WorldAplications

StatisticalModeling

DataResearch

ECONOMÍA

METODOLOGÍA

PRESENTACIÓN

La información es la base de la sociedad actual. Los datos y el tratamiento de los mismos se han convertido en un aspecto crítico en todos los ámbitos del conocimiento. Estos datos se presen-tan cada vez más en grandes volúmenes que requieren de metodologías específicas para poder obtener el valor que aportan.

El Curso pretende mostrar la realidad que imponen las nuevas tecnologías en todos los sectores económicos y dar respuestas a su transformación digital. Partiendo de la contextualización de lo que significa “Big Data” se estudiarán los novedosos planteamientos, métodos y herramientas estadísticas de análisis englobados en el Data Science, y su aplicación en diferentes campos de las ciencias económicas y de la administración y dirección de empresas, atendiendo igualmente a las consideraciones legales y de seguridad en el uso y gestión de los datos.

ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS

• •

◀

◀

◀

◀

El curso de formación se estructura de manera modular obteniendo, en función de los créditos cursados por los estudiantes, el “Diploma de Experto”, el “Diploma de Especialización” y, final-mente, el “Master”.De tal forma, a medida que el estudiante se matricule y supere los módulos (todos los módulos tienen una carga lectiva de 5 créditos ECTS) irá obteniendo las diferentes titulaciones.

Los estudiantes irán adquiriendo los créditos a medida que superen los diferentes módulos de los que se hayan matriculado. Salvo en el caso del Diploma de Experto, la elección del estu-diante le permitirá ajustar los contenidos del Diploma de Especialización o del Master a sus preferencias o intereses.

15 créditos ECTSDuración del 1 de enero al 31 de marzo de 2018Coste (con materiales incluidos): 915 €

30 créditos ECTSDuración del 1 de enero al 30 de junio de 2018Coste (con materiales incluidos): 1.830 €

60 créditos ECTSDuración del 1 de enero al 31 de diciembre de 2018Coste (con materiales incluidos): 3.660 €

•••

•••

•••

❶ DIPLOMA DE EXPERTO:

❷ DIPLOMA DE ESPECIALIZACIÓN:

❸ MÁSTER:

15 CRÉDITOS 30 CRÉDITOS 60 CRÉDITOS

DIPLOMA DE EXPERTO DIPLOMA DE ESPECIALIZACIÓN MÁSTER

ESTRUCTURA MODULAR Y DURACIÓN

MÓDULO1:DATASCIENCEYBIGDATA.LANUEVAREALIDAD

◀◀

Se establecen unos módulos de carácter obligatorio y otros que voluntariamente pueden elegir los estudiantes dándoles la posibilidad de confeccionar el Máster o el Diploma de Especializa-ción de manera propia. De tal forma que los módulos del 1 al 3 son obligatorios para obtener el Diploma de Experto y, por lo tanto, para mayores acreditaciones. Del mismo modo, los módu-los 4 y 5 deben ser cursados necesariamente en el Diploma de Especialización y para el Máster.

El contenido de cada uno de los módulos es el siguiente:

MÓDULO 1

MÓDULO 2

MÓDULO 4

MÓDULO 5

MÓDULO 3

MÓDULO 11

TRABAJO FINAL DE MÁSTER

1 ENE. 1 ABR. 1 JUL. 1 OCT. 31 DIC.

DIPLOMA DE EXPERTO DIPLOMA DE ESPECIALIZACIÓN MÁSTER

CONTENIDO

❶- Introducción

❷ - Contextualización del Tema. Conceptos Claves

❸ - La Minería de Datos o Data Mining

3.1. Modelo SEMMA

3.2. Principales métodos y algoritmos de la minería de datos

MÓDULO1:DATASCIENCEYBIGDATA.LANUEVAREALIDAD •

MÓDULO 10

MÓDULO 9

MÓDULO 8

MÓDULO 14

MÓDULO 13

MÓDULO 12

MÓDULO 6

MÓDULO 7

◀◀

◀

❶- Gestión Big Data 1.1. Bases de Datos Operacionales 1.2. Fundamentos de MapReduce 1.3. Explorando el mundo de Hadoop 1.4. El fundamento de Hadoop y su ecosistema❷- Analítica y Big Data 2.1. Definiendo la analítica Big Data 2.2. Analítica de texto y Big Data 2.3. Aproximaciones para el análisis bajo Big Data❸- Implementaciones Big Data 3.1. Integrando fuentes de datos 3.2. Gestionando fuentes de datos en tiempo-real y gestión de eventos complejos 3.3. Big Data operacional 3.4. Aplicando Big Data en una organización 3.5. Seguridad y gobierno de entornos Big Data❹ - Soluciones R y Big Data 4.1. Paquetes avanzados de R 4.2. Solución H2O 4.3. El paquete “sparklyr”

❶- Modelo Lineal General 1.1. Modelo de Regresión Lineal 1.2. Extensiones al modelo de Regresión Lineal 1.3. Modelos con variables cualitativas: ANOVA y ANCOVA

❹- Big Data 4.1. Desafíos 4.2. Principales herramientas 4.3. Aplicaciones❺- Programas de Software más Utilizados 5.1. Introducción al lenguaje de programación R 5.2. El programa WEKA 5.3. Introducción al lenguaje de programación Python 5.4. El programa IBM SPSS Statistics; conexión con R y Python 5.5. Otro software: SQL, Scala, Julia 5.6. Ejemplos y casos prácticos

MÓDULO3:ANÁLISISDEDATOSMULTIVARIANTESI

MÓDULO2: HERRAMIENTASBIGDATA MÓDULO4:ANÁLISISDEDATOSMULTIVARIANTESII

MÓDULO5: MINERÍADEDATOSI

•

•

❶- Reducción de Dimensiones 1.1. Análisis Factorial y Componentes Principales 1.2. Análisis de Correspondencias❷- Escalamiento Multidimensional 2.1. Modelo general 2.2. Otros modelos: desdoblado, de diferencias individuales, con replicación, desplegado❸- Agrupamiento de la Información 3.1. Análisis Discriminante 3.2. Análisis Clúster❹ - Análisis de Correlación Canónica❺- Casos Prácticos

❷- Modelo Lineal Generalizado 2.1. Modelo de Regresión Logística 2.2. Modelos Logit y Probit 2.3. Modelo Tobit❸- Otros modelos de regresión 3.1. Estimación Curvilínea 3.2. Regresión Ridge 3.3. Regresión Robusta 3.4. Regresión Bayesiana 3.5. Regresión no Paramétrica❹- Casos Prácticos

MÓDULO4:ANÁLISISDEDATOSMULTIVARIANTESII

MÓDULO5: MINERÍADEDATOSI

❶ - Introducción a la Minería de Datos❷- Evaluación de Modelos 2.1. Muestras de entrenamiento, validación y test. Validación cruzada 2.2. Métodos basados en métricas 2.3. Métodos basados en curvas ROC 2.4. Métodos que incorporan una matriz de costes❸- Árboles de Decisión y Clasificación y Sistemas de Reglas 3.1. Árbol CHAID (CHi-square Automatic Interaction Detection) y CHAID exahustivo 3.2. Árbol CRT (Classification and Regression Trees) 3.3. Árbol QUEST (Quick, Unbiased, Efficient Statistical Tree)

•

•

❶- Introducción❷- Métodos de Suavizado ❸- Descomposición Temporal ❹- Métodos de Predicción 4.1. Métodos Paramétricos: modelos ARIMA 4.2. Métodos no Paramétricos: Splines, aproximación por series de Fourier, función núcleo…❺- Clasificación y Ordenación 5.1. Clúster jerárquico 5.2. Otros algoritmos❻- Casos Prácticos

❶ - Introducción a los Métodos Bayesianos❷ - Teorema de Bayes e Hipótesis MAP❸- Clasificador Naïve Bayes❹ - Redes Bayesianas❺ - Algoritmos Evolutivos❻ - Lógica Difusa❼ - Métodos de Gradient Boosting❽- Deep Learning❾ - Casos Prácticos

MÓDULO6: ANÁLISISDESERIESTEMPORALES

MÓDULO7: MINERÍADEDATOSII

MÓDULO8: TEXTMININGYWEBMINING

•

•

3.4. Árbol C5.0 3.5. Random Forest 3.6. Otros algoritmos de clasificación❹- Reglas de Asociación❺- Redes Neuronales Artificiales 5.1. Perceptrón multicapa 5.2. Función de base radial 5.3. Otras arquitecturas de redes neuronales❻- Máquinas de Vectores Soporte❼ - Métodos Basados en Vecindad. K Vecinos❽- Combinación de Modelos. Métodos de Ensemble. Multiclasificadores❾- Casos Prácticos

MÓDULO9:LATRANSFORMACIÓNDIGITALENELSECTORFINANCIERO

❶- Definición de Conceptos: Text Mining y Web Mining 1.1. Representación automática de documentos 1.2. Recuperación de información 1.3. Clasificación/Clustering de documentos 1.4. Web Content, Structure y Usage Mining❷ - Antecedentes y Estado de la Cuestión 2.1. Modelo de espacio vectorial y funciones de pesado (Term Weighting Functions) 2.2. Funciones de ranking

MÓDULO8: TEXTMININGYWEBMINING •

MÓDULO9:LATRANSFORMACIÓNDIGITALENELSECTORFINANCIERO

2.3. Representaciones distribuidas (Word Embeddings)❸ - Análisis Lingüístico 3.1. Eliminanción de stop-words y stemming 3.2. Etiquetado gramatical (Part-Of-Speech Tagging) 3.3. Análisis sintáctico superficial (Shallow parsing)❹- Análisis de Sentimientos 4.1. Enfoques basados en lexicones 4.2. Enfoques basados en Aprendizaje Automático❺- Ejemplos con R, WEKA y uso de librerías de procesamiento lingüístico en Java, Python, etc.

❶- Las Nuevas Tecnologías Aplicadas al Sector Financiero 1.1. Big Data como paradigma de los datos en la banca y el sector financiero: Empresas data-driven 1.2. Cloud Computing 1.3. Ominicanalidad 1.4. Medios de pago 1.5. Nuevos modelos de negocio digitales en el sector bancario❷- La Banca Digital 2.1. Fundamentos de la banca digital 2.2. Creación de una cultura digital 2.3. Retos de la banca digital ❸- Impacto de las Fintech en el Sector Financiero 3.1. Innovación y transformación de la cultura empresarial en el mundo digital 3.2. Ecosistema Fintech. Actores e implicaciones para el sector financiero

•

❶- Relevancia de los Datos en el Fundamento Técnico-Actuarial❷- Tendencias Data-Centric Disruptivas para la Industria Aseguradora 2.1. Internet of Things (IoT) 2.2. Cognitive Computing / Artificial Intelligence (AI)❸- Casos Actuales de Aplicación de Big Data / Analítica Avanzada en Aseguradoras: 3.1. Valor de cliente e inteligencia comercial 3.2. Detección de fraude 3.3. Pago por uso❹- Cognitive Underwriting❺- Data-Driven Insurtechs y Nuevos Modelos de Negocio

❶- Introducción❷- Las Limitaciones de la Medición del Comportamiento Turístico❸- Big Data: Retos y Oportunidades para el Turismo 3.1. Barreras culturales y organizativas 3.2. Un modelo de medición del comportamiento turístico 3.3. Las Apps orientadas al turismo❹ - Los Dispositivos Móviles y los Pagos Electrónicos❺- De la Smart City al Destino Turístico Inteligente❻ - Proyecto BBVA Bancomer sobre Turismo

MÓDULO10: BIGDATAENELSECTORDESEGUROS

MÓDULO11: TURISMOYSMARTCITIES •

•

3.3. Las startups fintech 3.4. Casos de éxito y fracaso❹- Crowdfunding y Crowdlending 4.1. La financiación en la empresa. Oportunidades en la economía colaborativa 4.2. Crowdfunding 4.3. Equity Crowdfunding 4.4. Crowdlending 4.5. Aspectos regulatorios 4.6. Caso práctico❺- Aplicaciones de Big Data y Data Science en Servicios Financieros 5.1. Credit Scoring 5.2. Detección del fraude 5.3. Experiencia del cliente

MÓDULO12:LAREVOLUCIÓNDELBIGDATAENELTRANSPORTE

MÓDULO13:PUBLICIDADDIGITALAPLICADAALOSNEGOCIOS

❸- Modelos Predictivos de Planificación del Transporte 3.1. Modelos de transporte 3.2. Modelos LUTI 3.3. Aportaciones de los sistemas de información geográfica❹- El Impacto del Big Data en la Movilidad Urbana e Interurbana 4.1. Nuevos modelos de negocio 4.2. Cambios en el comportamiento de los ciudadanos 4.3. Hacia una mejor planificación de lo público❺- Oportunidades para el Sector Logístico 5.1. Detección de fraude 5.2. Cooperación para la intermodalidad del transporte de mercancías

❶ - La Comunicación Digital 1.1. Internet y la empresa 1.2. La Web del usuario como fuente de datos en Marketing 1.3. Diferenciación y posicionamiento en la Web 1.4. Casos prácticos❷ - Marketing Directo 2.1. Introducción 2.2. Nuevas herramientas 2.3. Marketing de relaciones 2.4. Casos prácticos❸- Marketing y las Nuevas Tecnologías 3.1. Marketing móvil 3.2. Marketing integrado

•

1.3. Impactos del transporte en la sociedad y el medio ambiente 1.4. Los grandes retos del transporte❷- La Revolución de los Datos: Impacto en el Sistema de Transporte 2.1. Los medios tradicionales de obtención de datos de movilidad: encuestas y estadísticas 2.2. Las nuevas fuentes de datos 2.3. Retos y oportunidades de las nuevas fuentes de datos

❶ - La Importancia del Transporte en Nuestra Sociedad 1.1. Transporte y desarrollo: el concepto de accesibilidad 1.2. El papel del transporte en la distribución espacial de actividades

MÓDULO12:LAREVOLUCIÓNDELBIGDATAENELTRANSPORTE •

D. Ángel Sánchez AristiDirector de Estrategia de FIFED, ex-Director de Mercados Globales para USA y América del Sur del grupo BBVA.

D. Antonio Bermejo Arguña

Jefe del Servicio de Datos Estadísticos. Ayuntamiento de Madrid.

D. Carlos Ortega Hernández

Consultor Independiente de Deep Learning, R y Big Data.

❹- Aplicaciones del Big Data en la Estadística Oficial 4.1. Introducción: De la estadística 1.0 a la estadística 4.0 4.2. Big Data y su aportación a la estadística oficial mediante el estudio de la huella digital de la actividad humana 4.3. El Big Data en el contexto del sistema estadístico internacional 4.4. El Big Data en el contexto del sistema estadístico nacional 4.5. Big Data y estadística oficial: Retos que plantea 4.6. Algunos ejemplos de uso

Los estudiantes del Máster, una vez alcanzados 50 créditos, deberán realizar con carácter obligatorio el Trabajo Fin de Máster (con una carga lectiva de 10 ECTS).

•

•

•

•

El claustro de profesores se compone de profesionales y docentes expertos en las diferentes materias, referencias en muchos casos en sus diferentes sectores.

CLAUSTRO DE PROFESORES ◀◀

MÓDULO14:LEGISLACIÓNSOBREBIGDATAYAPLICACIONESENELSECTORPÚBLICO

❶- Estado Actual de la Legislación❷- Normativa en Proyecto❸- Implicaciones del Big Data Respecto a la Protección y Seguridad de los Datos

•

3.3. Experiencia de usuario 3.4. Casos prácticos❹- Plan de Marketing 4.1. Planificación estratégica de marketing 4.2. Caso práctico

TRABAJOFINDEMÁSTER:

Dr. Francisco Javier Parra Rodríguez

Director del ICANE. Profesor de la Facultad de Economía de Cantabria.

Dra. Henar Salas Olmedo

Investigadora en Geografía Humana. Universidad Complutense de Madrid.

D. Joaquín Pérez Catalán

Inspector de Datos. Área Internacional. Agencia Española de Protección de Datos.

D. Juan Carlos Rodríguez Rojo

Investigador. Socio Director de Qíndice.

D. Juan José García Muñoz

Consultor Informático independiente.

D. Manuel Martí Antonio

Consultor Estadístico Independiente.

Dña. Mª Rosario Heras Carrasco

Subdirección General de Inspección de Datos en la Agencia Española de Protección de Datos.

Dr. Mauricio Beltrán Pascual

Técnico Superior de Estadística. Junta de Castilla y León.

D. Pablo Manuel Mateos Gascueña

Subinspector de Datos. Área Internacional. Agencia Española de Protección de Datos.

D. Rafael Arguedas Sanz

IBM Insurance Partner Spain

Dra. Ainhoa Rodríguez Oromendia

Profesora de Marketing. Contratada Doctora.

Dña. Claudia Sevilla Sevilla

Profesora de Marketing. Asociada.

Dra. Isabel Escobedo López

Profesora de Teoría Económica. Titular.

D. José Manuel González Fidalgo

Profesor de Economía Financiera. Asociado.

Dr. Julio González Arias

Profesor de Economía Financiera. Contratado Doctor.

CLAUSTRO DE PROFESORES

MÓDULO14:LEGISLACIÓNSOBREBIGDATAYAPLICACIONESENELSECTORPÚBLICO

•

•

•

•

•

•

•

•

•

•

•

•

•

•

•

•

•

•

•

•

•

•

•

•

INFORMACIÓN Y MATRICULACIÓN

Dr. Juan Antonio Vicente Vírseda

Profesor de Estadística. Contratado Doctor.

Dra. Lorena López Morán

Profesora de Estadística. Titular.

Dra. María Dolores Reina Paz

Profesora de Marketing. Contratada Doctora.

Dra. Pilar Gutiérrez López

Profesora de Estadística. Titular.

Dra. Raquel Arguedas Sanz

Profesora de Economía Financiera. Titular.

Dr. Rodrigo Martín García

Profesor de Economía Financiera. Contratado Doctor.

Dr. Víctor Fresno Fernández

Profesor de Informática. Contratado Doctor.

Dra. Virginia Bejarano Vázquez

Profesora de Contabilidad. Colaboradora.

jglez@cee.uned.es

http://formacionpermanente.uned.es/tp_actividad/idactividad/10167

◀◀

De manera excepcional, aquellos estudiantesque habiéndose matriculado en el Curso deExpertooCursodeEspecializaciónyquisieranampliar lamatrícula para obtener unmayordiploma,podránhacerloentreel1yel31demarzo. Para más información, puede plantearsusdudasenladirección:

El periodo dematriculación será del día 7 deseptiembreal1dediciembrede2017atravésdelawebdelaUNED,dondetambiénpodráobtenermayorinformación.