Máster universitario Online de Ciencia de Datos

Trabajo final de máster

Los estudios de máster concluyen con la elaboración de un trabajo final. En el máster universitario de Ciencia de Datos el trabajo final tiene 12 créditos ECTS.

El trabajo final del máster universitario de Ciencia de Datos consiste en la realización proyecto individual de síntesis de los conocimientos adquiridos en otras asignaturas del máster. Es una asignatura que el estudiante debe cursar para finalizar el programa y está orientada a la evaluación de las competencias asociadas al título. Por ello, para matricularse de esta asignatura es necesario haber superado un número determinado de créditos del programa.

En el máster universitario de Ciencia de Datos las propuestas de líneas de trabajo se agrupan en distintos ámbitos, relacionados con las temáticas o asignaturas cursadas durante el máster. El estudiante deberá elegir el ámbito de conocimiento en el que quiere hacer su trabajo final de máster. Para matricularse del trabajo final, previamente hay que haber hecho una solicitud, que debe ser aceptada por el equipo docente del programa. El tutor académico de la UOC ejerce un papel clave en la orientación, la información y la gestión del proceso de selección de los trabajos finales.

El trabajo final es un proyecto individual que se realiza con la tutorización y la guía del director del trabajo final, que brinda el acompañamiento necesario para que el estudiante lo pueda llevar a cabo con éxito. El director del trabajo final es el encargado de orientar al estudiante y efectuar el seguimiento del proyecto; asimismo, lo asesora en cada uno de los aspectos: conceptualización, fundamentación, metodología, redacción de los resultados y defensa.

El trabajo final concluye con una defensa, en la que el estudiante debe realizar una exposición de dicho trabajo. mediante una herramienta de presentación virtual, ante una comisión de evaluación formada por tres miembros, que lo evalúan.

La calificación del trabajo final consta de tres partes: (1) el seguimiento y la elaboración del trabajo, (2) la memoria, producto, proyecto o estudio final realizado y (3) la defensa del trabajo.

Para más información sobre la docencia y el proceso de solicitud, debe consultarse el plan docente en la Secretaría del Campus una vez se ha requerido el acceso al programa.

+ Consulta más detalles sobre los trabajos finales

Recursos de aprendizaje

Recursos comunes para el aprendizaje

El estudiante cuenta a lo largo del programa con:

-Un laboratorio virtual de tecnologías y herramientas de ciencia de datos, que da servicios de soporte en el uso de las herramientas. El programa cuenta con acuerdos con los principales fabricantes de software de business intelligence, con empresas de infraestructura virtualizada y con un laboratorio de herramientas de software de código abierto.

-Un laboratorio virtual de lenguajes de programación, que proporciona soporte al estudiante durante todo el programa en los temas relacionados con la programación, especialmente en el lenguaje R.

Además, durante el desarrollo del máster, los estudiantes tienen acceso a software y a recursos seleccionados por el profesorado de cada materia: una selección de software libre y de licencias del software propietario más utilizado actualmente en el mercado, y otros recursos, ya sean elaborados por la UOC expresamente para este máster o recursos externos de reconocida calidad y rigor académico.

Tenemos acuerdos de colaboración estables con los programas académicos de QlikView y Tableau. Además, la UOC ha tenido tradicionalmente un compromiso con el software de código abierto, especialmente en el ámbito del análisis de datos. Nuestras herramientas de referencia en análisis estadístico, minería de datos (data mining) y aprendizaje automático (machine learning) son R y Python, lenguajes estándares de facto en el mercado industrial y la investigación. Disponemos de manuales, tutoriales y de una página web de recursos sobre ambos lenguajes.

Por otro lado, nuestras herramientas de referencia en la explotación y análisis de datos masivos son Apache Hadoop y Apache Spark. Para el aprendizaje de bases de datos NoSQL utilizamos herramientas como MongoDB, Riak o Neo4j. En el caso de bases de datos analíticos, utilizamos Microsoft o Pentaho para el almacén de datos y Oracle o PostgreSQL como bases de datos.

Cabe tener en cuenta que estamos evaluando continuamente otras herramientas y acuerdos con varios fabricantes, de modo que esta lista se puede modificar en función de las tendencias del ámbito y las necesidades docentes del programa.

Dependiendo de las exigencias de rendimiento del software, algunas aplicaciones se pueden descargar en el ordenador del estudiante o bien se puede acceder, desde el aula, a máquinas virtuales de Amazon y Azure.

Es recomendable disponer de un ordenador portátil o PC de sobremesa con un sistema operativo de 64 bits, 8 GB de RAM y 25 GB de disco como mínimo, en el que se pueda instalar software sin restricciones. Actualmente, los ordenadores Mac con chips M1 o M2 pueden dar problemas para realizar algunas de las actividades previstas en el plan docente de diversas asignaturas, así que se recomienda disponer de un ordenador alternativo.

https://www.youtube.com/watch?v=4A8a1cwAw6o

Evaluación de estudios previos

La Evaluación de Estudios Previos (EEP) es el trámite que deben solicitar el estudiantado que quiera convalidar los estudios que hayan cursado en esta universidad o en cualquier otra.

La EEP no es un trámite obligatorio. Para la solicitud de EEP sólo se considera válido el último expediente adaptado.

El resultado de la evaluación de estudios previos tiene validez siempre que se tenga expediente abierto en la UOC. En el caso de los estudiantes de nueva incorporación, tendrá validez si se matriculan el semestre inmediatamente posterior a la demanda del trámite. En caso contrario, la EEP caducará y se deberá realizar el trámite de nuevo.

La evaluación de estudios previos, la realiza una comisión presidida por el vicerrector de Profesorado y Ordenación Académica e integrada por los directores de los programas de la UOC. Actúa de secretario el responsable del trámite de la Secretaría. Las funciones de esta comisión son la evaluación y la propuesta de convalidaciones, adaptaciones y reconocimiento de créditos de libre elección.

Resultados de aprendizaje

Conocimientos o contenidos (Knowledge) 

Al finalizar el máster universitario, el/la estudiante será capaz de:

1. Comprender el proceso general o global de un proyecto de ciencia o análisis de datos, incluyendo la identificación de fuentes de datos, la captura y almacenamiento de datos, el procesamiento y análisis de los mismos y, finalmente, la presentación de los resultados.

2. Identificar los puntos críticos en un proyecto de ciencia o análisis de datos, así como las principales debilidades que puedan dificultar la finalización exitosa del proyecto.

3. Identificar las fuentes de datos relevantes para un determinado proyecto, haciendo énfasis en la tipología y formato de los datos.

4. Comprender los mecanismos de extracción y transformación de datos, ya sea a partir de una única fuente de datos o haciendo uso de múltiples de fuentes de datos.

5. Identificar el sistema de almacenamiento de datos más adecuado para un determinado proyecto o tipo de información.

6. Conocer y aplicar técnicas de análisis estadístico y descriptivo para obtener información relevante a partir de los datos empleados en un proyecto de ciencia de datos.

7. Comprender el amplio abanico de técnicas, métodos y herramientas disponibles para realizar el análisis de datos a partir de un conjunto de preguntas de negocio o de investigación.

8. Conocer las diferentes técnicas y modelos para la visualización de datos que permitan transmitir, de forma adecuada al público, la información o resultados de un proyecto de ciencia de datos.

    

Habilidades o destrezas (Skills)

Al finalizar el máster universitario, el/la estudiante será capaz de:

1. Conceptualizar y diseñar un flujo de trabajo que permita resolver problemas específicos en el entorno de un proyecto de ciencia de datos.

2. Integrar y gestionar bases de datos y sistemas de almacenamiento de datos de acuerdo con criterios éticos, técnicos y funcionales.

3. Analizar, conceptualizar, diseñar y desarrollar aplicaciones basadas en inteligencia artificial para la resolución de problemas específicos en el contexto de un proyecto de ciencia de datos.

4. Conocer las distintas técnicas, métodos, modelos y algoritmos dentro de la inteligencia artificial que permiten la resolución de diferentes tareas, considerando sus principales puntos fuertes y sus debilidades o problemas más relevantes.

5. Utilizar de forma avanzada los lenguajes de programación, las herramientas de desarrollo y las tecnologías disponibles para el análisis, el diseño y la implementación de aplicaciones basadas en inteligencia artificial.

6. Saber crear gráficos y visualizaciones adecuados para mostrar la información y los resultados de un proyecto de ciencia de datos. 

7. Producir y comprender textos escritos y presentaciones orales en un contexto académico, científico y profesional, demostrando habilidades comunicativas en el ámbito técnico de la ciencia de datos.

8. Analizar y sintetizar información para evaluar soluciones tecnológicas y elaborar propuestas de proyectos de ciencia de datos, teniendo en cuenta los recursos, las alternativas disponibles y las condiciones de mercado.

9. Trabajar en equipo en un entorno virtual para la realización de aplicaciones basadas en inteligencia artificial en el contexto de un proyecto de ciencia de datos.

Competencias (Competences) 

Al finalizar el máster universitario, el/la estudiante será capaz de:

1. Actuar de manera honesta, ética, sostenible, socialmente responsable y respetuosa con los derechos humanos y la diversidad, tanto en la práctica académica como en la profesional, y diseñar soluciones para la mejora de estas prácticas.

2. Desarrollar el pensamiento crítico y autocrítico en el análisis, la conceptualización y el diseño de proyectos de ciencia de datos.

3. Diseñar, desarrollar y gestionar proyectos de ciencia de datos, adaptándose a la evolución de las tecnologías, los lenguajes de programación y las necesidades de empresas, instituciones y, en general, de la sociedad.

4. Desarrollar y aplicar iniciativa y espíritu emprendedor.

5. Realizar, presentar y defender proyectos profesionales en el ámbito de la ciencia de datos, adecuándose al público al que se dirige la presentación.

6. Evaluar de forma crítica, justificada y objetiva el resultado de un proyecto de ciencia de datos.

Criterios de admisión

Será posible la admisión de estudiantes procedentes de titulaciones de ámbitos distintos a los detallados en el apartado Perfil de ingreso recomendado, siempre y cuando dispongan de todos los conocimientos previos que se detallan  a continuación.

• Conocimientos básicos de matemáticas, con una dedicación mínima de 150 horas o equivalente. En concreto, se exige:

  • Fundamentos básicos de probabilidad y estadística

  • Fundamentos básicos de álgebra lineal

• Conocimientos a nivel intermedio de programación, con una dedicación mínima de 300 horas o equivalente. En concreto, se exige:

  • Fundamentos de programación (variables, funciones, etc.)

  • Programación estructurada

  • Fundamentos de programación orientada a objetos

  • Tipos abstractos de datos

• Conocimientos básicos de bases de datos relacionales, con una dedicación mínima de 150 horas o equivalente. En concreto, se exige:

  • Fundamentos de diseño de bases de datos relacionales

  • Modelo Entidad-Relación

  • Uso de lenguaje SQL

• Conocimientos introductorios a la arquitectura de redes y computadores, con una dedicación mínima de 150 horas o equivalente. En concreto, se exige:

  • Fundamentos de estructura de computadores (CPU, memoria, etc.)

  • Fundamentos de sistemas operativos (acceso a ficheros, procesos, etc.)

  • Fundamentos de redes de comunicaciones (redes IP, protocolos de Internet, etc.)

  • Uso del sistema operativo Linux a nivel usuario

Dichos conocimientos serán evaluados por la Comisión de Admisión del máster. Para ello se tendrán en cuenta certificados o títulos de asignaturas o cursos expedidos por una universidad, ya sean oficiales o propios. El estudiante deberá aportar la documentación que justifique las horas o créditos impartidos, así como el detalle del plan de estudios. 

En caso de no disponer de conocimientos previos para poder acceder al máster, se podrán adquirir a través del Curso preparatorio de acceso al máster universitario de ciencia de datos:

• Álgebra lineal (6 créditos) 

• Probabilidad y estadística (6 créditos) 

• Fundamentos de programación (6 créditos)

• Programación para la ciencia de datos (6 créditos)

• Bases de datos para data warehousing (6 créditos) 

• Fundamentos de redes y arquitecturas (6 créditos)

Para poder acceder a este curso es necesario solicitar acceso al máster para que el/la tutor/a pueda orientar y facilitar la matrícula. 

Este curso dispone de 6 asignaturas donde el alumno puede matricular aquellas asignaturas que necesite para conseguir los conocimientos necesarios que permitan acceder al máster. Tiene la ventaja de ofrecer ​​un precio mucho más asequible que cursar estas asignaturas como libres.

También se pueden cursar asignaturas afines en cualquier otra universidad, siempre que se respete el temario y el creditaje.

Una vez superadas estas asignaturas previas, el estudiantado podrá volver a solicitar el acceso y la admisión al máster.