Máster en Big Data Science

Título propio de la Universidad de Valladolid
(8ª edición en el curso 24/25)
Más información: Dr. Javier Manuel Aguiar Pérez, javier.aguiar@uva.es

Presentación

Logo basado en imagen obtenida en flickr (autor de imagen base: luckey_sun), y modificadaLa cantidad de datos que se está generando a nivel mundial está creciendo exponencialmente. Esto supone una oportunidad para traducir esos datos en información útil y extraer un enorme valor añadido en ámbitos muy diversos. La gran cantidad de aplicaciones del análisis de datos y del Big Data hace que se traduzca en una demanda creciente de profesionales en estas áreas, pero en estos momentos no hay suficientes titulados para ocupar las vacantes ofertadas, de modo que formarse en esta disciplina proporciona una excelente oportunidad de cara a incorporarse o adquirir un mejor puesto en el mercado laboral.

El Máster en Big Data Science de la Universidad de Valladolid (UVa) se plantea como un Título Propio de esta universidad, de carácter presencial, que tiene como objetivo complementar los conocimientos de egresados en estudios de diversas ramas, proporcionándoles una formación básica en el área de análisis de datos y su procesamiento masivo, de modo que les permita abordar con éxito proyectos de ese ámbito, fundamentalmente en áreas relacionadas con las TIC.

Si bien el máster es presencial, el máster está perfectamente preparado para impartirse de forma telemática como plan de contingencia.

El máster tiene una duración de un curso académico a tiempo completo (60 ECTS) y se estructura en dos materias: Habilidades fundamentales en ciencia de datos y Big Data (45 ECTS, 7 asignaturas), y Prácticas en empresa y Proyecto Fin de Máster (15 ECTS, 2 asignaturas).

Si buscas un máster presencial, con prácticas en empresa (en general, remuneradas), y tienes o estás a punto de conseguir un título de grado, entonces el Máster en Big Data Science, que aquí presentamos, es tu mejor opción para complementar tu formación introduciéndote en el área de análisis de datos y su procesamiento masivo.

El Máster en Big Data Science está organizado y se imparte en la E.T.S.I. de Telecomunicación de la Universidad de Valladolid, y cuenta con la colaboración de:

    

Empresas colaboradoras del Máster en Big Data Science

Diversas empresas colaboran con el Máster en Big Data Science impartiendo docencia en una de las asignaturas "Fundamentos y Aplicaciones de Ciencia de Datos y Big Data" y/u ofertando prácticas remuneradas (en varios casos en exclusiva) para los alumnos de este máster.


 




Es importante aclarar que realizar prácticas en una empresa colaboradora del máster no está garantizado al 100%, pues las empresas realizaran sus propios procesos de selección sobre los alumnos del máster. Ahora bien, en el caso de que un alumno no fuera seleccionado por ninguna empresa, o simplemente porque así lo prefiriera el propio alumno, podrá realizar las prácticas en empresa en el seno de un grupo de investigación de la UVa (siendo estas prácticas sin remunerar).

Plan de estudios

Para el curso 24/25 (octava edición del Máster), la planificación tentativa es la siguiente:
- Comienzo de estudios: octubre de 2024.
- Fin de los estudios: septiembre de 2025.
- Horario
: Desde octubre a mediados de mayo se impartirán entre 12 y 14 horas presenciales a la semana, ubicadas de lunes a jueves de 18:00 a 21:30 (excepcionalmente podría celebrarse alguna sesión los viernes
impartida principalmente por las empresas colaboradoras)

La siguiente figura muestra un esquema de la planificación del máster. Las asignaturas se han estructurado de modo que se impartan únicamente tres asignaturas en paralelo, y optimizando su ubicación en el calendario con el fin de armonizar las dependencias entre asignaturas y distribuir la carga de trabajo.


El máster se estructura en dos materias: Habilidades fundamentales en ciencia de datos y Big Data (45 ECTS), y Prácticas en empresa y Proyecto Fin de Máster (15 ECTS).
  1. Habilidades fundamentales en ciencia de datos y Big Data (45 ECTS): La primera de las materias se desarrolla desde octubre hasta abril. Consta de 7 asignaturas y tiene como objetivo que los alumnos adquieran los conceptos fundamentales asociados a la ciencia de datos y Big Data, destrezas en el manejo de diversas herramientas, y habilidades básicas para desarrollar con éxito proyectos de ciencia de datos y de procesado masivo de datos. Esta materia se caracteriza por el uso de clases magistrales participativas, conferencias impartidas por empresas del sector, la realización de prácticas en laboratorio, así como el estudio de casos y el desarrollo de pequeños proyectos, combinando tanto trabajo individual como grupal dentro y fuera del aula. La presencialidad de esta materia es del 30%, por lo que el trabajo autónomo de los alumnos tiene una gran importancia.
  2. Prácticas en empresa y Proyecto Fin de Máster (15 ECTS): La segunda de las materias busca la aplicación concreta de lo aprendido en el bloque anterior y la integración de esos conocimientos en uno o dos casos prácticos, para lo cual incluye prácticas en una de las empresas colaboradoras del Máster o en grupos de investigación de la UVa, y la realización de un Proyecto Fin de Máster con la posibilidad de que esté asociado a esas prácticas en empresa. Esta materia supone una excelente oportunidad para los alumnos, por permitirles adquirir experiencia en el mundo de la empresa en la temática del Máster y afianzar y ampliar conocimientos. La fecha límite para finalizar esta materia y los estudios es septiembre de 2025, aunque no es necesario esperar hasta entonces y las prácticas y el proyecto fin de máster pueden completarse en una fecha anterior.
Puedes encontrar más información sobre las asignaturas del Máster casi al final de esta página web.

Acceso al Máster e Importe de Matrícula

Acceso al máster

  1. Para acceder al Máster en Big Data Science es necesario estar en posesión de un título universitario oficial español u otro expedido por una institución de educación superior perteneciente a otro Estado integrante del espacio Europeo de Educación Superior que faculte en el mismo para el acceso a enseñanzas de máster oficial. Ahora bien, en el punto 3 se describe una excepción a esta condición.
  2. El acceso se permite a los egresados de cualquier rama, si bien los solicitantes deberán acreditar tener conocimientos previos de matemáticas (álgebra y cálculo a nivel de primer curso de un grado en ciencias/ingeniería) y de tecnologías de la información y comunicaciones.
  3. Podrán ser admitidos y matricularse los alumnos que en el momento de realizar la matrícula en el estudio propio, dentro del plazo señalado, tengan pendiente la defensa del Trabajo Fin de Grado (TFG) en alguna universidad española. La obtención del título propio estará condicionada a la obtención previa del título universitario oficial de grado. Los alumnos que se matriculen en estas condiciones deberán adjuntar un documento en el que se den por informados de que no obtendrán el título propio ni los certificados académicos correspondientes hasta que no hayan aprobado el TFG y obtenido el título universitario oficial de grado; asimismo constará su renuncia expresa a reclamar el importe de los precios públicos de la matrícula abonados. Además deberán adjuntar certificado académico de los estudios realizados y justificante de la matrícula del TFG en los estudios universitarios oficiales de grado en alguna universidad española.
  4. También podrán acceder los titulados conforme a sistemas educativos ajenos al Espacio Europeo de Educación Superior sin necesidad de la homologación de sus títulos, previa comprobación por la Universidad de que aquellos acreditan un nivel de formación equivalente a los correspondientes títulos universitarios oficiales españoles y que facultan en el país expedidor del título para el acceso a enseñanzas de posgrado. El acceso por esta vía no implicará, en ningún caso, la homologación del título previo de que esté en posesión el interesado, ni su reconocimiento a otros efectos que el de cursar dichas enseñanzas propias.

 

Criterios de admisión

El Máster oferta 20 plazas. La Comisión Académica del Máster será la que resuelva las solicitudes de admisión al mismo. Dicha comisión llevará a cabo la selección de los solicitantes admitidos empleando criterios basados en:
  • - Adecuación de la formación previa de los alumnos.
  • - Expediente académico.
  • - Experiencia profesional de los solicitantes.
  • - CV de los solicitantes.
  • - Carta de motivación.
  • - Cartas de recomendación y/o entrevistas personales.
  • - Disponibilidad de los solicitantes de medios informáticos suficientes (propios o accesibles) para poder realizar el trabajo individual no presencial requerido por el título.

Importe de matrícula

Importe de la matrícula completa: 3400,20 €  (56,67 € por crédito ECTS)

Calendario de trámites


Fase de Preinscripción

- Preinscripción e información adicional:

Contactar con el coordinador del Máster:
Dr. Javier Manuel Aguiar Pérez
Tel: 983 185594
Fax: 983 423667

Fase de Matriculación

Los alumnos admitidos recibirán una notificación con información concreta del plazo y procedimiento. De forma orientativa:
- Periodo de matrícula: septiembre de 2024.
- Lugar de matrícula:
Sección de Estudios Propios y Títulos
Casa del Estudiante,
C/ Real de Burgos s/n
47011 Valladolid
Tel: 983 423911, Fax: 983 186397

Contacto

En los siguientes apartados de esta página proporcionamos más información sobre el plan de estudios, el sistema de evaluación y el profesorado. De todas formas, para información adicional podéis contactar con el Coordinador del Máster en Big Data Science:

Dr. Javier Manuel Aguiar Pérez
ETSI de Telecomunicación, Universidad de Valladolid
Campus Miguel Delibes. Paseo de Belén 15
47011 Valladolid
Tel: 983 185594
Fax: 983 423667

Plan de estudios detallado

En este apartado damos información adicional sobre el plan de estudios. En primer lugar, repetimos aquí el esquema de la planificación del máster, el cual se estructura en dos materias: Habilidades fundamentales en ciencia de datos y Big Data (45 ECTS), y Prácticas en empresa y Proyecto Fin de Máster (15 ECTS).



Asignaturas de la primera materia (Habilidades fundamentales en ciencia de datos y Big Data)

La primera de las materias se desarrolla desde octubre hasta comienzos/mediados de mayo y consta de 7 asignaturas:

- Fundamentos y Aplicaciones de Ciencia de Datos y Big Data (10 ECTS, 76 horas presenciales, 174 no presenciales)

Esta asignatura, en su primera parte, proporciona a los alumnos una introducción al Máster y a sus contenidos, se explica la motivación para estudiar dichos contenidos y el porqué de la estructura del Máster. Además define los conceptos básicos relacionados con la ciencia de datos y Big Data, plantea una metodología y un conjunto buenas prácticas a la hora de abordar proyectos de estas temáticas, y describe los peligros existentes en estos proyectos, y los aspectos éticos y legales a tener en cuenta.

La segunda parte se centra en mostrar aplicaciones de ciencia de datos y Big Data así como casos de éxito. En esta parte juegan un papel clave las empresas colaboradoras del Máster, aportando su experiencia y know-how en distintos ámbitos y en el empleo de distintas herramientas. Así se mostrarán ejemplos de buenas prácticas, las herramientas concretas empleadas en cada caso y cómo se resuelven los peligros más comunes en estos proyectos, se analizarán aplicaciones de ciencia de datos en la ingeniería biomédica, aprovechando la experiencia de grupos de investigación punteros de la Universidad de Valladolid en dicha área, y se incluirá formación sobre aprendizaje profundo (Deep Learning) como actividad conjunta con otra asignatura.

- Almacenamiento y consulta de datos (5 ECTS, 38 horas presenciales, 87 no presenciales)

Un analista o científico de datos debe conocer cómo almacenar los datos y cómo acceder a los mismos para poder procesarlos y obtener valor de los mismos. Esta asignatura tiene por tanto como objetivo analizar las arquitecturas de almacenamiento de datos y muy especialmente los sistemas de bases de datos, tanto convencionales como no convencionales. Así pues, los fundamentos de los almacenes de datos (data warehouse), las bases de datos relacionales, el lenguaje SQL y los sistemas de bases de datos no convencionales NoSQL (como MongoDB o Cassandra) son objeto de esta asignatura.

- Fundamentos de estadística y optimización (con R) (5 ECTS, 38 horas presenciales, 87 no presenciales)

La estadística es una de las materias básicas que debe conocer un científico de datos y es clave para evitar algunos fallos comunes que pueden hacer fracasar un proyecto de análisis de datos. Esta asignatura aborda los fundamentos de la probabilidad, estadística descriptiva, inferencia estadística, así como una introducción a técnicas de optimización. La asignatura además tiene como objetivo adicional introducir el lenguaje R, uno de los más populares en el mundo de la ciencia de datos.

- Aprendizaje automático (con R) (5 ECTS, 38 horas presenciales, 87 no presenciales)

La estadística clásica no es suficiente para un científico de datos, sino que se requiere tener unos conocimientos sólidos de aprendizaje automático (machine learning), es decir, un conjunto de técnicas que permitan que un ordenador sea capaz de aprender de los datos. La asignatura analiza aspectos básicos del aprendizaje automático como la teoría de la generalización, los efectos de los errores y el ruido, el compromiso entre sesgo y varianza, los riesgos que lleva asociado el aprendizaje automático (y cómo evitarlos), además de las técnicas de validación de modelos. En la asignatura también se estudian y aplican diversas técnicas de aprendizaje supervisado (modelos lineales, redes neuronales, SVM, etc.), aprendizaje no supervisado, y otros tipos de aprendizaje como sistemas recomendadores y detección de anomalías. Al mismo tiempo la asignatura profundiza en el uso de R como lenguaje de análisis de datos.

- Programación en Python para análisis de datos (5 ECTS, 38 horas presenciales, 87 no presenciales)

Python es un lenguaje de propósito general cada vez más popular en el mundo de la ciencia de datos. Es por tanto un lenguaje que merece la pena conocer tanto por sus posibilidades como por abrir puertas en el mundo laboral a los egresados. Esta asignatura proporciona los fundamentos básicos de Python como lenguaje de propósito general, para a continuación centrarse en las bibliotecas que facilitan el análisis de datos como pandas, numpy y scikit-learn.

- Procesamiento masivo de datos (los ecosistemas Hadoop y Spark) (10 ECTS, 76 horas presenciales, 174 no presenciales)

La gran cantidad de datos que se generan y que deben ser analizados en los proyectos de análisis de datos imposibilita en muchos casos que puedan ser almacenados y procesados con un único ordenador. Por lo tanto, es necesario conocer las herramientas y los procedimientos para almacenar y tratar esos datos masivos, y plataformas como Hadoop son esenciales en estos momentos para ese fin. Esta asignatura permite que el alumno conozca los fundamentos de la plataforma Hadoop y adquiera una experiencia inicial en su uso, estudiando y trabajando tanto con sus módulos básicos como con otras herramientas del ecosistema. De este modo se trabajará con el sistema de ficheros distribuidos de Hadoop (HDFS), con los modelos de programación MapReduce y YARN y con herramientas como HBase, Pig, Hive, Oozie, Zookeeper, Flume, Sqoop, así como Mahout para aprendizaje automático. También se estudiará el paradigma Spark y su biblioteca para aprendizaje automático MLlib. Además, de forma complementaria, se analizarán otros entornos como TensorFlow o Microsoft Azure y/o Google Cloud.

- Limpieza de datos y comunicación de resultados (5 ECTS, 38 horas presenciales, 87 no presenciales)

Un analista o científico de datos casi nunca tiene los datos en el formato en el que desea, además de encontrarse con datos erróneos, incompletos, o irrelevantes. De hecho, una parte muy significativa del trabajo del científico de datos consiste en la manipulación y limpieza de dichos datos. Por otro lado, también es muy importante que sea capaz de comunicar adecuadamente los resultados de sus hallazgos. Esta asignatura tiene un doble objetivo. Por un lado, persigue que el alumno adquiera destrezas en la obtención de datos de distintas fuentes y en la limpieza de los mismos para poder aplicar las técnicas de análisis estudiadas en otras asignaturas. Por otro lado, que el alumno sea capaz de comunicar eficazmente los resultados de sus análisis mediante informes y fundamentalmente mediante visualizaciones de datos. Con tal fin, se estudiarán algunas herramientas de visualización como Tableau.

Prácticas en empresa y Proyecto Fin de Máster

La segunda de las materias busca la aplicación concreta de lo aprendido en el bloque anterior y la integración de esos conocimientos en uno o dos casos prácticos, para lo cual incluye prácticas en una de las empresas colaboradoras del Máster o en grupos de investigación de la UVa y la realización de un Proyecto Fin de Máster, con la posibilidad de que esté asociado a esas prácticas en empresa. Esta materia supone una excelente oportunidad para los alumnos, por permitirles adquirir experiencia en el mundo de la empresa en la temática del Máster y afianzar y ampliar conocimientos. La fecha límite para finalizar esta materia y los estudios es el septiembre de 2025, aunque no es necesario esperar hasta entonces y las prácticas y el proyecto fin de máster pueden completarse en una fecha anterior.

El alumno realizará de forma obligatoria al menos 188 horas de prácticas en una empresa o grupos de investigación de la UVa, lo cual supone aproximadamente un mes a tiempo completo o dos meses a tiempo parcial. Aunque en principio las prácticas en empresa se desarrollarán a partir de mayo, será posible realizarlas a partir de febrero para permitir una mayor flexibilidad a las empresas colaboradoras a la hora de ofertar sus plazas.

El resto de horas del bloque hasta completar 376 horas (es decir, otras 188 horas) se dedicarán:

- Bien a realizar prácticas en empresa opcionales que den lugar además a un Proyecto Fin de Máster. Esta opción permite por tanto que un alumno realice prácticas en empresa durante un total de dos meses a tiempo completo o cuatro a tiempo parcial.
- O bien a realizar un proyecto relacionado con las temáticas del Máster en el seno de un grupo de investigación de la Universidad de Valladolid, y que dé lugar a un Proyecto Fin de Máster.

Evaluación

En el caso de las asignaturas de la materia “Habilidades Fundamentales en Ciencia de Datos y Big Data”,  la verificación de los conocimientos de los estudiantes se realizará mediante un proceso de evaluación continua, pudiendo además complementarse con la realización de exámenes finales o parciales. Cada asignatura dará lugar a una calificación numérica, de acuerdo con lo establecido en el artículo 5 del Real Decreto 1125/2003, de 5 de septiembre. Para aquellos alumnos que no alcancen una calificación de al menos 5.0 durante la evaluación continua, cada asignatura indicará las tareas y/o pruebas adicionales deberán realizarse en cada caso para poder superar la asignatura y el plazo para realizarlas.

La obtención del título propio exigirá que se hayan superado todas las pruebas de evaluación de asignaturas, materias y actividades académicas que correspondan a dicho título.

En el caso que un título propio se oferte y se imparta en ediciones posteriores, aquellos estudiantes que no hubiesen superado alguna de las materias podrán solicitar cursarlas en la nueva edición. El Director del título propio podrá autorizar su admisión siempre que no afecte a la organización académica del estudio.

Profesorado

Abril Domingo, Evaristo José (UVa)
Aguado Manzano, Juan Carlos (UVa)
Aguiar Pérez, Javier Manuel (UVa)
Alberola López, Carlos (UVa)
Blas Prieto, Juan (UVa)
Castro Fernández, Juan Pablo de (UVa)
Durán Barroso, Ramón José (UVa)
Fernández Gutiérrez, Jorge (NTT Data)
Gutiérrez Vaquero, César (UVa)
Martín Fernández, Marcos Antonio (UVa)
Merayo Álvarez, Noemí (UVa)
Miguel Jiménez, Ignacio de (UVa)
Palencia de Lara, César (UVa)
Regueras Santos, Luisa María (UVa)

Además, principalmente en la impartición de la asignatura "Fundamentos y Aplicaciones de Ciencia de Datos y Big Data", también participará el siguiente personal:
Abril Medina, Elena (Vodafone)
Alonso Felipe, Miguel (UVa)
Alonso Garrido, Marta (Renault)
Delgado Lobejón, Eduardo (Roams)
Durán de Jesus, Javier (LUCE CEM)
Escudero Martín, Francisco Javier (Telefónica)
Gutiérrez Tobal, Gonzalo César (Centro de Investigación Biomédica en Red, Bioingeniería, Biomateriales y Nanomedicina)
Hernández Izquierdo, José Miguel (Telefónica)
Izquierdo Martín, Isabel María (Telefónica)
Jiménez Cuadrillero, Miguel Ángel (Sage)
Lozano Álvarez, Angélica (Mobile Lean)
Ortega Lora, David (Roams)
Pellón Gómez-Calcerrada, Rafael (Telefónica Tech)
Pozo Velázquez, Javier del (UVa)
Rabanal Presa, Fernando (Vodafone)
Román Torres, Ignacio (Aletius)
 
Salamanca Farto, Mario (Cosentino)
Torres Alonso, Abel (Novagecko)
Weiss, Evelyn (LUCE CEM)
Personal de Altran/Capgemini
Personal de NTT Data
Personal de Minsait

(El logo mostrado al comienzo de esta página toma como base una imagen obtenida en Flickr y realizada por luckey_sun. Dicha imagen ha sido modificada, utilizándola bajo licencia Creative Commons)
Fecha de revisión: 02-02-2024

Sitio en español / English site

(c) 2023 :: Escuela Técnica Superior de Ingenieros de Telecomunicación
Paseo Belén 15. Campus Miguel Delibes
47011 Valladolid, España
Tel: +34 983 423660
email: infoaccesoteluvaes