Menú
EUROINNOVA LOGO
Curso en: España España

Becas Fundación Euroinnova: Avanza en Formación, crece en oportunidades. SOLICITA BECA AVANZA

¡Aplicar ahora!
Modalidad
Modalidad
Online
Duración - Créditos
Duración - Créditos
1500 horas - 60 ECTS
Baremable Oposiciones
Baremable Oposiciones
Administración pública
Becas y Financiación
Becas y Financiación
sin intereses
Plataforma Web
Plataforma Web
24 Horas
Centro Líder
Centro Líder
formación online

Opiniones de nuestros alumnos

Media de opiniones en los Cursos y Master online de Euroinnova

Nuestros alumnos opinan sobre: Máster en Data Engineering + 60 Créditos ECTS

4,6
Valoración del curso
100%
Lo recomiendan
4,9
Valoración del claustro

Clarisse Gallego

PONTEVEDRA

Opinión sobre Máster en Data Engineering + 60 Créditos ECTS

Clarisse Gallego, ¿qué te hizo decidirte por nuestro Master Online?

Lo quería para trabajar como voluntaria de construcción

Clarisse Gallego, ¿qué has aprendido en el Master Online?

LO FÁCIL QIE ES

Clarisse Gallego, ¿qué es lo que más te ha gustado de este Master Online?

muchas cosas

Clarisse Gallego, ¿qué has echado en falta del Master Online?

está bien

* Todas las opiniones sobre Máster en Data Engineering + 60 Créditos ECTS, aquí recopiladas, han sido rellenadas de forma voluntaria por nuestros alumnos, a través de un formulario que se adjunta a todos ellos, junto a los materiales, o al finalizar su curso en nuestro campus Online, en el que se les invita a dejarnos sus impresiones acerca de la formación cursada.
Alumnos

Plan de estudios de Master Data Engineering

Resumen salidas profesionales
El Master en Data Engineering es una disciplina altamente relevante en el contexto actual, donde los datos se han convertido en uno de los activos más valiosos para las organizaciones. El estado del arte en este campo muestra la importancia de gestionar y analizar grandes volúmenes de datos de manera eficiente y efectiva para obtener información valiosa. El Data Engineering abarca conocimientos y técnicas especializadas en el diseño, implementación y mantenimiento de infraestructuras de datos, así como en el procesamiento y transformación de datos a gran escala. Con el auge de la inteligencia artificial, el aprendizaje automático y el análisis de datos, el Master en Data Engineering se presenta como una oportunidad para formarse en una disciplina con gran demanda en el mercado laboral.
Objetivos
- Repasar los principios de la computación. - Abordar el Big Data desde la óptica de la ingeniería. - Estudiar el Data Science en sus fundamentos de almacenamiento, análisis y procesamiento de Datos. - Mejorar las habilidades relacionadas con el cálculo numérico en ingeniería - Emplear las herramientas de Python y R para el procesamiento, análisis y estudio de los Datos. - Ahondar en los campos del Machine Learning y el Deep Learning. - Conocer los aspectos básicos sobre los computadores. - Adquirir una introducción a la programación y herramientas de cálculo numérico. - Conocer el sistema MATLAB. - Adquirir lo referente sobre las ecuaciones algebraicas de una variable. - Realizar una interpolación y aproximación.
Salidas profesionales
El Master en Data Engineering te proporciona una amplia gama de salidas laborales en un mercado en constante crecimiento. Podrás trabajar como Data Engineer en empresas de diferentes sectores, donde serás responsable de diseñar y construir infraestructuras de datos, desarrollar y mantener pipelines de datos eficientes, y garantizar la integridad y calidad de los datos.
Para qué te prepara
El Master en Data Engineering te prepara para afrontar los retos y desafíos de la gestión y procesamiento de datos a gran escala. Al finalizar el programa, estarás preparado para afrontar desafiantes proyectos de Data Engineering en diversos sectores y serás un profesional altamente demandado en el mercado laboral. Desarrollarás las habilidades necesarias para diseñar, implementar y optimizar soluciones de Data Engineering.
A quién va dirigido
El Master en Data Engineering está dirigido a profesionales del ámbito de la informática, ingeniería o disciplinas relacionadas que deseen especializarse en el manejo y procesamiento de grandes volúmenes de datos. También es adecuado para aquellos que trabajan en roles relacionados con el análisis de datos, la inteligencia artificial o la automatización.
Metodología
Metodología Curso Euroinnova
Carácter oficial
de la formación
La presente formación no está incluida dentro del ámbito de la formación oficial reglada (Educación Infantil, Educación Primaria, Educación Secundaria, Formación Profesional Oficial FP, Bachillerato, Grado Universitario, Master Oficial Universitario y Doctorado). Se trata por tanto de una formación complementaria y/o de especialización, dirigida a la adquisición de determinadas competencias, habilidades o aptitudes de índole profesional, pudiendo ser baremable como mérito en bolsas de trabajo y/o concursos oposición, siempre dentro del apartado de Formación Complementaria y/o Formación Continua siendo siempre imprescindible la revisión de los requisitos específicos de baremación de las bolsa de trabajo público en concreto a la que deseemos presentarnos.

Temario de Master Data Engineering

Descargar GRATIS
el temario en PDF

  1. Presentación al pensamiento computacional
  2. ¿Qué es y para qué se usa pensamiento computacional?
  3. ¿Quiénes deben de aprender el pensamiento computacional?
  1. Pensamiento analítico
  2. Razonamiento aproximado, conceptual, convergente, divergente, sistemático, synvergente
  1. Proceso, conceptos y actitudes del pensamiento computacional
  2. Proceso de simulación
  3. Concepto y procesos de paralelismo automatización
  4. Trabajo en equipo en el pensamiento computacional
  1. Abstracción en pensamiento computacional
  2. Descomprimir los elementos
  3. Proceso de evaluación de pensamiento computacional
  1. Posibles problemas
  2. Datos relacionados con de entrada y salida en el pensamiento
  3. Solución al problema

  1. ¿Qué es Big Data?
  2. Paradigmas de procesamiento en Big Data
  3. Las 8 V de Big Data (Volumen, Volatilidad, Variedad, Valor, Velocidad, Variabilidad, Veracidad, Validez)
  1. MapReduce
  2. Hadoop
  3. Apache Hadoop YARN
  4. Agregación de los logs de YARN
  5. Obtención de datos en HDFS
  6. Planificación de un cluster Hadoop
  7. Instalación y configuración de Hive, Pig e Impala
  8. Clientes Hadoop incluidos en Hue
  9. Configuración avanzada de un cluster
  10. Seguridad Hadoop
  11. Gestión de recursos
  12. Mantenimiento de un cluster
  13. Solución de problemas y monitorización de un cluster
  1. Data Science
  2. Apache Spark
  3. Machine Learning
  4. Apache Spark MLlib
  1. Datasets y Dataframes
  2. Operaciones en Dataframe
  3. Trabajar con Dataframes y Schemas
  4. Crear Dataframes a partir de Data Sources
  5. Guardar DataFrames en Data Sources
  6. DataFrame Schemas
  7. Rapidez y lentitud de ejecución
  8. Análisis de datos con consultas de DataFrame
  9. RDD
  10. Transformación de datos con RDDs
  11. Agregación de datos con Pair RDDs
  12. Consulta y vistas de tablas con Spark SQL
  13. Creación, configuración y ejecución de aplicaciones Spark
  14. Procesamiento distribuido
  15. Persistencia de datos distribuidos
  16. Patrones comunes al procesar datos con Spark
  17. Spark Streaming: Introducción a DStreams
  18. Spark Streaming: procesamiento de múltiples lotes
  19. Apache Spark Streaming: Data Sources
  1. Introducción a Pig
  2. Análisis de datos básico con Pig
  3. Procesado de datos complejos con Pig
  4. Operaciones con multiconjuntos de datos con Pig
  5. Troubleshooting y optimización de Pig
  6. Introducción a Hive e Impala
  7. Consultas con Hive e Impala
  8. Administración de datos
  9. Almacenamiento y datos de rendimiento
  10. Análisis de datos relacional con Hive e Impala
  11. Datos complejos con Hive e Impala
  12. Análisis de texto con Hive e Impala
  13. Optimización Hive
  14. Optimización de Impala
  15. Extendiendo Hive e Impala

  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en Protección de Datos
  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional
  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL Teorema de CAP
  4. Sistemas de Bases de datos NoSQL
  1. ¿Qué es MongoDB?
  2. Funcionamiento y uso de MongoDB
  3. Primeros pasos con MongoDB: Instalación y shell de comandos
  4. Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
  5. Actualización de datos en MongoDB: Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB
  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos
  1. Una aproximación a PENTAHO
  2. Soluciones que ofrece PENTAHO
  3. MongoDB & PENTAHO
  4. Hadoop & PENTAHO
  5. Weka & PENTAHO
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

  1. Introducción
  2. Conceptos básicos sobre computadores
  3. Componentes de un computador
  4. Software de un computador
  5. Parámetros característicos del computador digital
  6. Clasificación de los computadores
  7. Breve historia de los computadores
  8. Estudio de los computadores
  9. Computación Científica en supercomputadores
  1. Introducción
  2. Resolución de problemas
  3. Lenguajes de programación
  4. Herramientas de cálculo numérico
  1. Introducción
  2. Acceso a MATLAB
  3. Introducción de matrices
  4. Operaciones sobre matrices y componentes de matrices
  5. Expresiones y variables
  6. El espacio de trabajo
  7. Funciones para construir matrices
  8. Control de flujo programando en MATLAB
  9. Funciones escalares
  10. Funciones vectoriales
  11. Funciones matriciales
  12. Generación de submatrices
  13. Ficheros .M
  14. Entrada y salida de texto
  15. Medidas de eficiencia de algoritmos
  16. Formato de salida
  17. Gráficos en dos dimensiones
  18. Gráficos en tres dimensiones
  19. Elaboración de programas en MATLAB
  1. Introducción
  2. Representación interna de números
  3. Errores debidos a la representación interna de los números
  4. Errores en la realización de operaciones
  5. Algoritmos estables e inestables. Condicionamiento de un problema
  6. Ejercicios complementarios
  1. Introducción
  2. Método de bisección o bipartición
  3. Método de interpolación lineal o Regula Falsi
  4. Método de aproximaciones sucesivas o punto fijo
  5. Método de Newton-Raphson
  6. Método de la secante
  7. Criterios de convergencia para los métodos iterativos
  8. Dificultades a la hora de calcular las raíces de una función
  9. Cálculo de ceros de polinomios
  10. Ejercicios complementarios
  1. Introducción
  2. Métodos directos
  3. Métodos iterativos
  4. Comparación entre métodos iterativos y directos
  5. Introducción a los sistemas de ecuaciones algebraicas no lineales
  6. Ejercicios complementarios
  1. Introducción
  2. Interpolación polinomial
  3. Aproximación por polinomios
  4. Introducción a la interpolación por funciones racionales
  5. Ejercicios complementarios
  1. Introducción
  2. Diferenciación numérica
  3. Integración numérica
  4. Ejercicios complementarios

  1. ¿Qué es el análisis de datos?
  1. Análisis de datos con NumPy
  2. Pandas
  3. Matplotlib
  1. Cómo usar loc en Pandas
  2. Cómo eliminar una columna en Pandas
  1. Pivot tables en pandas
  1. El grupo de pandas
  1. Python Pandas fusionando marcos de datos
  1. Matplotlib
  2. Seaborn
  1. Aprendizaje automático
  1. Regresión lineal
  2. Regresión logística
  1. Estructura de árbol
  1. Algoritmo de Naive bayes
  2. Tipos de Naive Bayes
  1. Máquinas de vectores soporte (Support Vector Machine-SVN
  2. 2.¿Cómo funciona SVM?
  3. Núcleos SVM
  4. Construcción de clasificador en Scikit-learn
  1. K-nearest Neighbors (KNN)
  2. Implementación de Python del algoritmo KNN
  1. Análisis de componentes principales
  1. Algoritmo de random forest

  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Compunting
  4. Aspectos legales en Protección de Datos
  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL. Una base de datos relacional
  1. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. MongoDB, Hadoop y Python. Dream Team del Big Data
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

  1. Introducción
  2. Clasificación de algoritmos de aprendizaje automático
  3. Ejemplos de aprendizaje automático
  4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
  5. Tipos de algoritmos de aprendizaje automático
  6. El futuro del aprendizaje automático
  1. Introducción
  2. Algoritmos
  1. Introducción
  2. Filtrado colaborativo
  3. Clusterización
  4. Sistemas de recomendación híbridos
  1. Clasificadores
  2. Algoritmos
  1. Componentes
  2. Aprendizaje
  1. Introducción
  2. El proceso de paso de DSS a IDSS
  3. Casos de aplicación

  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo
  1. Redes neuronales
  2. Redes profundas y redes poco profundas
  1. Perceptrón de una capa y multicapa
  2. Ejemplo de perceptrón
  1. Tipos de redes profundas
  2. Trabajar con TensorFlow y Python
  1. Entrada y salida de datos
  2. Entrenar una red neuronal
  3. Gráficos computacionales
  4. Implementación de una red profunda
  5. El algoritmo de propagación directa
  6. Redes neuronales profundas multicapa

Titulación de Master Data Engineering

Titulación Universitaria de Master en Formación Permanente en Data Engineering con 1500 horas y 60 créditos ECTS por la Universidad Católica de Murcia
Master Data EngineeringMaster Data Engineering
OPAM - Universidad Católica de Murcia

Cursos relacionados

Curso en Data Science y Análisis de Datos
Curso en Data Science y Análisis de Datos
4,8
360€
Ver Curso online
Máster Oficial Universitario en Data Science + 60 Créditos ECTS
Máster Oficial Universitario en Data Science + 60 Créditos ECTS
4,8
3495€
Ver Curso online
Titulación Universitaria de Excel Avanzado 2019 + Titulación Universitaria en Business Intelligence y Big Data (Doble Titulación + 10 ECTS)
Titulación Universitaria de Excel Avanzado 2019 + Titulación Universitaria en Business Intelligence y Big Data (Doble Titulación + 10 ECTS)
4,8
360€
Ver Curso online
Maestría en Inteligencia Artificial. RVOE SEP: M-015/2023 (16/05/2023)
Maestría en Inteligencia Artificial. RVOE SEP: M-015/2023 (16/05/2023)
4,8
3235€
Ver Curso online
Euroinnova Business School
Isaías Aranda Cano Aranda Cano
Tutor
Grado Superior en Administración de Sistemas Informáticos.
Su formación +
Linkedin Euroinnova
Euroinnova Business School
Rafael Marín Sastre
Tutor
Titulado Universitario 1 ciclo o Diplomado en Ingeniería Técnica en Informática de Sistemas Administrador de Servidores y páginas web Curso Superior en Ciberseguridad Curso de Business Intelligence y Big Data Formación de formadores E-learning
Su formación +
Linkedin Euroinnova
Euroinnova Business School
Daniel Cabrera Armenteros
Tutor
Licenciado en Ciencias Físicas y con Máster en Implantación, Gestión y Auditoría de Sistemas de Seguridad de Información ISO 27001-27002.
Su formación +
Linkedin Euroinnova
Euroinnova Business School
Alan Sastre
Tutor
Grado en Ingeniería Informática
Su formación +
Linkedin Euroinnova
Euroinnova Business School
Jorge López Blasco
Tutor
Graduado en matemáticas por la Universidad de Valencia y con el Master de Profesorado. Experto en Cloud Computing, Machine Learning y Big Data.
Su formación +
Linkedin Euroinnova

7 razones para realizar el Master Data Engineering

1
Nuestra experiencia

Más de 20 años de experiencia en la formación online.

Más de 300.000 alumnos ya se han formado en nuestras aulas virtuales.

Alumnos de los 5 continentes.

25% de alumnado internacional.

Las cifras nos avalan
Logo google
4,7
2.625 Opiniones
Logo youtube
8.582
suscriptores
Logo facebook
4,4
12.842 Opiniones
Logo youtube
5.856
Seguidores
2
Nuestra Metodología

Flexibilidad

Aprendizaje 100% online, flexible, desde donde quieras y como quieras

Docentes

Equipo docente especializado. Docentes en activo, digitalmente nativos

Acompañamiento

No estarás solo/a. Acompañamiento por parte del equipo de tutorización durante toda tu experiencia como estudiante.

Aprendizaje real

Aprendizaje para la vida real, contenidos prácticos, adaptados al mercado laboral y entornos de aprendizaje ágiles en campus virtual con tecnología punta

Seminarios

Seminarios en directo. Clases magistrales exclusivas para los estudiantes

3
Calidad AENOR

Se llevan a cabo auditorías externas anuales que garantizan la máxima calidad AENOR.

Nuestros procesos de enseñanza están certificados por AENOR por la ISO 9001 y 14001.

Certificación de calidad
4
Confianza

Contamos con el sello de Confianza Online y colaboramos con las Universidades más prestigiosas, Administraciones Públicas y Empresas Software a nivel Nacional e Internacional.

Confianza logo Proteccion logo
5
Empleo y prácticas

Disponemos de Bolsa de Empleo propia con diferentes ofertas de trabajo, y facilitamos la realización de prácticas de empresa a nuestro alumnado.

6
Nuestro Equipo

En la actualidad, Euroinnova cuenta con un equipo humano formado por más de 300 profesionales. Nuestro personal se encuentra sólidamente enmarcado en una estructura que facilita la mayor calidad en la atención al alumnado.

7
Somos distribuidores de formación

Como parte de su infraestructura y como muestra de su constante expansión, Euroinnova incluye dentro de su organización una editorial y una imprenta digital industrial.

Paga como quieras

Financiación 100% sin intereses

Hemos diseñado un Plan de Becas para facilitar aún más el acceso a nuestra formación junto con una flexibilidad económica. Alcanzar tus objetivos profesionales e impulsar tu carrera profesional será más fácil gracias a los planes de Euroinnova.

Si aún tienes dudas solicita ahora información para beneficiarte de nuestras becas y financiación.

25%
Antiguos Alumnos

Como premio a la fidelidad y confianza de los alumnos en el método EUROINNOVA, ofrecemos una beca del 25% a todos aquellos que hayan cursado alguna de nuestras acciones formativas en el pasado.

20%
Beca Desempleo

Para los que atraviesan un periodo de inactividad laboral y decidan que es el momento idóneo para invertir en la mejora de sus posibilidades futuras.

15%
Beca Emprende

Una beca en consonancia con nuestra apuesta por el fomento del emprendimiento y capacitación de los profesionales que se hayan aventurado en su propia iniciativa empresarial.

15%
Beca Amigo

La beca amigo surge como agradecimiento a todos aquellos alumnos que nos recomiendan a amigos y familiares. Por tanto si vienes con un amigo o familiar podrás contar con una beca de 15%.

* Becas aplicables sólamente tras la recepción de la documentación necesaria en el Departamento de Asesoramiento Académico. Más información en el 900 831 200 o vía email en formacion@euroinnova.es

* Becas no acumulables entre sí

* Becas aplicables a acciones formativas publicadas en euroinnova.es

Materiales entregados con el Master Data Engineering

Información complementaria

¿Tienes dudas?
Llámanos gratis al 900 831 200
Matricúlate
Datos personales
Dirección de envío
Guardar
Becas ofrecidas por la Fundación Euroinnova
Beca del 25% Antiguos alumnos
Beca del 20% de desempleo
Beca del 15% Emprendimiento
Beca del 15% Amigo
Sin beca
Resumen matrícula:

Precio original

BECA % aplicada

-

Precio final:

Método de pago