MBDA — Máster en Big Data, Business Analytics e Inteligencia Artificial

Sobre el programa

El MBDA de ESIC es máster técnico-directivo en analítica avanzada, big data e inteligencia artificial aplicada a negocio. Su orientación no es la del máster puramente técnico de ciencia de datos (que existe en universidades públicas y en escuelas técnicas), sino la combinación de competencia técnica sólida con visión de negocio: formar analíticos capaces de traducir el problema empresarial en pregunta analítica, resolverlo con la técnica adecuada y comunicar el resultado en formato ejecutivo. Está dirigido a titulados técnicos que quieren aplicar sus competencias en entornos empresariales (consultoras de datos, empresas con equipos de analítica interna, startups de datos) y a profesionales de negocio con base cuantitativa que quieren transicionar a roles data-driven. La formación cubre los pilares de la analítica avanzada: fundamentos matemáticos y estadísticos aplicados, programación en Python (pandas, numpy, scikit-learn) y R, bases de datos SQL y NoSQL, infraestructura big data (Spark, Hadoop, cloud), machine learning supervisado y no supervisado, deep learning con TensorFlow y PyTorch, procesamiento de lenguaje natural, sistemas de recomendación, visualización de datos (Tableau, Power BI), ética algorítmica y sesgos, y aplicación a áreas concretas (marketing analytics, finance analytics, HR analytics). Metodología muy práctica con proyectos aplicados en cada módulo, casos de empresas reales y competición tipo Kaggle interna. Salidas: data scientist en consultora o empresa, business analyst con perfil técnico, analítico de negocio en scale-up, especialista en machine learning, consultor de datos en Big Four.

Aspectos destacados

• Combinación técnica sólida con visión de negocio
• Stack tecnológico completo del mercado actual
• Machine learning aplicado con casos reales
• Ética algorítmica y sesgos como bloque troncal
• Competición interna tipo Kaggle

Temario 14 módulos

1. Módulo 1 — Fundamentos matemáticos y estadística aplicada
2. Módulo 2 — Programación en Python y R para analítica
3. Módulo 3 — Bases de datos SQL y NoSQL
4. Módulo 4 — Big data: Spark, Hadoop, arquitecturas distribuidas
5. Módulo 5 — Cloud computing aplicado a datos (AWS, Azure)
6. Módulo 6 — Machine learning supervisado
7. Módulo 7 — Machine learning no supervisado y clustering
8. Módulo 8 — Deep learning: redes neuronales, TensorFlow, PyTorch
9. Módulo 9 — NLP: procesamiento de lenguaje natural
10. Módulo 10 — Sistemas de recomendación
11. Módulo 11 — Visualización de datos: Tableau, Power BI
12. Módulo 12 — Ética algorítmica y sesgos en machine learning
13. Módulo 13 — Aplicación a marketing, finanzas y RRHH
14. Módulo 14 — Proyecto aplicado end-to-end

Requisitos de acceso

Titulación universitaria (Ingeniería, Matemáticas, Estadística, Físicas, ADE con orientación cuantitativa, o afines). Conocimientos previos de programación (Python o R) y estadística. Prueba de acceso técnica y entrevista.