Ttulo de Mster en Big Data y

Data Science: Ciencia e

Ingeniera de Datos
Ttulo Propio de la Universidad Autnoma de Madrid

Escuela Politcnica Superior

Universidad Autnoma de Madrid

Curso 2016/2017

PRESENTACIN
El Big Data permite almacenar, gestionar, analizar, compartir y entender los enormes
volmenes de datos que se estn recogiendo hoy en da, y tiene que ver con tecnologas como
Hadoop o MapReduce que permiten procesar grandes volmenes de datos de una forma
eficiente.
Por otro lado, el trmino Data science se utiliza para referirse a un nuevo campo
dedicado al anlisis y la manipulacin de los datos con el objetivo de extraer conocimiento a
partir de ellos. Esta nueva disciplina utiliza tcnicas y teoras de campos como la estadstica,
la probabilidad, el aprendizaje automtico, el reconocimiento de patrones o la visualizacin.
Las tcnicas de Data science pueden aplicarse en muy diversas reas como la biologa, la
salud, las ciencias sociales, la economa, los negocios y las finanzas.
Un cientfico de datos debe ser capaz de integrar datos de distintas fuentes, gestionar
grandes volmenes de datos, crear visualizaciones que permitan entender los datos, construir
modelos matemticos usando los datos, y presentar y comunicar las conclusiones extradas a
especialistas y cientficos.
Actualmente, los perfiles de cientfico de datos y de experto en Big Data son muy
demandados. La empresa Deloitte estima que sern necesarios entre 140.000 y 190.000
profesionales de Big Data cualificados en los EE.UU durante los prximos cinco aos.
El ttulo de experto que se propone tiene como objetivo fundamental formar a
profesionales TIC en estas dos reas tan demandadas en el mercado laboral.

OBJETIVO
El objetivo fundamental de este ttulo es formar a los estudiantes en los temas ms
relevantes sobre el Big Data que tienen que ver con la recoleccin, el almacenamiento y el
procesamiento de datos (Hadoop, Spark, etc.), las necesidades de infraestructura para Big
Data (virtualizacin, seguridad), el anlisis de datos (aprendizaje automtico) y la
visualizacin.
La iniciativa del ttulo viene respaldada por la Ctedra UAM/IBM por lo que se
impartir conjuntamente por profesores de la EPS y profesionales de IBM expertos en estas
reas. Tambin contaremos con profesionales de diversas empresas que nos hablarn de cmo
estn utilizado las tecnologas de Big Data en aplicaciones reales relacionadas con la minera
web, el anlisis de opiniones, el anlisis de textos, el anlisis de audio y vdeo, la biometra o
el uso del Big Data para el anlisis financiero.
La interaccin de los profesores con los profesionales aporta un gran valor al ttulo
propuesto y ofrece una perspectiva nica frente a otros ttulos cuyos contenidos se enfocan
solo desde la perspectiva acadmica.

Dirigido a
El ttulo est dirigido a profesionales, expertos y consultores en el mbito de la
ingeniera TIC y de cualquier sector en el que se requiera el anlisis de grandes volmenes de
datos. Tambin est dirigido a ingenieros, licenciados y graduados en ingenieras, ciencias
experimentales u otras titulaciones universitarias que justifiquen un perfil de ingreso
adecuado a las materias propias del ttulo de experto. Excepcionalmente podrn acceder
estudiantes prximos a la finalizacin de cualquiera de los estudios anteriormente
relacionados.

Caractersticas del ttulo

Generales

Nmero de crditos: 60 ECTS

Nmero de plazas: 30
Lugar de imparticin: Escuela Politcnica Superior de la UAM
Horario: viernes de 17 a 21 horas y sbados de 10 a 14 horas
Duracin: septiembre de 2016 hasta julio de 2018

Estructura

Primer
cuatrimestre

Primer
ao

Segundo
cuatrimestre

Primer
cuatrimestre
Segundo
ao
Segundo
cuatrimestre

Seminarios de actualidad en Big Data

3 ECTS

Fundamentos: sistemas y arquitecturas

3 ECTS

Fundamentos: lenguajes

3 ECTS

Bases de datos NoSQL

3 ECTS

Fundamentos de proyectos Big Data

3 ECTS

Estadstica

3 ECTS

Fundamentos de anlisis de datos

6 ECTS

Ecosistema Spark

3 ECTS

Explotacin y visualizacin

3 ECTS

Ecosistema de soporte a proyectos Big Data

3 ECTS

Infraestructura para Big Data

6 ECTS

Seguridad, privacidad y aspectos legales y ticos

3 ECTS

Tcnicas de obtencin, anlisis e integracin de datos

3 ECTS

Indexacin, bsqueda y anlisis en repositorios

multimedia

3 ECTS

Aplicaciones de anlisis

6 ECTS
Trabajo Fin de Mster
TOTAL

6 ECTS
60 ECTS

Programa
Seminarios de actualidad en Big Data
1. Aspectos generales sobre Big Data
1.1. Qu es el Big Data?
1.2. El Big Data en la empresa
1.3. Las tecnologas Big Data
2. Casos reales
3. Seminarios de actualidad sobre Big Data

Fundamentos: sistemas y arquitecturas

1. Sistema Operativo Linux
1.4. Conceptos generales de Linux
1.5. Comandos, variables de entorno, scripts
1.6. Control y planificacin de procesos.
1.7. Sistemas de almacenamiento y sistemas de ficheros
1.8. Administracin bsica de Linux
2. Redes de comunicacin
2.1. Componentes y tipos de redes.
2.2. Conceptos bsicos: Direccionamiento IP, mscara de red, puerta de enlace, servidor
de nombres (DNS), direccionamiento dinmico DHCP.
2.3. Configuracin de una red TCP/IP en Linux.
2.4. Acceso remoto a equipos y ficheros: ssh, ftp
2.5. Conceptos bsicos de seguridad: Claves pblica y privada, VPN.
3. Mquinas Virtuales
3.1. Concepto de virtualizacin
3.2. Tipos de virtualizacin de plataforma
3.3. Instalacin y gestin de una Mquina Virtual
3.4. Creacin de mquinas virtuales con Vagrant
3.5. Infraestructura como Servicio (IaaS): mquinas virtuales bajo demanda y con
capacidades actualizables en tiempo real
4. Cluster de ordenadores
4.1. Multicomputador
4.2. Clusters de ordenadores
4.3. Construir, desplegar y gestionar un cluster
4.4. Planificacin y balanceo de tareas.
4.5. Tipos de Cluster y aplicaciones: HPC, Hadoop

Fundamentos: lenguajes
1. Python
1.1. Introduccin a python

1.1.1.Instalacin
1.1.2.Intrpretes: python, ipyhton, notebooks
1.1.3.Diferencias entre 2.7 y 3.0
1.2. Tipos bsicos: cadenas, listas, diccionarios, tuplas, etc.
1.3. Funciones, funciones lambda e imports.
1.4. Sentencias de control e iteracin

1.4.1.1.
1.4.1.2.

Loops e ifs
Algunas formas de utilizar programacin funcional: map, reduce.
4

1.5. Entrada y salida de ficheros

1.6. Programacin orientada a objetos en python
1.7. Libreras: numpy, matplotlib, pandas, etc.
2. R
2.1. Introduccin a R
2.2. Objetos y atributos en R
2.3. Vectores
2.4. Arrays
2.5. Listas
2.6. Data frames
2.7. Lecturas de ficheros
2.8. Funciones y sentencias de control
2.9. Grficas
2.10. Depuracin y medicin de tiempos
2.11. Notebooks

Bases de datos NoSQL

1. Introduccin a las bases de datos NoSQL
1.1. Qu son?
1.2. Tipos de BBDD NoSQL
1.3. Ventajas y desventajas
2. Base de Datos MongoDB
2.1. Introduccin
2.2. Organizacin de los datos
2.3. Manejo bsico de los datos
2.4. Mtodos bsicos de agregacin
2.5. MapReduce
2.6. Aggregation Framework
2.7. Uso de ndices
3. Base de Datos Cloudant
3.1. Introduccin
3.2. Desarrollo con Cloudant
3.3. Cloudant Query
4. Base de Datos Cassandra
4.1. Introduccin
4.2. Cassandra Query Language
5. Base de datos Neo4j
5.1. Ingroduccin
5.2. Lenguaje de consulta Cypher

Fundamentos de proyectos Big Data

1. Metodologa Agil para el desarrollo de software
2. Ciclo de vida del dato
3. Proyecto Apache Hadoop
3.1. HDFS
3.2. Modelo de Programacin MapReduce
4. Desarrollo de aplicaciones (Pig, Jaql, Scala, Python)
4.1. Programacin bsica en Java con Hadoop
4.2. Programacin bsica en Python con Hadoop
4.3. Programacin desde lenguajes de alto nivel (Pig, Jaql)
4.4. Programacin con R en entorno hadoop (BigR)

Estadstica
1. Tema 1: Introduccin
1.1. Qu es la estadstica?
1.2. Modelo estadstico
1.3. Mtodo estadstico
1.4. Algunas herramientas de anlisis de datos mediante estadstica
2. Tema 2: Descripcin de los datos
2.1. Descripcin de una variable
2.2. Descripcin multivariante
3. Tema 3: Modelos en estadstica
3.1. Probabilidad y variables aleatorias
3.2. Modelos univariantes de distribucin de probabilidad
3.3. Modelos multivariantes de distribucin de probabilidad
4. Tema 4: Inferencia Estadstica
4.1. Estimacin puntual
4.2. Estimacin por intervalos
4.3. Estimacin bayesiana
4.4. Contraste de hiptesis

Fundamentos de anlisis de datos

1. Introduccin al aprendizaje automtico
1.1. Tipos de aprendizaje automtico, conceptos bsicos, tipos de atributos
1.2. Flujo de un proyecto de aprendizaje automtico
1.3. Validacin de modelos: tasas de error, matriz de confusin, curvas ROC y validacin
cruzada
1.4. Regresin lineal, regresin logstica
1.5. Vecinos prximos en clasificacin y regresin
1.6. Sesgo y varianza. Maldicin de la dimensionalidad
2. Preprocesado de datos
2.1. Construccin de la base de datos; tratamiento de mltiples fuentes
2.2. Preparacin y auditora de la base de datos
2.3. Distribucin de las variables.
2.4. Reduccin de la dimensionalidad
2.5. Informacin no estructurada; casos prcticos.
3. Aprendizaje automtico
3.1. Redes neuronales
3.2. Clasificacin y regresin con mquinas de vectores soporte
3.3. Conjuntos de clasificadores y rboles de decisin
3.4. Clustering

Ecosistema Spark
1. Fundamentos de Spark
1.1. Introduccin: arquitectura y organizacin
1.2. Datos en Spark: Resilient Distributed Datasets (RDDs)
1.3. Flujo de un programa spark
1.4. Entrada y salida de datos
1.5. Transformaciones
1.6. Persistencia
1.7. Acciones
1.8. Variables compartidas: broadcast y acumuladores
2. Tuning en Spark

3.

4.

5.

6.

2.1. Particionado y paralelizacin

2.2. Niveles de almacenamiento
2.3. Serializacin
2.4. Gestin de memoria
2.5. Configuraciones hardware
Spark SQL
3.1. Introduccin a DataFrames
3.2. Fuentes de datos: Hive, JDBC/ODBC, etc.
3.3. Rendimiento
3.4. Consultas distribuidas
MLlib
4.1. Algoritmos de clasificacin
4.2. Algoritmos de regresin
4.3. Creacin de pipelines de aprendizaje automtico
4.4. Tests de hiptesis
4.5. Sistemas de recomendacin (ALS)
4.6. Reglas asociativas
Spark Streaming
5.1. Concepto: Discretized Streams (DStreams)
5.2. Entrada y salida
5.3. Operaciones con DStreams
5.4. Mantenimiento de estado. Ventanas
5.5. Tolerancia a fallos. Checkpoints. Ajustes
GraphX
6.1. Operadores sobre grafo
6.2. Pregel
6.3. RDDs de vrtice y de arista
6.4. Algoritmos de grafos

Explotacin y visualizacin
1. Introduccin, importancia de la visualizacin
2. Visualizacin grfica eficiente
2.1 Terminologa
2.2 Finalidad de la visualizacin grfica
2.3 Alcance
2.4 Campos relacionados
3. Herramientas de visualizacin
3.1 IBM Cognos
3.2 Pentaho
3.3 Gephi
3.4 ManyEyes
3.5 Watson Analytics
4. Principales tipos de diagramas
5. Visualizacin de patrones
5.1 Visualizacin de relaciones y diferencias entre patrones
5.2 Patrones temporales
5.3 Informacin espacial y geogrfica
5.4 Otros tipos

Ecosistema de soporte a proyectos Big Data

1. Aprovisionamiento
1.1. Ecosistema Hadoop (Sqoop, Flume)

1.2. Otros ecosistemas: Apache Kafka

2. Persistencia
2.1. Hive
2.2. Hbase
2.3. Avro
3. Anlisis
3.1. Anlisis de datos esttico en entorno Hadoop
3.2. Anlisis de datos en tiempo real
4. Explotacin
4.1. SolR
4.2. BigSQL

Infraestructura para Big Data

1. Arquitecturas para tratar grandes volmenes de informacin
1.1. Arquitecturas de referencia para Hadoop
1.2. Instalacin y configuracin de un cluster Hadoop
1.3. Uso de herramientas de planificacin y gestin.
1.4. Hadoop BigInsights
2. Supervisin y mantenimiento de un cluster Hadoop
2.1. Estado de HDFS y copia de datos
2.2. Aadir y quitar nodos
2.3. Balanceo del cluster
2.4. Impacto de la red de comunicacin en un cluster Big Data.
2.5. Copias de seguridad
3. Evaluacin de prestaciones y optimizacin en un caso prctico
3.1. Benchmarking y tuneado de parmetros
3.2. Caso prctico: procesamiento Big Data de datos de red
4. Infraestructura para otros entornos Big Data: Ecosistema Spark
4.1. Arquitectura de un sistema Spark. Estructura interna y flujos de datos
4.2. Modos de ejecucin en Spark: local vs cluster. mbitos y contextos: driver,
ejecutores
4.3. Gestin de memoria
4.4. Modos de ejecucin en cluster. Comunicacin entre nodos.
4.5. Ciclo de vida de un programa Spark
4.6. Configuracin
4.7. Ejecucin de tareas: spark-submit (dependencias, etc), REPL (spark-shell, pyspark),
notebooks
4.8. Acceso a datos: E/S (local, HDFS, etc).
4.9. Interfaces de monitorizacin y anlisis: Spark UI, Spark Master, Spark History Server
5. Virtualizacin de infraestructura
5.1. Infraestructura local vs Cloud
5.2. Infraestructura como Servicio (IaaS)
5.3. Cloud privado: Propuestas Openstack y OpenNebula
5.4. Cloud pblico: Propuestas de IBM Softlayer, Amazon EC2, Rackspace, Google Cloud y
Microsoft Azure
5.5. Cloud pblico vs Cloud privado
5.6. Prcticas: Despliegues Cloud privado
5.7. Prcticas: Monitorizando en el Cloud pblico
5.8. Prcticas: Comparativa de rendimiento en el Cloud
6. Virtualizacin basada en contenedores
6.1. Diseo de aplicaciones en contenedores
6.2. Gestin de imgenes y versiones
6.3. Orquestacin y Comunicacin

6.4. Seguridad
7. Plataformas como servicio (PaaS): Bluemix
7.1. Concepto de Plataforma como Servicio
7.2. Utilidades y nuevos modelos de consumo de servicios
7.3. La plataforma Bluemix
7.4. Ejercicios prcticos con Bluemix.

Seguridad, privacidad y aspectos legales y ticos

1. Tecnologas criptogrficas para la proteccin de la privacidad
1.1. Fundamentos criptogrficos de la proteccin de la informacin
1.2. Problema de la gestin de la identidad digital mediante certificados digitales: el
estndar X.509
1.3. Definicin de los conceptos de trazabilidad, enlazado, anonimato y pseudoanonimato: firmas grupales
1.4. Navegacin annima: introduccin a las redes de mezcla de trfico, onion routing y
ofuscacin de trfico
2. Caracterizacin estadstica de la privacidad
2.1. Fundamentos del marco BLT (Business Legal Technical framework) para la
proteccin de la informacin
2.2. Introduccin a las herramientas OSINT (Open Source Intelligence): valor y riesgo
asociado a los datos y metadatos abiertos
2.3. Introduccin al control estadstico de atributos personales: Statistical Disclosure
Control (SDC)
2.4. Mtricas para evaluar la bondad de los procedimientos SDC: k-anonymity, l-diversity,
privacidad diferencial
3. Reconocimiento biomtrico
3.1. Introduccin al Reconocimiento Biomtrico de Personas
3.2. Huella dactilar e iris
3.3. Reconocimiento Facial y Particularidades del Reconocimiento Biomtrico Conductual
3.4. Prcticas de Reconocimiento Biomtrico
4. Aspectos legales y ticos

Tcnicas de obtencin, anlisis e integracin de datos

1. ETL en Big Data
1.1. Descubrimiento del dato
1.2. Acceso a los datos. Integracin de plataformas. Auto servicio.
1.3. Limpieza del dato
1.4. Calidad del dato
2. Fuentes de datos y descubrimiento
2.1. Internet de las cosas
2.1.1. Internet de las Cosas. Escenarios.
2.1.2. Introduccin a la tecnologa de mensajera, publicacin y suscripcin
2.1.3. IBM MessageSight Visin general y uso.
2.1.4. IoT Foundation. Bluemix y utilizacin de Sensores. Arduino
2.1.5. Prcticas con sensores
2.1.6. Otras prcticas
2.2. Otras fuentes
2.2.1. Informacin metereolgica (Weather.com)
2.2.2. Informacin de redes sociales y Ciudades Inteligentes
3. Introduccin al procesado de texto
3.1. Lingstica y computacin

3.2. Estratos de procesamiento del lenguaje natural

3.3. Extraccin bsica de caractersticas
4. Tcnicas de procesado de seal y reconocimiento de patrones para extraccin de
informacin
4.1. Tcnicas para modelado de seales
4.2. Tcnicas para comparacin de seales
5. Introduccin al tratamiento de imagen y vdeo
5.1. Representacin y codificacin
5.2. Operaciones bsicas
5.3. Segmentacin en regiones

Indexacin, bsqueda y anlisis en repositorios multimedia

1. Multimedia (imagen, video)
1.1. Extraccin de caractersticas en seales visuales: descriptores en imagen y vdeo
1.2. Descriptores globales: color, puntos de inters
1.3. Descriptores a nivel de regin segmentada: color, puntos de inters, textura, forma
1.4. Descriptores de movimiento: movimiento global, trayectorias
1.5. Aplicaciones en imgenes I: bsqueda global por color y puntos de inters
1.6. Aplicaciones en imgenes II: bsqueda en imgenes segmentadas
1.7. Aplicaciones en vdeo
2. Multimedia (audio)
2.1. Extraccin de caractersticas en seal de voz: deteccin de voz, tono fundamental,
espectro y envolvente espectral, espectrogramas
2.2. Extraccin de caractersticas en seal musical: deteccin de notas musicales
simultneas (multipitch), ritmo, armona, cromagramas, deteccin de msica,
localizacin de fragmentos musicales
2.3. Aplicaciones en voz I: reconocimiento de voz y deteccin de palabras clave
2.4. Aplicaciones en voz II: deteccin de hablante, deteccin de idioma, reconocimiento
de emociones
2.5. Aplicaciones sobre audio broadcast: segmentacin y separacin de hablantes y
eventos acsticos, bsquedas, indexacin y bsquedas sobre audio.
3. Anlisis de textos
3.1. Anlisis de caracteres: frecuencia, complejidad de compresin
3.2. Anlisis de tokens: tokenizacin, n-gramas, stop-words
3.3. Anlisis lxico: lexemas, categoras gramaticales, reglas generativas
3.4. Anlisis sintctico: rboles de parsing, gramticas formales y probabilsticas
3.5. Anlisis semntico: ontologas, wordnet, embeddings semnticos
3.6. Aplicaciones del anlisis de texto

Aplicaciones de anlisis
1. Business Analytics
1.1. Introduccin
1.2. Soluciones de data science para problemas de negocio
1.3. Evaluacin de modelos para negocio
1.4. Visualizacin del rendimiento de modelos
1.5. Ingeniera analtica
1.6. Evaluacin de propuestas
2. Finanzas
2.1. Series temporales en finanzas
2.2. Simulacin en finanzas
2.3. Riesgos en finanzas
3. Biomedicina y genmica

10

3.1. Introduccin al Big Data en Biomedicina

3.1.1. Diversidad e integracin de informacin biomdica
3.1.2. Disponibilidad y acceso a bases de datos biomdicas
3.1.3. Herramientas bsicas de tratamiento masivo de datos para el diagnstico y
prevencin de enfermedades
3.1.4. Dispositivos mviles y big-data biomdico
3.2. Genmica
3.2.1. Introduccin a la genmica y el Big Data
3.2.2. Algoritmos para el anlisis de datos NGS
3.2.3. Anlisis de expresin diferencial en datos de NGS
3.2.4. Herramientas
4. Impacto social: anlisis de redes sociales
4.1. Los medios sociales como fuente de datos.
4.2. Introduccin al social mining
4.2.1. Minera de redes sociales y de opiniones
4.2.2. Mtricas
4.2.3. Herramientas
4.3. Casos de estudio:
4.3.1. Cmo medir la concienciacin de los lectores.
4.3.2. Grupos de conversacin en Twitter: Anlisis polticos.
4.4. Social Mining: Analizando los datos de las redes sociales.
4.4.1. Conceptos bsicos sobre grafos.
4.4.2. Mtricas para anlisis de grafos o redes.
4.4.3. Deteccin de topics en los textos.
4.4.4. Anlisis de sentimiento.
4.4.5. Visualizacin de datos (informacin de redes, geoespacial y textual)
4.5. 5. Anlisis de comunidades.
4.5.1. Algoritmos de bsquedas de comunidades.
4.5.2. Mtricas de evaluacin de comunidades.
4.5.3. Casos prcticos de deteccin de comunidades.
4.6. Casos prcticos sobre Twitter
4.6.1. Extraccin y pre-procesado de datos.
4.6.2. Almacenamiento de datos en BD no relacionales (MongoDB).
4.6.3. Filtrado, ordenacin y agrupamientos de documentos (tweets).
4.6.4. Generar y analizar grafos de retweets, favoritos, amistad...
4.6.5. Analizando y visualizando los datos de Twitter.
5. Impacto social: computacin cognitiva
5.1. Bases de la Computacin Cognitiva. IBM Watson.
5.2. Estrategia de Soluciones Cognitivas de IBM.
5.3. Infraestructura para Soluciones Cognitivas.
5.4. Servicios cognitivos a travs de IBM Bluemix.
6. Smarter cities
6.1. Introduccin: Por qu Smarter Cities
6.2. Plataformas, arquitecturas y estandares en Smarter Cities
6.3. La conexin con Internet of Things: plataformas y arquitecturas
6.4. La potencia de Open Data en Smarter Cities
6.5. Integracin de Data Streams
6.6. Modelos de Big Data y Big Analytics en SmarterCities
6.7. Provisin de Servicos Digitales. El ecosistema: API Management, SmarterCities/IoT
PaaS
6.8. Gobernanza de Sistemas de Smarter Cities
6.9. Modelado de ciudades: indicadores

11

Trabajo Fin de Ttulo

A lo largo del curso cada alumno trabajar en el desarrollo de un trabajo prctico en
algn campo relacionado con Data Science o Big Data.
La evaluacin del Trabajo Fin de Ttulo se basar en una memoria explicativa del
trabajo desarrollado y una presentacin oral que se realizar en la primera quincena de julio
de 2018.

Direccin acadmica

Directora: Estrella Pulido Caabate: Profesora titular de Ingeniera

Informtica en la Escuela Politcnica Superior de la Universidad Autnoma de
Madrid. estrella.pulido@uam.es, 914972289.

Subdirector: Francisco Javier Gmez Arribas. Profesor titular de Ingeniera

Informtica en la Escuela Politcnica Superior de la Universidad Autnoma de
Madrid. francisco.gomez@uam.es, 914972255.

Profesores
Aguirre Maeso, Carlos
Escuela Politcnica Superior
UAM

Arroyo Guardeo, David

Escuela Politcnica Superior
UAM

Barbero Jimnez, Alvaro

Instituto de Ingeniera del
Conocimiento (IIC)
UAM

Bello Orgaz, Gema

Escuela Politcnica Superior
UAM

Bescs Cano, Jess

Escuela Politcnica Superior
UAM

Del Cacho Vicente, Carlos

Job and Talent

Camacho Fernndez, David

Escuela Politcnica Superior
UAM

Canivell Gutierrez, Cristian

Arquitecto de Tecnologas
de Informacin
IBM

Caas Clemente, Jos

Mara
Arquitecto de Tecnologas
de Informacin
IBM

Cobos Prez, Ruth

Escuela Politcnica Superior
UAM

Daz Garca, Julia

Escuela Politcnica Superior
UAM

Dorronsoro Ibero, Jos

Escuela Politcnica Superior
UAM

Espsito Massicci, Carlos

Facultad de Derecho
UAM

Firrez Aguilar, Julin

Escuela Politcnica Superior
UAM

Garca Dorado, Jos Luis

Escuela Politcnica Superior
UAM

12

Gallego Gmez, Jenaro

Arquitecto de Tecnologas
de Informacin
IBM

Gmez Arribas, Francisco

Escuela Politcnica Superior
UAM

Gonzlez Hidalgo, Juan

Antonio
Arquitecto de Tecnologas
de Informacin
IBM

Gonzlez Marcos, Ana Mara

Escuela Politcnica Superior
UAM

Gonzlez Martnez, Ivn

Escuela Politcnica Superior
UAM

Gonzlez Rodrguez,
Joaqun
Escuela Politcnica Superior
UAM

Haya Coll, Pablo

Escuela Politcnica Superior
UAM

Hernndez Bravo, ngel

Arquitecto de Tecnologas
de Informacin
IBM

Lago Fernndez, Luis F.

Escuela Politcnica Superior
UAM

Martn Prado, Alberto

Arquitecto de Tecnologas
de Informacin
IBM

Martnez Muoz, Gonzalo

Escuela Politcnica Superior
UAM

Martnez Snchez, Jos M

Escuela Politcnica Superior
UAM

Mora Rincn, Miguel ngel

Escuela Politcnica Superior
UAM

Moreno Martnez, Vctor

Analista Senior
CONENTO

Moreno Ruiz, Mara Jos

Arquitecto de Tecnologas
de Informacin
IBM

Moreno Navarro, Isaac

Arquitecto de Tecnologas
de Informacin
IBM

Muelas Recuenco, David

Escuela Politcnica Superior
UAM

Ordiz, Jos M
Arquitecto de Tecnologas
de Informacin
IBM

Ortega Garca, Javier

Escuela Politcnica Superior
UAM

Pascual Broncano, Pedro

Escuela Politcnica Superior
UAM

Pulido Caabate, Estrella

Escuela Politcnica Superior
UAM

Reina Julia, Luis

Especialista en Big Data y
Analytics
IBM

Requejo Tovar, Jaime

Especialista en Big Data y
Analytics
IBM

Riesco Garca, Diego

Arquitecto de Tecnologas
de Informacin
IBM

Rodrguez Ortiz, Francisco

de Borja
Escuela Politcnica Superior
UAM

Rodrguez Lujn, Irene

Escuela Politcnica Superior
UAM

Rodrguez Diaz, Cristina

Arquitecto de Tecnologas
de Informacin
IBM

Rodrguez Rodrguez,
Manuel
Arquitecto de Tecnologas
de Informacin
IBM

Snchez Pea, Juan Jos

Escuela Politcnica Superior
UAM

Snchez Montas, Manuel

Escuela Politcnica Superior
UAM

Surez Gonzlez, Alberto

Escuela Politcnica Superior
UAM

Tabuenca, Daniel
Arquitecto de Tecnologas
de Informacin
IBM

Tmico Garca, Vctor

Manuel
The Brain Sphere, S.L

13

Torre Toledano, Doroteo

Escuela Politcnica Superior
UAM

Torres Barrn, Alberto

Escuela Politcnica Superior
UAM

Vera Rodrguez, Rubn

Escuela Politcnica Superior
UAM

Villegas Nez, Paulo

Escuela Politcnica Superior
UAM

Varona Martnez, Pablo

Escuela Politcnica Superior
UAM

Inscripcin y matriculacin
Tasas
Precio del curso: 5900
Aparte del abono total del Ttulo, existe la posibilidad de pago fraccionado en cuatro plazos
sin coste adicional alguno:
- Primer plazo (matrcula): 944
- Segundo plazo (febrero 2017): 1652
- Tercer plazo (noviembre 2017): 1652
- Cuarto plazo (febrero 2018): 1652

Requisitos de admisin
Los requisitos y condiciones de acceso exigen ser ingeniero, licenciado o graduado
universitario o excepcionalmente, estar prximo a la finalizacin de cualquiera de estos
estudios. Tambin podrn acceder aquellas personas que, aun no cumpliendo los requisitos
anteriores, cuenten con amplia experiencia, documentalmente acreditada, en el campo de las
tecnologas TIC.

Inscripcin

Primer plazo: del 1 de mayo al 15 de junio de 2016.

Segundo plazo (slo si hay plazas vacantes del Primer Plazo): del 16 de junio al 15
de julio de 2016.

Los criterios de seleccin de estudiantes sern los siguientes:

Expediente acadmico: 20%
CV que detalle la experiencia en programacin: 30%
Competencia en el manejo de las TIC: 40%
Nivel de ingls: 5%
Otros mritos: 5%

14

Se realizar tambin una entrevista personal (cuando se considere pertinente) y esta ser
determinante.

Matriculacin
Fecha de matriculacin: del 1 al 21 de julio de 2016.

Becas
Los alumnos que soliciten becas sern seleccionados entre los inscritos en el primer plazo en
base a los siguientes criterios:

Currculum acadmico y/o profesional

Declaracin de la Renta o documento similar

Informacin y contacto
Para ms detalle e informacin contactar con secretaria.bigdata@uam.es

15