Μεταπτυχιακό στη Μεγάλη Ανάλυση Δεδομένων και Οπτικοποίηση / Visual Analytics & Μεγάλα Δεδομένα

Πάρτε το μάστερ σας στα μεγάλα δεδομένα online στο UNIR

Το Master in Big Data online θα σας εκπαιδεύσει ως επαγγελματία BIG DATA, ένα από τα πιο απαιτητικά επαγγέλματα σήμερα. Με αυτήν την εκπαίδευση θα είστε σε θέση να σχεδιάζετε και να εφαρμόζετε συστήματα που παρακολουθούν μια διαδικασία, εξάγουν σχετικές πληροφορίες από αυτήν και τις επικοινωνούν εύγλωττα και αποτελεσματικά.

Αυτό το πανεπιστημιακό μεταπτυχιακό στο Visual Analytics και τα Big Data εμβαθύνει στις πιο προηγμένες τεχνολογίες Big Data και Machine Learning:

• Συλλογή και αποθήκευση δεδομένων: Διαχείριση και επεξεργασία δεδομένων με το MongoDB.
• Τεχνικές Τεχνητής Νοημοσύνης: τεχνικές συσσωμάτωσης και σχεδίαση συστημάτων εμπειρογνωμόνων ικανών να συνάγουν νέες γνώσεις.
• Μηχανική για την μαζική επεξεργασία δεδομένων (μηχανική μάθηση): Εργαλεία Hadoop και ανάλυση δεδομένων και εξόρυξη κειμένου με R.
• Εργαλεία απεικόνισης: Χάρτες Google, προσθήκες JQuery, για απεικονίσεις και D3.js

Χάρη σε αυτό το επίσημο μεταπτυχιακό στα Big Data online, θα διαχειριστείτε τέλεια τις τρεις βασικές τεχνικές: συλλογή και αποθήκευση πληροφοριών, εξόρυξη δεδομένων για έξυπνη ανάλυση και οπτικοποίηση πληροφοριών.

UNIR σας προσφέρει τη δυνατότητα εξατομίκευσης της εκπαίδευσής σας μέσω ειδικοτήτων. Επιλέξτε αυτό που ταιριάζει καλύτερα στους επαγγελματικούς σας στόχους και αποκτήστε διπλό πτυχίο με το οποίο θα διευρύνετε τις ευκαιρίες εργασίας σας:

• Πανεπιστημιακός Ειδικός στη Βιομηχανία 4.0
• Πανεπιστημιακός Ειδικός σε Big Data και Τεχνητή Νοημοσύνη
• Ειδικός στη Διαχείριση Ψηφιακών Έργων

Με αυτήν την ηλεκτρονική εκπαίδευση και με τις γνώσεις που αποκτήσατε καθ' όλη τη διάρκεια του μαθήματος, θα μπορείτε να αποκτήσετε πιστοποιήσεις από τις κορυφαίες εταιρείες σε λύσεις cloud computing: Microsoft Certified Azure Fundamentals και AWS Certified Cloud Practitioner. Επιπλέον, όταν εγγραφείτε θα λάβετε το μάθημα προγραμματισμού Python, εντελώς δωρεάν.

Με αυτό το Επίσημο Master in Big Data θα μπορείτε να εκπαιδεύεστε και να εξειδικεύεστε με τα πιο σύγχρονα εργαλεία και γλώσσες που χρησιμοποιούνται στην αγορά, όπως MongoDB, R, Weka, Spark ή Tableau

Γενικές πληροφορίες

• Γενικές πληροφορίες
• Συντελεστές: 60 π.μ.
• Διάρκεια: 1 ακαδημαϊκό έτος
• Μεθοδολογία: 100% διαδικτυακή διδασκαλία
• Εξετάσεις: Διαδικτυακές ή/και προσωπικές εξετάσεις σε κάθε εξάμηνο
• Πρακτική εξάσκηση: υποχρεωτική εξωτερική πρακτική εξάσκηση (6 ECTS). Η αναγνώρισή τους γίνεται με διαπιστευμένη επαγγελματική πείρα
• Πρόσβαση στο Διδακτορικό Δίπλωμα: Αυτό το επίσημο μεταπτυχιακό πρόγραμμα επιτρέπει την ενσωμάτωση σε επίσημα προγράμματα διδακτορικών σπουδών και βελτιώνει την βαθμολογία σας, εφόσον αντιστοιχεί στον ίδιο χώρο γνώσης, στην κλίμακα των εξετάσεων, των ενδιάμεσων καταλόγων, των διαγωνισμών μεταφοράς και των ανταλλαγών θέσεων εργασίας. Ελέγξτε τις βάσεις της δημόσιας προσφοράς.

μεθοδολογία

Η UNIR μελέτης UNIR είναι ευέλικτη, εξατομικευμένη και αποτελεσματική. Η μεθοδολογία βασίζεται σε διαδικτυακές τάξεις ζωντανής παρακολούθησης και προσωπικό δάσκαλο για να προσφέρει την καλύτερη εκπαίδευση.

Το παιδαγωγικό μοντέλο UNIR είναι αποτελεσματικό επειδή βασίζεται σε μια πλήρως ηλεκτρονική μεθοδολογία, έτσι ώστε κάθε μαθητής να μπορεί να μελετήσει με τον δικό του ρυθμό:

• Ζωντανές ηλεκτρονικές τάξεις: Υπάρχουν τάξεις προγραμματισμένες κάθε μέρα της εβδομάδας το πρωί και το απόγευμα, ώστε να μπορείτε να παρακολουθήσετε μαθήματα όταν είναι καλύτερο για σας.
• Online μαθήματα σε αναβολή: Αν δεν μπορούσατε να παρακολουθήσετε μια τάξη ή μείνατε με ερωτήσεις, μπορείτε να έχετε πρόσβαση σε όλες τις τάξεις σας σε αναβολή. Μπορείτε να τα δείτε όποτε θέλετε και όσες φορές χρειάζεστε.
• Προσωπικός δάσκαλος: Την πρώτη ημέρα θα σας ανατεθεί ένας προσωπικός δάσκαλος. Θα είστε σε επαφή μαζί του μέσω τηλεφώνου και ηλεκτρονικού ταχυδρομείου. Θα σας στηρίξει την ημέρα σας και θα λύσετε τυχόν αμφιβολίες που μπορεί να προκύψουν.
• Virtual Campus: Όλα όσα πρέπει να σπουδάσετε στο UNIR είναι στην πανεπιστημιούπολη: μαθήματα, καθηγητές, συμμαθητές, βιβλιοθήκη, πόροι διδασκαλίας, χρονοδιαγράμματα, συνομιλία, φόρουμ και πολλά άλλα.
• Διδακτικές πηγές: Θα έχετε πρόσβαση σε διαφορετικούς μαθησιακούς πόρους για να ολοκληρώσετε την εκπαίδευσή σας: συμπληρωματικές μετρήσεις, διαγράμματα με βασικές ιδέες, δοκιμή αυτοαξιολόγησης κλπ.

Σύστημα αξιολόγησης

Για να γνωρίζουμε το επίπεδο επίτευξης των γενικών και ειδικών στόχων που ορίζονται στο διαδικτυακό μάστερ, είναι απαραίτητο να αξιολογηθούν οι ικανότητες που αποκτήθηκαν κατά τη διάρκεια της μελέτης του ιδίου.

Η αξιολόγηση της μάθησης πραγματοποιείται λαμβάνοντας υπόψη τα προσόντα που αποκτώνται στα ακόλουθα σημεία:

• Συνεχής αξιολόγηση: 40% (δοκιμές αξιολόγησης, συμμετοχή και συμμετοχή του φοιτητή σε φόρουμ, συζητήσεις και άλλα συνεργατικά μέσα και επίλυση πρακτικών περιπτώσεων).
• Τελική εξέταση πρόσωπο με πρόσωπο: 60%.
• Διδακτορική Διατριβή

ευκαιρίες σταδιοδρομίας

Για θέσεις "Data Scientist" και "Business Intelligence", οι εταιρείες και τα ιδρύματα αναζητούν δυναμικούς επαγγελματίες που συνδυάζουν τη γνώση της Εταιρείας, τη διαχείριση τεχνολογιών Big Data και προηγμένες δεξιότητες ανάλυσης. Μόνο ένα προφίλ αυτών των χαρακτηριστικών μπορεί να εντοπίσει, να συλλέξει, να αναλύσει, να ερμηνεύσει και να μετατρέψει τα δεδομένα σε σχετικές πληροφορίες.

Μερικά επαγγελματικά αποτελέσματα αυτού του κύριου:

• Διαχειριστής επιχειρησιακής ευφυΐας
• Ανώτερος Αναλυτής
• BI Consultant
• Μεγάλος αναλυτής δεδομένων
• Τεχνικός Επιχειρηματικής Ευφυΐας
• Senior BI Consultant
• Μεγάλο Data Project Manager

διδακτέα ύλη

Πρώτο Εξάμηνο 30 ECTS

• Μέθοδοι συλλογής και αποθήκευσης πληροφοριών
• Απόρρητο και Προστασία Δεδομένων
• Ανάλυση και Ερμηνεία Δεδομένων
• Τεχνικές Τεχνητής Νοημοσύνης
• Μηχανική για μαζική επεξεργασία δεδομένων
• Διαδραστική προβολή πληροφοριών

Δεύτερο εξάμηνο 30 ECTS

• Εργαλεία Οπτικοποίησης
• Στρατηγικό Μάρκετινγκ και Ανάλυση Πελατών
• Business Intelligence για λήψη αποφάσεων
• Επιχειρηματική πρακτική
• Master's Final Project

προφίλ Πτυχιούχος

Μετά την ολοκλήρωση του μεταπτυχιακού διπλώματος, οι φοιτητές θα είναι σε θέση:

• Προσδιορίστε τις διάφορες φάσεις που απαιτεί η επεξεργασία μιας καλής οπτικοποίησης: συλλογή δεδομένων, επεξεργασία και αναπαράσταση.
• Σχεδιάστε μια μέθοδο συλλογής δεδομένων που καταφέρνει να χαρτογραφήσει μια δραστηριότητα, εργασία ή διαδικασία σε συγκεκριμένα δεδομένα.
• Χρησιμοποιήστε υπάρχουσες τεχνικές και εργαλεία για εξόρυξη δεδομένων, στατιστικές και οπτικοποίηση πληροφοριών.
• Σχεδιάστε και αναπτύξτε διαδραστικές, εύχρηστες και εύγλωττες απεικονίσεις.
• Σχεδιάστε και αναπτύξτε ένα σύστημα για την υποστήριξη της λήψης αποφάσεων, λαμβάνοντας υπόψη ολόκληρη τη διαδικασία: συλλογή δεδομένων, επεξεργασία και οπτικοποίηση.