III MÁSTER DE DATA SCIENCE

III MÁSTER DE DATA SCIENCE OCT 21 MAYO 13 Inicio 21/10/2016 230 h. Presencial Madrid Bolsa de empleo Fin 13/05/2017 KSCHOOL.COM

ÍNDICE NÚMEROS DE KSCHOOL ESCUELA BIG DATA SCIENCE DE KSCHOOL DIFERENCIA ENTRE BIG DATA Y DATA SCIENCE DESCRIPCIÓN OBJETIVOS METODOLOGÍA Y EVALUACIÓN PERFIL DEL ALUMNO TEMARIO BIBLIOGRAFÍA RECOMENDADA MÓDULOS PREVIOS INSCRIPCIÓN, ITINERARIOS Y PRECIOS CALENDARIO PROFESORES BOLSA DE EMPLEO

NÚMEROS DE KSCHOOL Desde el inicio, en KSchool apostamos por una innovadora filosofía de formación LEAN, desarrollando un formato de cursos con la esencia del conocimiento y la práctica en cada materia. Esto garantiza una máxima especialización y empleabilidad. Esta filosofía de formación, nos permite desarrollar cursos muy especializados, sin más horas de las necesarias. 2010 20 15 Nuestros primeros cinco años Han sido cinco años de mucho trabajo, que se ven recompensados por el gran número de personas que han conseguido trabajo en el entorno digital y la cantidad de amigos que hemos hecho en el camino. KSCHOOL EN NÚMEROS Total de alumnos: 1273 Total ediciones: 86 Total programas: 13 Tasa de ocupación: 96%

ESCUELA BIG DATA SCIENCE Cinco años después del lanzamiento del primer máster en Analitica Web de España y después de formar a más de un millar de alumnos, en KSchool seguimos comprometidos con un modelo de formación práctica, de calidad y de la mano de los mejores profesionales. Por ello, y ante la gran oferta de formación en temáticas de Big Data y Data Science, en KSchool hemos creado la Escuela de Big Data Science. El objetivo de la Escuela de Big Data Science es convertir a KSchool en una referencia en el la formación en Big Data y Data Science ofreciendo la oferta de cursos más completa, especializada y actualizada del sector, y con los mejores profesionales como profesores. Además, andamos enredando, organizando y participando en diferentes actividades de la comunidad. Queremos crear una red de profesionales con alumnos, profesores, empresas, donde seguir compartiendo experiencias y conocimiento.

BIG DATA VS DATA SCIENCE Big Data hace referencia a las estrategias de Ingeniería del Software para el diseño e implementación de sistemas escalables intensivos en datos. Por tanto Big Data se centra en el desarrollo de software capaz de gestionar grandes cantidades de datos (Volumen), datos que se generan en tiempo real y/o que necesitan ser procesados para dar una respuesta en tiempo real (Velocidad), y datos con una estructura diversa (Variedad). El objetivo de Big Data es construir la infraestructura que soporte la escalabilidad horizontal y los tiempos de respuesta adecuados según el proyecto concreto. Sobre estas arquitecturas, se desarrollarán posteriormente los procesos analíticos de datos para extraer valor de los datos por parte de los Data Scientist. Si eres más de matemáticas, estadística y de análisis de datos, lo más probable es que tu campo sea el Data Science. Si por el contrario te gusta programar, el desarrollo de software, la administración de sistemas y bases de datos, echa un vistazo a nuestros programas de Big Data. Big Data y Data Science, por lo tanto, son dos campos diferentes pero complementarios.

DESCRIPCIÓN El fenómeno del Big Data no solo ha revolucionado las empresas, sino las listas de los perfiles más buscados por las mismas. Y es que se requiere profesionales que sepan manejar, analizar e interpretar estos datos para servir a los objetivos de negocio. Aunque la tendencia actual sea la búsqueda de perfiles bien con estudios en estadística o bien puramente técnicos, las empresas necesitarán estos perfiles especializados que combinen la analítica y la estrategia con la parte técnica, por lo que la formación en esta disciplina puede convertirse en un valor diferencial para acceder a estos puestos en un futuro muy cercano. Data Science

OBJETIVOS El objetivo del máster es que aprendas el ciclo de Data Science completo: desde los datos en bruto, hasta la elaboración de dashboards, pasando por machine learning y la aplicación de métodos estadísticos en la resolución de problemas habituales del Data Science. Tras este máster, estarás preparado para optar a puestos de Data Scientist, Business Intelligence, Business Analyst, y en general cualquier puesto que requiera ser capaces de analizar datos, especialmente los relacionados con Big Data. Al finalizar el máster serás capaz de convertir datos en productos y servicios mediante el uso de las herramientas estadísticas más habituales en el mundo del Data Science. Sabrás escribir tu propio código para analizar ingentes cantidades de datos en Hadoop y Spark, así como aplicar las técnicas del machine learning a estos datos usando Spark. Una de las claves del Data Scientist es la comunicación, por ello, tras cursar el máster, sabrás cómo desarrollar dashboards interactivos para presentar la información que han extraído de los datos usando R, Spark y otras herramientas.

METODOLOGÍA Y EVALUACION La filosofía de KSchool es ponte con, por lo que en nuestras clases tendrás que remangarte y ponerte a trabajar. Obviamente, todas las clases tienen un componente teórico necesario, pero una vez asimilado, tendrás que ponerlo en práctica. TFM El objetivo de nuestros másters es que aprendas trabajando, por lo que no tenemos exámenes finales sino Trabajo Fin de Máster en los que te obligamos a poner en práctica todo lo estudiado durante el máster. Además, el objetivo es que te sirva para complementar tu CV con un portfolio. En el Máster de Data Science, el trabajo consiste en realizar un proyecto habitual de Data Science: desde el dato en formato bruto, hasta la visualización que comunica la información extraída del dato. Será necesario usar alguna fuente de datos pública (o alguna otra fuente que el estudiante tenga permiso para usar), y realizar el procesado de datos, análisis estadístico o de machine learning, exportación a una base de datos (o alguna otra forma de almacenamiento permanente) y el desarrollo de un dashboard interactivo.

PERFIL DEL ALUMNO El perfil del alumno es muy variado, e incluye desde perfiles provenientes de carreras técnicas que quieran conocer las herramientas y entrar en el sector, hasta personas que tengan conocimientos de Business Intelligence y quieran refrescar sus conocimientos para actualizarlos a las últimas tecnologías del Data Science y el Big Data. No estás seguro de si tienes el perfil adecuado? Envíanos tu CV y déjanos ayudarte! Lo más importante es que se trate de personas con curiosidad por contar historias con los datos. El máster tiene un alto contenido técnico. Por esta razón, aunque no son necesarios conocimientos de un lenguaje de programación específico, si se necesita estar familiarizado con la programación en cualquier lenguaje. Todos los contenidos necesarios de programación se impartirán en el máster, pero es necesario saber cómo funciona un lenguaje de programación para un correcto seguimiento del temario. Los alumnos deberán haber usado Linux o algún otro sistema Unix, y conocer la línea de comandos (haberla usado alguna vez y saber qué es).

PERFIL DEL ALUMNO Si quieres saber si tienes el perfil adecuado, puedes hacerte las siguientes preguntas: - Quieres ser un Data Scientist? - Has usado Linux o algún otro sistema Unix (p.ej. Mac OS X)? - Has abierto alguna vez un terminal usando Linux/Unix? - Has escrito alguna vez un comando en la línea de comandos? Para qué? (por ejemplo, para instalar paquetes en tu distribución) - Has oído alguna vez hablar de Emacs o vi? (en el máster usaremos cualquier entorno de programación, pero si has oído hablar de Emacs o vi, tienes seguramente la experiencia previa necesaria para afrontar el máster). - Has visto alguna vez el código de algún programa? - BONUS: Has escrito alguna vez algún programa? Si no tienes estos conocimientos básicos y has decidido entrar en el mundo de los Data Science, evalúa si tienes tiempo antes del máster para adquirirlos. Los estudiantes necesitaréis un portátil funcionando con Linux. Si tienes un - Ordenador con Linux nativo instalado: sin problemas! será suficiente para seguir el curso. - Ordenador con Windows Instalado (No instalado Linux nativo): necesitarás un portátil con mínimo con 8 GB de RAM y suficiente espacio libre en disco (mínimo 50-100 GB). Y procesador Intel I5 mínimo. Esto es porque si no tienes Linux nativo en tu portátil vamos a usar máquinas virtuales, y una máquina virtual solo funcionará bien si hay suficientes recursos. MIRA NUESTROS MÓDULOS DE INTRODUCCIÓN MÁS ADELANTE! REQUISITOS TÉCNICOS

TEMARIO No es lo que estás buscando? Si lo que buscas va más en la línea de la programación, el desarrollo de software, la administración de sistemas y bases de datos, mejor echa un vistazo a nuestros programas de Big Data. No sabes cuál escoger? Escríbenos y cuéntanos tu caso. MÓDULO 1: INTRODUCCIÓN Qué es el Data Science? Por qué es importante? Quiénes son los profesionales que se dedican a ello Preparar el entorno de trabajo: GitHub Introducción a la línea de comandos. MÓDULO 2: LENGUAJES PARA DATA HACKING Bases de Datos Csvtoolkit Introducción a Python y ipython Notebook Numpy, Pandas, Dataframes y Matplotlib El reto de la ciencia de datos MÓDULO 3: MACHINE LEARNING Y ESTADÍSTICA Introducción a R R: vectores, listas, programación y programación vectorizada Manipulación avanzada de datos con R: reshape2 y plyr Visualización de datos con ggplot2; web scraping con R Mapas, grafos y redes sociales. Analisis de texto y series temporales con R. Informes automatizados: RMarkdown Datos medianos con R: data.table y dplyr. Tuberías. Introducción a la probabilidad y la estadística. Pruebas de hipótesis, p-valores y pruebas A/B Estadística bayesiana. Introducción a la modelización estadística. Estimación por máxima verosimilitud. Regresión lineal y logística (las secciones de "regresión lineal" y "clasificación" del programa original). Modelos lineales generalizados. Aprendizaje no supervisado. PCA y reducción de la dimensionalidad. Clustering Árboles y bosques. K-vecinos Maquinas de vector soporte (SVM). Gradient boosting machines. Modelos bayesianos y regularización. Lasso y regression "ridge". Procesamiento de lenguaje natural Introducción a los sistemas de recomendación Creación de cuadros de mando con Shiny MÓDULO 4: DEEP LEARNING MÓDULO 5: BIG DATA Spark MÓDULO 6: VISUALIZACIÓN Introducción a Tableau y visualización Tableau y visualización D3.js Visualizaciones avanzadas MÓDULO 7: APLICACIONES REALES DE DATA SCIENCE: CASOS DE NEGOCIO Customer Analytics: Segmentación de Clientes mediante el modelo RFM. Marketing Digital: Aplicación de diseño de Experimentos para planificar la producción. Supply Chain Value: Forecasting de demanda para planificar la producción. Business Intelligence: Introducción a las Métricas Robustas.

BIBLIOGRAFIA RECOMENDADA Tanto si cumples con el perfil del alumno, como si necesitas ponerte al día para llegar a él, te recomendamos los siguientes títulos. Su lectura no es necesaria ni obligatoria, pero sí muy recomendada ya que te ayudarán a adelantar conocimientos y aprovechar mejor las clases. - Linux para Principiantes: Una Introducción al Sistema Operativo - Linux y la Línea de Comandos Jason Cannon (Edición Kindle). - Guía de bolsillo de Linux Daniel J. Barret (Anaya Multimedia/O Reilly). - Data Science for Business Foster Provost, Tom Fawcett (O Reilly). - Python for Data Analysis Wes McKinney (O Reilly). - Machine Learning for Hackers Drew Conway, John Myles White (O Reilly). - Mining of Massive Datasets Rajaraman, Anand, Ullman, Jeffrey David (Cambridge University Press). - Estadística Básica, Guillermo Ayala Gallego

MÓDULOS PREVIOS Si tu objetivo es convertirte en un científico de datos, pero a día de hoy no tienes el perfil adecuado para cursar nuestro Máster en Data Science, empecemos desde el principio! Para ayudarte a conseguirlo hemos creado dos módulos temáticos introductorios que te ayudarán a conseguir la base de conocimientos mínimos necesaria para el máster. Estos programas han sido creados por los profesores del máster, pero son independientes a él: en función de tu perfil, puedes cursar los dos, sólo programación, sólo estadística o meterte de lleno en el máster. Tú decides. INTRODUCCIÓN A LA PROGRAMACIÓN PARA DATA SCIENCE (con Python) La programación para Data Science Variables y tipos de datos Control del flujo: condiciones, bifurcaciones y bucles. Listas, diccionarios y gráficos sencillos Bilbioteca y módulos estándar de Python Funciones y variables locales Documentación de funciones, PyDoc Ejemplos: simulación de Montecarlo para resolver un problema complejo Programación orientada a objetos: clases, herencia y polimorfismo Módulos y paquetes Python en Data Science (pandas, numpy) INTRODUCCIÓN A LA ESTADÍSTICA PARA DATA SCIENCE (con Python) Estadística, machine learning y data science Cómo usar la estadística para describir datos. Población y muestra Regresión estadística Pinceladas de combinatoria Qué es la probabilidad? Variables aleatorias (discretas, continuas). Función y modelos de probabilidad, funcion de densidad. Qué relevancia tienen en Data Science? Introducción a la inferencia estadística y contrastes de hipótesis: p-valores e intervalos de confianza Tests para inferencia estadística. Ejemplo A/B testing El Teorema de Bayes: Iniciación a la estadística bayesiana Machine Learning: métodos más habituales. Machine Learning y Big Data. Ejemplos

SI TU PERFIL ES... Tienes conocimientos de programación (da igual el lenguaje) y controlas los conceptos básicos de estadística y matemáticas. MÁSTER EN DATA SCIENCE Si has estudiado matemáticas, estadística, actuariales, economía, ADE... Si tienes los conocimientos de estadística claros y sólo te falta aprender a programar. INTRODUCCIÓN A LA PROGRAMACIÓN MÁSTER EN DATA SCIENCE Necesitarás manejar conceptos básicos de estadística con soltura en el máster, por lo que si eres informático, ingeniero, programador pero tus conocimientos de matemáticas y/o estadística están oxidados, este módulo es perfecto para ti. INTRODUCCIÓN A LA ESTADÍSTICA MÁSTER EN DATA SCIENCE Si eres analista senior, vienes del mundo del marketing pero tienes mucha (mucha) curiosidad y facilidad para trabajar con números y matemáticas, BI... O si tienes un perfil técnico o de ingeniería pero hace tiempo que no programas y necesitas refrescar conocimientos y adquirir soltura programando. INTRODUCCIÓN A LA PROGRAMACIÓN INTRODUCCIÓN A LA ESTADÍSTICA No importa cuál sea tu itinerario. Al finalizar el máster estarás preparado para optar a puestos de Data Scientist, Business Intelligence, Business Analyst, y en general cualquier puesto que requiera ser capaces de analizar datos, especialmente los relacionados con Big Data. MÁSTER EN DATA SCIENCE

INSCRIPCIÓN Reserva tu plaza! Dado el alto contenido técnico de este máster, necesitamos comprobar que cumples con los conocimientos previos mínimos para ofrecerte una experiencia satisfactoria. Si estás interesado en cursar este máster, mándanos tu CV actualizado y te confirmaremos si cumples con el perfil adecuado para cursar el máster. Duración: 230 h. presenciales Precio: 6.500 Lugar: Aula KSchool Melior Calle Diego de León, 47 28006 Madrid MODALIDAD FIN DE SEMANA MODALIDAD ENTRE SEMANA PAGO FRACCIONADO** Precio final: 6500 Reserva de plaza: 500 Plazo 1: 2000 Plazo 2: 2000 Plazo 3: 2000 PAGO ÚNICO Precio final: 6175 Reserva de plaza: 500 Plazo 1: 5675 5 % dto. Inicio: 21/10/2016 Fin: 13/05/2017 Horario: Viernes de 17 a 22 h. Sábados de 9 a 14 h. No disponible Todos nuestros cursos son bonificables a través de la Fundación Tripartita. Si estás interesado coméntanoslo al hacer tu inscripción y nosotros te lo gestionamos sin ningún tipo de coste adicional. *El importe de la reserva de plaza será íntegramente reembolsado hasta 7 días antes del comienzo del curso si finalmente decides no cursar el máster. **Los plazos son mensuales, a partir del mes de comienzo del curso. Los pagos fraccionados se abonaran mediante recibo domiciliado el día 5 de cada mes.

ITINERARIOS Y PRECIOS En función de cuál sea tu perfil, puedes cursar estos programas juntos o por separado. Las fechas son consecutivas para que los programas sean compatibles entre si, y están diseñados para que en un máximo de 9 meses puedas obtener una formación completa como Data Scientist. Pregúntanos por las opciones de financiación! ITINERARIO COMPLETO Introducción a la Programación: 595 + Introducción a la Estadística: 495 + Máster de Data Science: 6500 Precio final: 7500 ITINERARIO ESTADÍSTICA Introducción a la Estadística: 495 + Máster de Data Science: 6500 Precio final: 6995 INTRODUCCIÓN A LA PROGRAMACIÓN INTRODUCCIÓN A LA ESTADÍSTICA MÁSTER EN DATA SCIENCE ITINERARIO PROGRAMACION 595 45 horas Inicio: 05/09/2016 495 30 horas Inicio: 29/09/2016 6500 230 horas Inicio: 21/10/2016 Introducción a la Programación: 595 + Máster de Data Science: 6500 Fin: 28/09/2016 Fin: 18/10/2016 Fin: 13/05/2017 Precio final: 7095 Horario: Lunes, martes, miércoles y jueves De 18 a 21h Horario: Lunes, martes, miércoles y jueves De 18 a 21h Horario: Viernes de 17 a 22h Sábados de 9 a 14h El importe de la reserva de plaza será íntegramente reembolsado hasta 7 días antes del comienzo del curso si finalmente decides no cursar el máster. Los plazos son mensuales, a partir del mes de comienzo del curso. Los pagos fraccionados se abonaran mediante recibo domiciliado el día 5 de cada mes.

Empezamos el 21 de octubre CALENDARIO OCTUBRE 2016 NOVIEMBRE 2016 DICIEMBRE 2016 Lu Ma Mi Ju Vi Sa Do Lu Ma Mi Ju Vi Sa Do Lu Ma Mi Ju Vi Sa Do 1 2 1 2 3 4 5 6 1 2 3 4 3 4 5 6 7 8 9 7 8 9 10 11 12 13 5 6 7 8 9 10 11 10 11 12 13 14 15 16 14 15 16 17 18 19 20 12 13 14 15 16 17 18 17 18 19 20 21 22 23 21 22 23 24 25 26 27 19 20 21 22 23 24 25 24 25 26 27 28 29 30 28 29 30 26 27 28 29 30 31 ENERO 2017 FEBRERO 2017 MARZO 2017 ABRIL 2017 MAYO 2017 Lu Ma Mi Ju Vi Sa Do Lu Ma Mi Ju Vi Sa Do Lu Ma Mi Ju Vi Sa Do Lu Ma Mi Ju Vi Sa Do Lu Ma Mi Ju Vi Sa Do 1 1 2 3 4 5 1 2 3 4 5 1 2 1 2 3 4 5 6 7 2 3 4 5 6 7 8 6 7 8 9 10 11 12 6 7 8 9 10 11 12 3 4 5 6 7 8 9 8 9 10 11 12 13 14 9 10 11 12 13 14 15 13 14 15 16 17 18 19 13 14 15 16 17 18 19 10 11 12 13 14 15 16 15 16 17 18 19 20 21 16 17 18 19 20 21 22 20 21 22 23 24 25 26 20 21 22 23 24 25 26 17 18 19 20 21 22 23 22 23 24 25 26 27 28 23 24 25 26 27 28 29 27 28 27 28 29 30 31 24 25 26 27 28 29 30 29 30 31 30 31 Terminamos el 13 de mayo

PROFESORES Daniel Mateos Data Scientist Amadeus Es Doctor en Bioquímica por la Universidad Autónoma de Madrid y ha trabajado en laboratorios de EEUU y Suiza. Llegó al Data Science desde la secuenciación masiva de ADN. En parte por necesidad y en parte por vicio aprendió Python para aplicarlo al análisis de datos de NGS, y desde entonces ha ido sumando herramientas al saco. Actualmente trabaja en Amadeus como Data Scientist. Israel Herraiz Data Scientist Amadeus Israel Herraiz trabaja como data scientist en Amadeus. Israel es doctor en Ingeniería Informática por la Universidad Rey Juan Carlos (2008), y ha sido investigador visitante en universidades de Europa, Canadá y Estados Unidos. Antes de trabajar en Amadeus, era profesor ayudante doctor en la Universidad Politécnica de Madrid, donde realizaba investigación aplicando data science al estudio del desarrollo de software y al fenómeno del software libre. Más recientemente, ha trabajado en el área de ingeniería del transporte, estudiando los patrones en el tráfico por carretera. En Amadeus, aplica los mismos métodos al análisis de los datos de la industria de viajes (agencias, aerolíneas, etc.). Juan Arévalo Data Scientist BBVA Data & Analytics Es Doctor en Física de Plasma y Fusión Nuclear por la Universidad Carlos III de Madrid y el centro de investigación CIEMAT, donde trabajó como investigador en el área de análisis de datos, realizando estancias y colaboraciones en EEUU, Japón, Alemania, etc. Tras finalizar su doctorado se unió al equipo de Data Scientist de Amadeus, donde se convirtió en un entusiasta de la programación funcional (Scala) y su aplicación en el análisis de datos masivos (Spark). Actualmente trabaja en la empresa BBVA Data&Analytics en el área de fraude y campañas de promoción a minoristas, en donde aplica técnicas basadas en la teoría de grafos y el aprendizaje automático de máquinas. Carlos Gil Bellosta Propietario de Datanalytics.com Ex-eBay, ex-bbva, ex-everis, ex-barclays, exmatemático, ex casi todo. No obstante, estadístico diletante, entusiasta de R y bloguero en los ratos libres de los días de hacer. Carlos J. Gil Bellosta es un científico de datos y entusiasta de R radicado en Madrid. Estudió matemáticas y estadística en la Universidad de Zaragoza y Washington University en San Luis, EE.UU. Fundó datanalytics en 2005 y ha trabajado con datos grandes y pequeños desde entonces. Es un miembro activo de la comunidad de usuarios de R, ha desarrollado varios paquetes, como los cada vez más populares rpython y pxr y ha sido presidente de la asociación de usuarios de R (Comunidad R Hispano) desde su fundación en 2011. Igor Arambasic Data Scientist Amadeus Es doctor en Ingeniería de Telecomunicaciones por la UPM en 2008. En su época de investigador pos-doctoral fue el manager del grupo de UPM en dos proyectos europeos del séptimo programa Marco de ICT (WHERE, WHERE2). En estos proyectos inició su trayectoria de análisis y uso de Big Data en los algoritmos para el mapeo y posicionamiento en los interiores basados en las medidas reales. Desde 2014 sigue su carrera de científico en Amadeus en la posición de Data Scientist dedicándose en exclusiva a Big Data.

PROFESORES Antonio Pita Lozano Head of Business Analytics en Liberbank Es Licenciado en Matemáticas con DEA en Algebra. Acumula Master en Administración de Empresas y Marketing, Master en Asesoramiento Financiero y Master en VIsual Analytics and Big Data. Durante su trayectoria profesional ha trabajado en el mundo académico como profesor en diversas instituciones públicas y privadas como Universidad de Murcia, Universidad de Almería, EOI, CIFF, EFF, en el mundo científico como investigador donde ha publicado en prestigiosas revistas internacionaes, en el mundo financiero desempeñando múltiples funciones dentro de las areas comerciales, de riesgos y Marketing y en el mundo de la consultoria gestionando proyectos Analytics en grandes empresas como Altadis, Mapfre, Bankia, Repsol. Ahora ha encontrado el equilibrio como Experto en Data Science, gestionando equipos multidisciplinares transformando los datos en conocimiento que permitan mejorar el negocio. Apasionado de las nuevas tecnologías Big Data y los nuevos paradigmas asociados, es un gran defensor del software open source como R, del que ha desarrollado un R-package y de Spark. Formador desde 1998 en múltiples unviersidades y escuelas de negocio donde práctica su vocación natural, la formación y el desarrollo de las personas.viajes (agencias, aerolíneas, etc.). Sebastien Pérez Data Scientist Amadeus Raúl Arrabales Analytics Senior Manager Accenture Analytics Olivier Nuñez Es Ingeniero de Telecomunicación en la UPM con un máster en gestión informática en la escuela ParisTech de Paris. Ha trabajado en varias empresas tecnológicas y en proyectos muy variados: proyectos de domótica en Telefónica, Google Maps y Earth en Google, Procesadores de bajo consumo en Texas Instrumentos, Venta y distribución de billetes de tren en Amadeus. Fue en Texas Instruments donde empezó a gestionar y comprender grandes volúmenes de datos al deber implementar y analizar un CRM con más de 2000 clientes. Desde 2014, desempeña el puesto de Data Scientist en Amadeus donde se especializa en Visualización y Web Services.t. Raúl Arrabales Moreno es ingeniero en informática, doctor en Inteligencia Artificial y MBA. En los últimos años Raúl ha liderado proyectos y start-ups de base tecnológica asumiendo diferentes roles, desde Jefe de Proyecto a CEO, en compañías como IBM, Arris, Orange, Comaware y Altran. Actualmente Raúl es Analytics Senior Manager en Accenture Digital. En el ámbito científico, Raúl contribuye al avance de las Ciencias Cognitivas con nuevos modelos computacionales y también imparte clases y conferencias de Informática, Inteligencia Artificial, Inteligencia de Negocio, Robótica y Sistemas Cognitivos en diferentes centros, habiendo sido profesor doctor de la Universidad Carlos III de Madrid y director del área de ingeniería en U-tad (Universidad Camilo José Cela). Doctor en estadística por la universidad Paul Sabatier (Toulouse, Francia). Investigador del Centro Nacional de Epidemiología del Cáncer del Instituto de Salud Carlos III, desde 2012. Más de 15 años de experiencia como docente, investigador y consultor. Miembro activo de la comunidad de usuarios de R.

BOLSA DE EMPLEO Dato general de empleo: 96% de nuestros alumnos están trabajando 1.222 alumnos totales trabajando (96% de 1.273) En KSchool disponemos de una bolsa de empleo privada para los alumnos de todos nuestros másters. Esta bolsa de empleo es una plataforma en donde empresas del sector buscan candidatos para cubrir sus vacantes. EMPRESAS COLABORADORAS Gracias a la gran preparación con la que salen nuestros alumnos, cada vez son más las empresas que recurren a nosotros para buscar profesionales altamente cualificados en cualquiera de las áreas de influencia de nuestra formación: marketing online, analítica web, SEO y UX.

MANIFIESTO KSCHOOL Si el sistema no está preparado para darnos el conocimiento que necesitamos lo vamos a conseguir por nuestra cuenta Hoy, en ciertos sectores el valor no lo aporta un título. Lo aporta lo que cada profesional sabe hacer Si dependemos de nosotros mismos, vamos a pensar por nosotros mismos No queremos, ni podemos sentarnos a esperar a que alguien se fije en nosotros No hay ningún mapa. Debemos hacer nuestro camino, y es un camino que muchas veces no ha sido explorado, pavimentado, ni señalizado Nuestro conocimiento es la clave de nuestro desarrollo personal y profesional Todo el mundo tiene algo que enseñar. Queremos aprender todos de todos En el mundo del conocimiento, cuanto más se comparte más se tiene Lo que aprendemos es lo que practicamos Especializarse es ponerle un apellido a nuestra profesión. Es echarle especias a nuestro ingrediente principal Queremos construirnos un futuro fuera del rebaño. Para eso vamos a pensar y hacer las cosas de forma diferente No vamos a seguir instrucciones a ciegas, no vamos a ser pelotas, no vamos a mantener la cabeza agachada. Esas formas no van con nosotros Vamos a estar siempre en movimiento. No vamos a parar de movernos. Somos inquietos y nos gusta ser así Como queremos resultados diferentes, vamos a hacer las cosas de forma diferente Las pirámides son monumentos funerarios. Nos divierte verlas en los libros de historia, no sufrirlas en nuestro trabajo Nuestro mercado no es el de los empleos. Es el de las oportunidades Queremos colaborar con nuestras empresas a generar ingresos, no queremos tener un simple empleo Queremos avanzar elaborando mejores recetas, no cocinando más Queremos poner vida a los años, no solo años a la vida Somos mucho más que un perfil y unas competencias. Somos algo más que las hojas de nuestro CV Queremos levantarnos con ilusión los próximos 40 años. Queremos hacer las cosas con pasión, cariño y humanidad.

info@kschool.com @kschoolcom 91 577 83 41 91 355 42 97 Calle José Picón, 31 28028 Madrid www.kschool.com