Máster en Big Data Deportivo

1. Introducción al uso del Big Data en el mundo del deporte.
2. Teoría de Juegos:
   • Los elementos que intervienen en un juego.
   • Representaciones gráficas.
   • Tipos de juegos y estrategias.
   • “El equilibrio de John Nash”.
   • Teoría y práctica aplicada al deporte.
3. Teoría de la Toma de Decisiones:
   • Definiciones y fases del ciclo.
   • Tipología por niveles y por métodos.
   • Técnicas de modelación de un proceso de toma de decisiones.
   • Modelos para la simplificación de la toma de decisiones en una organización en un
   • ambiente de incertidumbre.
   • Herramientas para la representación de la lógica decisional.

1. Introducción al Big Data.
2. Casos de uso típicos.
3. Ecosistema Hadoop y distribuciones     disponibles.
4. Arquitectura clásica de un entorno Hadoop.
5. Herramientas de ingesta de datos.
6. Herramientas de procesamiento de datos en batch y Map Reduce.
7. Desplegar un cluster de Spark en Azure. Diferencia entre cloud y on premise.
8. Spark(I). Spark dentro del ecosistema Hadoop.
9. Spark(II). Arquitectura de Spark.
10. Spark (III). Procesamiento con Spark en Python.
11. Spark (IV). Optimización de Jobs de spark.

1. Introducción a las bases de datos  relacionales. Conceptos y principales características.
2. Estructura de datos relacional
3. Lenguaje de consulta SQL
4. Introducción a las bases de datos NoSQL. Conceptos y principales características.
5. Operaciones de Consulta.
6. Diseño de una base de datos NoSQL.

1. Programación básica con R.
2. Limpieza y preparación de datos con R.
3. Análisis exploratorio con R.
4. Programación básica con Python.
5. Aplicaciones de análisis de datos con Python.

1. Qué es el aprendizaje automático?
2. Historia de la Inteligencia Artificial
3. Ejemplos de aplicaciones machine learning
4. Tipos de modelos inteligencia artificial
5. Pasos para construir un modelo de Machine Learning
6. Regresión
7. Introducción a clasificadores
8. Algunos clasificadores ilustres
9. Aprendizaje No Supervisado
10. Aprendizaje Reforzado

1. Introducción al Big Data en el deporte
2. El origen del Big Data en el deporte: El Beisbol
3. Moneyball
4. Uso de estadísticas avanzadas para analizar el juego béisbol: Sabermetría
5. Del Beisbol al baloncesto: Método Muthuball
6. Ejemplos actuales del big data en el futbol: Selección Alemana de futbol
7. Herramientas visuales de análisis y proveedores de datos

1. Introducción a los Proveedores de Datos. Métricas avanzadas y conceptos
2. Stats Perform Opta
   • Opta Pro
   • Vision
3. Hudl Wyscout
4. Hudl Statsbomb
5. Mediacoach
6. Portales de estadísticas
   • Sofascore
   • Transfermarkt
   • Understat
   • FBREF
   • Fotmob
   • Livefutbol

1. Introducción a las herramientas de visualización (conceptos de métricas y dimensiones)
2. IBM Watson
3. Microsoft Power BI
4. Tableau
5. Google Looker Studio

1. Introducción al Análisis de datos individual, colectivo y del rival en el deporte
   • Tipos de Indicadores (Físicos, Tácticos, Técnicos y Psicológicos)
   • El Analista Técnico-Táctico
   • Fases o Momentos del Juego
   • Acciones a Balón Parado
   • Análisis del Portero
2. Herramientas de vídeo análisis
   • Mediacoach (incluye demo de la versión de escritorio)
   • Nacsport (incluye licencia demo)
   • Eric
   • Longomatch
   • Sportscode
3. Informes Profesionales de un analista

1. Sistemas de posicionamiento global.
2. Variables del rendimiento.
3. Cuantificación de la carga y optimización del rendimiento.

1. Introducción a la presentación de informes. Características de los grandes oradores
2. Modelos de informes
3. Objetivo de la presentación
4. Pasos básicos de la presentación
5. Planificación de la presentación: Audiencia, Tiempo y Mensaje
6. Diseño y Composición de la presentación
7. Herramientas de visualización de datos.

Porque tu Proyecto Fin de Máster es tu mejor carta de presentación, trabajamos contigo, codo con codo para que sea el reflejo de tus objetivos y tus sueños y, sobre todo, refleje todo de lo que vas a ser capaz. Tendrás la opción de proponer la realización de tu PFM para clubes colaboradores, empresas industria, Sports Data Lab… Porque tu Proyecto es nuestro Proyecto.

1. Planteamiento del Proyecto
2. Búsqueda y Datos
3. Limpieza de Datos
4. Modelo Analítico Machine Learning
5. Visualización
6. Conclusiones
7. Bibliografía