MÁSTER EN

PYTHON AVANZADO

APLICADO AL DEPORTE

MASTER EN

PYTHON AVANZADO

APLICADO AL DEPORTE

logo sports data campus
logo ENIIT
Logo UCAM

MÁSTER EN PYTHON AVANZADO APLICADO AL DEPORTE

Sevilla_campeon_europa_league

¿Listo para marcar la diferencia en el análisis deportivo con Python de 0 a 100? Desde Sports Data Campus, te invitamos a sumergirte en un mundo donde la programación y el deporte se encuentran para revolucionar el análisis de datos deportivos.

Este curso es tu oportunidad de profundizar en Python, elevando tus habilidades analíticas a nuevas alturas y abriendo puertas a oportunidades inexploradas en el deporte profesional.

El análisis de datos es el nuevo campo de juego donde la estrategia y el rendimiento se optimizan hasta límites insospechados. Con este curso avanzado, diseñado especialmente para exalumnos del máster en Big Data en el Deporte y profesionales que buscan una ventaja competitiva, te convertirás en el pionero del cambio, aplicando la ciencia de datos para transformar información en victorias.

Nuestra promesa es clara: equiparte con un conocimiento profundo de Python aplicado al deporte, desde la recopilación y análisis de datos hasta la visualización y el machine learning, todo enfocado en el rendimiento deportivo. A través de una metodología práctica, te enfrentarás a casos reales, colaborando en proyectos que te preparará para liderar la innovación en el análisis deportivo.

Únete a nosotros en esta aventura única, donde la pasión por el deporte y la tecnología se unen para formar a los líderes del futuro en el análisis deportivo. Es tu momento de brillar, de llevar tus habilidades en Big Data al siguiente nivel y de ser parte de la élite en análisis deportivo con Python.

¿Cómo puede el Máster en Python Avanzado Aplicado al Deporte impulsar mi carrera profesional en el ámbito del análisis deportivo?

Porque TÚ eres lo más importante para nosotros

Hacer el «Máster en Python Avanzado Aplicado al Deporte» es una decisión estratégica por varias razones clave:

Especialización Avanzada

Profundiza en Python específicamente para análisis deportivo, una habilidad altamente demandada.

Competitividad Profesional

Te posiciona en la vanguardia del análisis deportivo, un área en crecimiento constante.

Aplicación Práctica Inmediata

Los proyectos y casos de estudio están diseñados para aplicar lo aprendido en escenarios reales, aumentando tu valor en el mercado laboral.

Red de Profesionales

Te conecta con expertos y profesionales del sector, ampliando tu red de contactos.

Innovación en el Deporte

Te prepara para liderar proyectos de innovación y tecnología en entidades deportivas.

FÓRMATE CON LOS MEJORES COLABORADORES

Empresas

El programa formativo que te ayudará a liderar y profesionalizar la aplicación de las nuevas tecnologías en clubes y entidades deportivas

  1. Domina Python en el Deporte: Adquiere una base sólida en Python, aplicada específicamente para revolucionar el análisis deportivo.
  2. Desarrolla Pensamiento Analítico: Cultiva habilidades críticas para resolver problemas complejos, aplicables tanto en el deporte como en los negocios y la ciencia.
  3. Impulsa tu Carrera: Prepárate para liderar en campos emergentes como la analítica deportiva, ciencia de datos, y tecnología deportiva.
  4. Innova con Metodologías Ágiles: Aprende a gestionar proyectos tecnológicos deportivos con agilidad y eficacia.
  5. Herramientas Avanzadas de Análisis: Maneja las herramientas y técnicas más avanzadas para el procesamiento y análisis de datos deportivos.
  6. Aplica el Aprendizaje Automático: Utiliza modelos de machine learning para descubrir insights que optimicen el rendimiento deportivo.
  7. Visualización Impactante de Datos: Domina las herramientas para presentar análisis de datos de manera efectiva y persuasiva.
  8. Integración de Datos de Múltiples Fuentes: Aprende a recolectar y analizar datos de diversas plataformas para una visión completa.
  9. Crea Dashboards Interactivos: Desarrolla habilidades para implementar y desplegar dashboards que narran la historia detrás de los datos.
  10. Aplicación Multidisciplinaria: Combina conocimientos de nutrición, medicina deportiva y análisis de rendimiento para una comprensión 360º del deporte.
  • Comprender y aplicar los conceptos fundamentales de Python para la gestión y análisis de datos dentro del contexto de una entidad deportiva.
  • Dominar los métodos y técnicas de vanguardia para la recolección, análisis y visualización de datos aplicados a los departamentos clave de una entidad deportiva, como nutrición, análisis de vídeo, preparación física y medicina deportiva.
  • Integrar y sintetizar datos procedentes de múltiples fuentes y plataformas para proporcionar una visión holística del rendimiento deportivo.
  • Diseñar y ejecutar dashboards interactivos que permitan a las entidades deportivas visualizar y comprender los datos de manera efectiva, facilitando el análisis transversal de diversas áreas.
  • Evaluar la importancia estratégica de la gestión de datos y su impacto en la toma de decisiones dentro de las estructuras deportivas.
  • Crear soluciones tecnológicas innovadoras y de bajo costo que aprovechen datos interdisciplinarios para establecer o mejorar un departamento de datos en entidades deportivas de cualquier nivel, optimizando recursos y maximizando resultados.
  • Planificar e implementar estrategias de transformación digital que se alineen con los objetivos y capacidades de una entidad deportiva, asegurando la integración efectiva de soluciones de análisis de datos en sus operaciones diarias y la toma de decisiones a largo plazo.
  • Programación en Python: Adquirir dominio en el lenguaje de programación Python, enfocándose en su uso práctico para el análisis de datos deportivos y la automatización de tareas.
  • Análisis y Procesamiento de Datos: Desarrollar la capacidad de recopilar, limpiar y analizar conjuntos de datos deportivos, extrayendo insights que puedan influir en la estrategia y las operaciones de una entidad deportiva.
  • Diseño y Desarrollo de Dashboards: Aprender a construir dashboards interactivos y visualmente atractivos que sinteticen los datos y faciliten la interpretación y el análisis por parte de los stakeholders deportivos.
  • Comunicación y Colaboración en Equipo: Fortalecer habilidades de comunicación efectiva y colaboración, esenciales para el trabajo interdisciplinario en entornos deportivos y para la presentación de datos y estrategias analíticas a equipos no técnicos.
  • Resolución de Problemas y Toma de Decisiones: Fomentar un enfoque analítico para identificar problemas, proponer soluciones basadas en datos y tomar decisiones estratégicas en el ámbito deportivo.
  • Gestión de Proyectos con Metodologías Ágiles: Implementar prácticas ágiles para el seguimiento y gestión de proyectos tecnológicos, permitiendo una adaptación rápida a cambios y una entrega continua de valor.
  • Adaptabilidad y Aprendizaje Continuo: Cultivar una mentalidad de crecimiento que permita mantenerse actualizado con las últimas tendencias y tecnologías en la analítica deportiva, asegurando una capacidad de adaptación a los cambios y desafíos del sector.
  • Actitud Crítica y Analítica: Mantener una perspectiva crítica y analítica que permita evaluar objetivamente los resultados obtenidos de los datos, discerniendo entre correlación y causalidad y evitando sesgos comunes en la interpretación de los datos.
  • Actitud Proactiva: Adoptar un enfoque proactivo para identificar y capitalizar oportunidades de mejora en el manejo de datos, la optimización de procesos y la toma de decisiones estratégicas en las entidades deportivas.
  • Actitud Colaborativa: Fomentar una cultura de trabajo en equipo, donde la colaboración y el intercambio de conocimientos y habilidades son fundamentales para el avance y la innovación en proyectos deportivos.
  • Actitud de Aprendizaje Continuo: Comprometerse con un aprendizaje continuo y autodirigido para estar siempre al frente de las últimas tendencias, herramientas y tecnologías en análisis de datos y su aplicación en el deporte.
  • Adaptabilidad y Flexibilidad: Desarrollar la capacidad de adaptarse a nuevos escenarios y desafíos, mostrando flexibilidad para ajustar los análisis y estrategias en respuesta a la evolución del entorno deportivo.
  • Orientación a Resultados: Enfocarse en la consecución de objetivos, aplicando conocimientos y herramientas de análisis de datos para producir resultados medibles que mejoren el rendimiento y eficiencia de las entidades deportivas.

La participación se llevará a cabo de manera íntegramente online a través de la plataforma e-learning donde podrás acceder a los contenidos con un usuario y contraseña.

La comunicación con el profesorado será a través de correo electrónico, el foro de la plataforma, mediante un grupo de WSP para facilitar todo el proceso de tutorización y colaboración o durante las clases. En la plataforma tendrás acceso a la documentación del Curso.

Cada unidad consta de un documento PDF troncal y con clases en vivo (14 clases + 1 tutoría por módulo del Curso), todos los documentos de los casos prácticos desarrollados y todo material alternativo seleccionado exclusivamente para el uso de la práctica real.

La duración será de 12 meses, donde en los 8 primeros se dará todo el contenido teórico – práctico e impartirán las clases y en los meses restantes se dará lugar al Trabajo Final del Curso.

En cuanto al sistema de evaluación, la superación del curso y la obtención del correspondiente título exigirá la superación de una tarea por unidad, un cuestionario online (multiple choise) por unidad y la defensa de un proyecto final relacionado con las competencias adquiridas durante el curso.

MASTER EN PYTHON AVANZADO APLICADO AL DEPORTE

Your content goes here. Edit or remove this text inline or in the module Content settings. You can also style every aspect of this content in the module Design settings and even apply custom CSS to this text in the module Advanced settings.

Módulo 1: Herramientas de desarrollo asistido por IA para el análisis de datos en el deporte. [3 Créditos ECTS - 75 horas]

Programa del módulo:

  1. Introducción a las Herramientas de Desarrollo Asistido por IA
  • – Visión general de las herramientas de IA en el desarrollo de software.
  • – Beneficios y limitaciones del uso de asistentes de IA en la programación.
  • – Ejemplos de cómo las herramientas de IA están cambiando el desarrollo de software.
  1. Uso de Asistentes de Código y Herramientas de IA en Python
  • – Introducción a GitHub Copilot, ChatGPT y otras herramientas de asistencia de código.
  • – Casos prácticos y ejemplos de cómo estas herramientas pueden acelerar la escritura de código y mejorar la calidad del mismo en proyectos de análisis de datos deportivos.
  1. Optimización de Procesos de Análisis de Datos con Herramientas de IA y Análisis Estático de Código.
  • Uso de Mito para la exploración interactiva de datos y cómo puede simplificar el proceso de análisis de datos.
  • Aplicación de Blackbox Code para optimizar y entender grandes bases de código.
  • Introducción al análisis estático de código con Pylint, Mypy y herramientas de refactorización como Rope y Vulture.
  • Ejercicios prácticos para mejorar la calidad del código con análisis estático y refactorización.

En este módulo innovador, los estudiantes se sumergirán en el mundo de las herramientas de desarrollo asistido por inteligencia artificial (IA), explorando cómo estas tecnologías están redefiniendo las prácticas de programación. A lo largo del módulo se abordará una visión general de la inteligencia artificial en el desarrollo de software, poniendo especial énfasis en las herramientas más avanzadas y su impacto en la industria.

Este módulo no sólo equipa a los estudiantes con conocimientos técnicos avanzados, sino que también les enseña a adoptar un enfoque proactivo y crítico hacia la programación, asegurando que estén listos para contribuir significativamente en el campo de la analítica deportiva.

Aplicación Práctica: 

  • Usaremos estas herramientas para generar diferentes bases de datos que nos ayudarán a realizar varias prácticas del curso. Donde generaremos listas de jugadores, listas de buena fe, captación, datos de mediciones antropométricas, lesiones, consultas kinésicas, gps, datos de rendimiento en competición (eventing y stats del match) y entrenamientos. Con estas herramientas manipularemos estos datos de forma visual.
  • Usaremos ChatGPT para conocer conceptos iniciales en el desarrollo de código orientado a la automatización del procesamiento de datos deportivos.
  • Usaremos ChatGPT para interpretar los errores comunes que aparecerán al manipular con python datos deportivos.
Módulo 2: Uso de librería Pandas aplicada al deporte. [3 Créditos ECTS - 75 horas]

Programa del módulo:

 

  1. Introducción a la librería pandas

– ¿Qué es pandas y por qué es importante en el análisis de datos?

– Instalación y configuración de pandas en entornos de desarrollo.

– Estructura y características de los objetos de datos en pandas.

  1. Estructuras de datos en pandas:

            – Series y DataFrames

– Creación y manipulación de Series en pandas.

– Creación y manipulación de DataFrames en pandas.

– Indexación y selección de datos en Series y DataFrames.

  1. Manipulación y limpieza de datos con pandas

– Limpieza y transformación de datos inconsistentes o faltantes.

– Manejo de datos duplicados y valores atípicos.

– Combinación de conjuntos de datos y resolución de conflictos.

  1. Indexación y filtrado de datos en pandas

– Indexación y selección basada en etiquetas y posiciones.

– Filtrado de datos utilizando condiciones lógicas y expresiones booleanas.

– Utilización de métodos avanzados de indexación y filtrado en pandas.

  1. Operaciones y transformaciones en pandas

– Realización de operaciones aritméticas y lógicas en datos de pandas.

– Aplicación de funciones a columnas y filas en DataFrames.

– Transformación y manipulación de datos utilizando funciones y métodos de pandas.

  1. Agrupación y agregación de datos en pandas

– Agrupación de datos basada en criterios específicos.

– Cálculo de estadísticas descriptivas y agregaciones en grupos de datos.

– Aplicación de funciones personalizadas a grupos de datos en pandas.

  1. Visualización de datos con pandas

– Uso de pandas para crear visualizaciones básicas, como gráficos de barras y gráficos de líneas.

– Personalización de gráficos y representación visual de datos en pandas.

– Exploración y presentación de datos utilizando herramientas de visualización en pandas.

  1. Manejo de Excepciones en pandas

            – Introducción al manejo de excepciones y su importancia en la robustez del código.

            – Implementación de bloques try, except, else, y finally en scripts que utilizan pandas.

– Creación de excepciones personalizadas para manejar errores específicos en la manipulación de datos.

  1. Empaquetado de Funciones y Publicación en PyPI

            – Principios del empaquetado de código Python para su reutilización y distribución.

            – Creación de un paquete con funciones personalizadas que utilizan pandas.

            – Documentación y estructuración de un paquete según las normativas de PyPI.

– Pasos para publicar el paquete en el Python Package Index (PyPI) y gestión de versiones.

 

En este módulo, los estudiantes serán introducidos a la librería pandas y aprenderán a utilizar sus funciones y herramientas para manipular y analizar datos en Python. Desde la creación de estructuras de datos como Series y DataFrames, hasta la limpieza, indexación y filtrado de datos, así como las operaciones y transformaciones necesarias para el análisis. También se abordará la agrupación y agregación de datos, y se enseñarán técnicas para la visualización efectiva de datos utilizando pandas. Cerrando a manipular e interpretar los errores y warning controlandolas mediante excepciones.

 

Aplicación Práctica: 

  • Utilizar Pandas para analizar conjuntos de datos de plantillas de jugadores.
  • Reemplazaremos los valores null por ceros y por la media de la columna.
  • Generaremos nuevas columnas, en muchos casos, en una columna tenemos múltiples posiciones o múltiples nacionalidades.
  • Crearemos funciones de usuario que estandarice la conversiones de fechas y la creación de una nueva columna calculando la edad a partir de la fecha de nacimiento.
  • Tomaremos una función y crearemos una librería propia publicándola en Pypl para tener acceso a ella desde cualquier proyecto.
Módulo 3: Lectura de set de datos deportivos en csv, excel, xml, html y json [3 Créditos ECTS - 75 horas]

Programa del módulo:

 

  1. Introducción a la lectura de archivos de datos

– Importancia de la lectura de archivos en el análisis de datos.

– Tipos de archivos de datos utilizados en el contexto del análisis deportivo.

– Consideraciones y mejores prácticas al leer archivos de datos en Python.

 

  1. Lectura y escritura de archivos CSV en Python

– Uso de la librería pandas para leer y escribir archivos CSV.

– Configuración de parámetros y opciones al leer archivos CSV.

– Manipulación y transformación de datos CSV utilizando pandas.

 

  1. Lectura y escritura de archivos Excel en Python

– Uso de la librería pandas para leer y escribir archivos Excel.

– Manipulación y transformación de datos en hojas de cálculo utilizando pandas.

– Uso de funciones específicas de pandas para interactuar con datos de Excel.

 

  1. Lectura y escritura de archivos XML en Python

– Uso de la librería xml.etree.ElementTree para leer y escribir archivos XML.

– Extracción y manipulación de datos XML utilizando métodos de la librería.

– Transformación y estructuración de datos XML para su posterior análisis.

 

  1. Lectura y escritura de archivos JSON en Python

– Uso de la librería json para leer y escribir archivos JSON.

– Extracción y manipulación de datos JSON utilizando métodos de la librería.

– Transformación y estructuración de datos JSON para su posterior análisis.

 

  1. Manipulación de datos en diferentes formatos

– Conversión entre formatos de archivos de datos (CSV, Excel, XML, HTML, JSON) utilizando pandas.

– Extracción, combinación y transformación de datos de diferentes formatos.

– Aplicación de técnicas de limpieza y preparación de datos en diferentes formatos.

– Leer varios archivos de un mismo directorio y unificarlos en uno.

 

En este módulo, los estudiantes aprenderán a leer y escribir archivos de diferentes formatos (CSV, Excel, XML, HTML y JSON) utilizando Python. Se enfocarán en el uso de librerías como pandas y xml.etree.ElementTree para manipular y transformar datos en cada formato. También se abordarán las mejores prácticas y consideraciones al trabajar con diferentes tipos de archivos de datos. Al finalizar este módulo, los estudiantes serán capaces de obtener datos a partir de archivos en diversos formatos y prepararlos para su posterior análisis en el contexto deportivo.

 

Aplicación Práctica: 

  • Aprenderemos a armar en un solo archivo un perfil de jugador multidisciplinar, tomando datos de diversas fuentes y formatos. 
  • Podremos ver un resumen de su status actual sobre días perdidos por lesión de los últimos 12 meses, evolución de pliegues antropométricos y pesos, estado de vencimientos de contrato y su valor de venta, records de variables físicas, rendimiento (minutos de juegos, total de partidos posibles y con su porcentaje de participación) y cantidades de consultas kinesicas. 
  • Unificamos datos de gps de varios partidos en un solo archivo desde csv.
  • Unificamos datos de stats de partidos de varios partidos en un solo archivo desde xml.
Módulo 4: Técnicas de captura de datos sobre fuentes deportivas. [3 Créditos ECTS - 75 horas]

Programa del módulo:

  1. Fundamentos de Web Scraping

– Introducción al web scraping y su importancia en el análisis de datos deportivos.

– Visión general del proceso de web scraping.

  1. Conceptos Básicos de HTML y Estructura de las Páginas Web

– Comprensión de la estructura básica de una página web (HTML, CSS).

– Identificación de los elementos HTML (etiquetas, atributos, clases, ID).

– Uso de herramientas para inspeccionar el código fuente de una página web.

  1. Uso de Librerías de Python para Web Scraping

– Exploración de herramientas como BeautifulSoup.

– Ejemplos prácticos de scraping utilizando esta librería.

  1. Aspectos Legales y Éticos del Web Scraping

– Comprensión de las consideraciones legales y buenas prácticas en el web scraping.

– Respeto a los términos de uso y políticas de privacidad de los sitios web.

  1. Casos Prácticos en el Deporte

– Ejemplos de cómo el web scraping puede ser utilizado para recopilar datos estadísticos de partidos, rendimiento de jugadores y otros datos relevantes en el ámbito deportivo.

– Proyectos prácticos enfocados en el análisis de datos deportivos mediante web scraping.

Aplicación Práctica: 

  • Leeremos de varias webs su marco legal referido al web scraping.
  • Capturaremos datos fácilmente con la función de pandas read_html.
  • Capturaremos datos de gráficos, los cuales se ocultan dentro de funciones JavaScript.
  • Detectaremos patrones para capturar datos de las web y estandarizamos los pasos de captura de datos de paginas webs.
Módulo 5: APIs al servicio de la analítica deportiva. [3 Créditos ECTS - 75 horas]

Programa del módulo:

  1. Introducción a las APIs y su importancia en el análisis de datos deportivos

– Concepto y función de las APIs en el contexto del análisis de datos deportivos.

– Beneficios y aplicaciones de utilizar APIs para obtener datos actualizados.

– Ejemplos de APIs populares utilizadas en el ámbito del deporte.

  1. Interacción con APIs en Python

– Uso de librerías como requests y urllib para realizar peticiones a APIs.

– Autenticación y manejo de tokens de acceso para acceder a datos de APIs.

– Manejo de respuestas y errores al interactuar con APIs en Python.

  1. Obtención de datos deportivos a través de APIs

– Identificación y selección de APIs relevantes para obtener datos deportivos.

– Ejemplos de APIs utilizadas en el deporte para obtener información como resultados de partidos, estadísticas de jugadores, etc.

– Extracción y almacenamiento de datos obtenidos de APIs en formato adecuado para su análisis.

  1. Manipulación y procesamiento de datos obtenidos de APIs

– Limpieza y transformación de datos obtenidos de APIs para su análisis.

– Selección y filtrado de datos relevantes utilizando técnicas de manipulación de datos en Python.

– Aplicación de operaciones y transformaciones en los datos para obtener información significativa.

  1. Integración de datos de diferentes fuentes a través de APIs

– Utilización de APIs para obtener datos de diferentes fuentes y combinarlos en un solo conjunto de datos.

– Normalización y unificación de datos provenientes de múltiples APIs.

– Resolución de problemas de calidad y consistencia de datos al integrar información de diferentes fuentes.

  1. Uso de datos externos en el análisis de datos deportivos

– Incorporación de datos externos obtenidos a través de APIs en análisis y visualizaciones.

– Evaluación de la relevancia y calidad de los datos externos en el contexto del análisis deportivo.

– Realización de análisis comparativos y correlaciones utilizando datos internos y externos.

En este módulo, los estudiantes aprenderán a interactuar con APIs en Python y a utilizarlas como fuente de datos para el análisis de datos deportivos. Aprenderán a realizar peticiones a APIs, obtener y procesar los datos obtenidos, y combinar información proveniente de diferentes fuentes a través de APIs. También se abordará la integración de datos externos en el análisis y la evaluación de la calidad y relevancia de los datos obtenidos a través de APIs. Al finalizar este módulo, los estudiantes serán capaces de utilizar APIs como una herramienta poderosa para obtener datos actualizados y enriquecer el análisis de datos deportivos.

Aplicación Práctica: 

  • Nos conectaremos a una API para extraer datos del mundial. 
  • De todos los eventos, filtraremos los pases y crearemos un nuevo set de datos.
  • De ese nuevo set de datos agregaremos el evento previo.  
  • Estandarizamos el set de datos para generar gráficos como la red de pases.
  • Filtraremos los disparos y crearemos una nueva columna categorizando el disparo.
Módulo 6: Manejo de Bases de Datos deportivas y servicios en la nube. [4 Créditos ECTS - 100 horas]

Programa del módulo:

  1. Fundamentos de Bases de Datos y SQL:

– Principios básicos de las bases de datos relacionales: tablas, relaciones, claves primarias y foráneas. 

– Introducción al lenguaje de consulta estructurado (SQL), fundamental para la manipulación y consulta de datos.

  1. Introducción a MySQL y RDS de AWS: 

– Esta sección se centrará en enseñar a los estudiantes cómo utilizar MySQL, un sistema de gestión de bases de datos ampliamente usado.

– Creación de una cuenta de AWS.

– Amazon RDS (Relational Database Service) para la creación y gestión de bases de datos en la nube.

  1. Conexión y Manipulación de Bases de Datos con Python: 

– Conectar Python a una base de datos utilizando la librería MySQL Connector. 

– Ejecutar operaciones básicas como seleccionar (SELECT), insertar (INSERT), actualizar (UPDATE), eliminar (DELETE) y crear vistas (CREATE VIEW).

  1. Consultas Avanzadas:

    – INNER JOIN: Selecciona registros que tienen valores coincidentes en ambas tablas.

    – LEFT (OUTER) JOIN: Devuelve todos los registros de la tabla izquierda y los registros coincidentes de la tabla derecha.

    – RIGHT (OUTER) JOIN: Devuelve todos los registros de la tabla derecha y los registros coincidentes de la tabla izquierda.

    – FULL (OUTER) JOIN: Combina LEFT y RIGHT JOINs, devolviendo todos los registros cuando hay una coincidencia en cualquiera de las tablas.

    • – Funciones de Cadena de Texto

    – SUBSTRING: Extrae una subcadena de una cadena de texto.

    – CONCAT: Concatena dos o más strings.

    – LENGTH / CHAR_LENGTH: Devuelve la longitud de una cadena de texto.

    – REPLACE: Reemplaza todas las ocurrencias de una subcadena dentro de una cadena.

    • – Funciones de Fecha y Hora

    – NOW() / CURRENT_TIMESTAMP: Devuelve la fecha y hora actuales.

    – DATE_FORMAT: Formatea una fecha según el formato especificado.

    – DATEDIFF: Calcula la diferencia entre dos fechas.

    • – Funciones de Conversión

    – CAST / CONVERT: Convierte un tipo de dato a otro (por ejemplo, de string a fecha o de entero a string).

    • – Funciones de Agregación

    – SUM: Calcula la suma de un conjunto de valores.

    – AVG: Calcula el promedio de un conjunto de valores.

    – COUNT: Cuenta el número de filas que coinciden con un criterio especificado.

    – MAX / MIN: Devuelve el valor máximo o mínimo de un conjunto de valores.

    • – Funciones de Control de Flujo

    – IF / CASE: Permite la ejecución condicional de expresiones SQL.

    – COALESCE: Devuelve el primer valor no nulo de una lista.

    • – Funciones Matemáticas

    – ROUND: Redondea un número a un número específico de decimales.

    – FLOOR / CEIL: Redondea un número hacia abajo o hacia arriba al entero más cercano.

    • – Funciones de Grupo

    – GROUP_CONCAT: Concatena valores de una columna agrupando los resultados.

    Este módulo proporcionará a los estudiantes las habilidades necesarias para trabajar eficientemente con bases de datos, un componente crucial en el análisis de datos deportivos, permitiéndoles gestionar grandes volúmenes de información y extraer insights valiosos para la toma de decisiones.

    Aplicación Práctica: 

    • Crearemos una base de datos que almacene información relevante sobre el rendimiento de los atletas, como estadísticas de entrenamiento, resultados de competiciones, y métricas de salud. 
    • Aprenderán a diseñar la estructura de la base de datos, ingresar datos y realizar consultas para obtener información específica.
    • Crearemos vistas, donde podremos convertir el formato de fechas desde la base de datos.
    • Crearemos nuevas columnas en memoria, haciendo uso de las diferentes funciones de trabajo con texto y fechas.
    • Desde Python, crearemos una función que al hacer un select se convierta automáticamente en un Dataframe de pandas.
    • Desde Python insertamos nuevos registros.
    • Desde Python actualizaremos los registros.
    • Desde Python eliminaremos registros.
    Módulo 7: Librerías para la visualización de datos deportivos (Plotly y mplsoccer) [3 Créditos ECTS - 75 horas

    Programa del módulo:

    1. Introducción a la librería Plotly y sus capacidades de visualización

    – Visión general de la librería Plotly y su uso en el análisis de datos.

    – Ventajas y características principales de Plotly en comparación con otras librerías de visualización.

    – Configuración y preparación del entorno de trabajo para utilizar Plotly en Python.

    1. Creación de gráficos de barras, líneas, scatter y otros tipos de gráficos con Plotly

    – Utilización de Plotly para generar gráficos de barras, gráficos de líneas y gráficos de dispersión.

    – Personalización y configuración de los gráficos generados con Plotly.

    – Incorporación de interactividad en los gráficos de Plotly para explorar y analizar datos.

    1. Visualización de datos específicos de fútbol utilizando la librería mplsoccer

    – Introducción a la librería mplsoccer y su enfoque en la visualización de datos de fútbol.

    – Creación de visualizaciones específicas de fútbol, como mapas de calor, mapas de pases y gráficos de radar.

    – Personalización y configuración de las visualizaciones generadas con mplsoccer para resaltar información relevante.

    1. Creación de mapas de calor, mapas de pases y gráficos de radar con mplsoccer

    – Uso de mplsoccer para generar mapas de calor que muestran la densidad de eventos en un campo de fútbol.

    – Creación de mapas de pases para visualizar las interacciones entre jugadores y las áreas de mayor actividad.

    – Generación de gráficos de radar para comparar el desempeño de jugadores o equipos en diferentes aspectos del juego.

    1. Presentación efectiva de resultados visuales utilizando Plotly y mplsoccer

    – Incorporación de visualizaciones generadas con Plotly y mplsoccer en informes y presentaciones.

    – Selección de gráficos y visualizaciones adecuados para comunicar de manera efectiva los resultados del análisis.

    – Uso de elementos visuales y diseño de información para mejorar la comprensión y el impacto de los resultados visuales.

    En este módulo, los estudiantes aprenderán a utilizar la librería Plotly para crear diversos tipos de gráficos, como barras, líneas y scatter plots, y explorarán las capacidades de personalización y configuración de Plotly. También se introducirán en la librería mplsoccer, enfocada en la visualización de datos específicos de fútbol, y aprenderán a generar visualizaciones como mapas de calor, mapas de pases y gráficos de radar. Además, se abordará la presentación efectiva de los resultados visuales utilizando estas librerías para comunicar de manera clara y persuasiva los hallazgos del análisis de datos. Al finalizar este módulo, los estudiantes podrán crear visualizaciones atractivas y significativas utilizando Plotly y mplsoccer en el contexto del análisis de datos de fútbol.

    Aplicación Práctica: 

    • A partir de todos los datos preparados de las unidades anteriores generamos gráficos de barras para observar todas las variables de GPS.
    • Usaremos gráfico de tortas para ver la distribución de grasas de las antropometrías.
    • Diagramas de scatter para analizar los disparos.
    • Generaremos un gráfico de Poisson para analizar la categoría sobre la distribución de masas.
    • Usaremos campogramas para conocer el status de vencimientos de todos los contratos por posición.
    • Usaremos campogramas para una red de pases. 
    • Usaremos campogramas para mapas de calor.
    Módulo 8: Creación y Despliegue de Aplicaciones en Streamlit. [4 Créditos ECTS - 100 horas]

    Programa del módulo:

    1. Introducción a Streamlit

    – Conceptos básicos de Streamlit y sus ventajas para el análisis de datos.

    – Instalación y configuración del entorno de desarrollo para Streamlit.

    – Estructura y componentes básicos de una aplicación Streamlit.

    1. Desarrollo de Interfaces de Usuario con Streamlit

    – Diseño de la interfaz de usuario utilizando los widgets de Streamlit.

    – Gestión de la entrada del usuario y control del estado de la aplicación.

    – Mejores prácticas para el diseño de interfaces intuitivas y atractivas.

    1. Integración de Análisis de Datos en Streamlit

    – Incorporación de código de análisis de datos de Python en Streamlit.

    – Visualización de datos deportivos utilizando gráficos interactivos en Streamlit.

    – Casos de uso para análisis en tiempo real y presentación de resultados.

    1. Despliegue de Aplicaciones Streamlit

    – Métodos para el despliegue de aplicaciones Streamlit, incluyendo Streamlit Sharing.

    – Configuración y uso de plataformas de despliegue como Heroku y AWS.

    – Seguridad y gestión de acceso en aplicaciones Streamlit desplegadas.

    Este módulo no sólo enseñará a los estudiantes cómo crear aplicaciones con Streamlit, sino que también les proporciona experiencia práctica en la puesta en marcha de sus aplicaciones y la resolución de problemas comunes relacionados con el despliegue y la seguridad. El proyecto final permitirá a los estudiantes demostrar su habilidad para aplicar lo aprendido en un entorno práctico y realista.

    Aplicación Práctica: 

    • Iniciaremos una aplicación web, tomando todas las ventajas que conlleva, múltiples accesos, siempre disponible, control de accesos, centralización de la información, etc.
    • Crearemos un menú, para los diferentes departamentos. 
    • Crearemos una tabla desde un csv y un gráfico y aplicaremos diferentes filtros.
    • Crearemos una tabla desde un xls y un gráfico y aplicaremos diferentes filtros.
    Módulo 9: Dash con Plotly, para crear aplicaciones de centralización de datos deportivos. [6 Créditos ECTS - 150 horas]

    Programa del módulo:

    1. Introducción a la librería Dash y su aplicación en la creación de aplicaciones web interactivas

    – Conceptos básicos de Dash y su integración con Plotly para crear aplicaciones web.

    – Ventajas y características principales de Dash en el desarrollo de aplicaciones interactivas.

    – Configuración del entorno de trabajo para utilizar Dash en Python.

    1. Diseño de layouts y componentes para aplicaciones web con Dash

    – Creación de layouts responsive utilizando el sistema de grid de Dash.

    – Configuración y personalización de componentes básicos, como botones, gráficos y tablas.

    – Organización y estructura de la interfaz de usuario en una aplicación web con Dash.

    1. Creación de gráficos interactivos y componentes interactivos en aplicaciones web con Dash

    – Utilización de callbacks en Dash para crear interactividad entre componentes y gráficos.

    – Actualización dinámica de gráficos y visualizaciones en respuesta a eventos del usuario.

    – Implementación de filtros y selecciones interactivas para explorar datos en tiempo real.

    1. Despliegue de aplicaciones web creadas con Dash en servicios en la nube como Heroku y AWS

    – Preparación y configuración de una aplicación web de Dash para su despliegue en servicios en la nube.

    – Uso de servicios como Heroku y AWS para implementar y alojar aplicaciones web de Dash.

    – Configuración de dominios personalizados y ajustes de seguridad en el despliegue de aplicaciones web.

    1. Implementación de sistemas de inicio de sesión en aplicaciones web con Dash

    – Incorporación de sistemas de autenticación y autorización en aplicaciones web de Dash.

    – Creación de páginas de inicio de sesión y gestión de usuarios en Dash.

    – Protección y control de acceso a funcionalidades específicas en aplicaciones web.

    1. Desarrollo de dashboards interactivos para el análisis de datos deportivos

    – Aplicación de los conceptos y técnicas aprendidas en Dash para desarrollar dashboards interactivos.

    – Integración de visualizaciones, gráficos y componentes en un dashboard completo.

    – Configuración de paneles de control, filtros y widgets para explorar y analizar datos deportivos.

    En este módulo, los estudiantes serán introducidos a la librería Dash y aprenderán a utilizarla junto con Plotly para crear aplicaciones web interactivas en Python. Se enfocarán en el diseño de layouts, la configuración de componentes y la implementación de interactividad en las aplicaciones web. También se abordará el despliegue de aplicaciones Dash en servicios en la nube como Heroku y AWS, así como la implementación de sistemas de inicio de sesión para proteger y gestionar el acceso a las aplicaciones. Además, los estudiantes aprenderán a desarrollar dashboards interactivos para el análisis de datos deportivos, donde podrán explorar y visualizar datos de manera flexible y personalizada. Al finalizar este módulo, los estudiantes estarán capacitados para crear aplicaciones web interactivas y dashboards completos utilizando Dash y Plotly en el contexto del análisis de datos deportivos.

    Aplicación Práctica: 

    • Iniciaremos una aplicación web, tomando todas las ventajas que conlleva, múltiples accesos, siempre disponible, control de accesos, centralización de la información, etc.
    • Implementaremos componentes externos que nos facilitaran el style responsive.
    • Implementaremos hojas de estilos propias.
    • Aplicaremos una autenticación con usuario y contraseña.
    • Crearemos un menú, para los diferentes departamentos. 
    • Crearemos una tabla desde un csv y un gráfico y aplicaremos diferentes filtros.
    • Crearemos una tabla desde un xls y un gráfico y aplicaremos diferentes filtros.
    • Nos conectaremos a una base mysql.
    • Usaremos un paquete con una funcionalidad propia que extrae información mediante web scraping y mostraremos una visualización en un campograma de vencimientos de contratos.
    • Implementaremos filtros de callbacks múltiples filtros y en la selección de gráficos.
    • Haremos el despliegue cloud para acceder desde cualquier ordenador.
    Módulo 10: Machine Learning e IA aplicados al deporte. [4 Créditos ECTS - 100 horas]

    Programa del módulo:

     

    1. Introducción al aprendizaje automático y la inteligencia artificial aplicados al deporte

    – Conceptos básicos de aprendizaje automático e inteligencia artificial en el contexto del deporte.

    – Aplicaciones y beneficios del aprendizaje automático y la inteligencia artificial en el análisis de datos deportivos.

    – Casos de uso y ejemplos de éxito de machine learning e IA en el deporte.

     

    1. Implementación de algoritmos de aprendizaje automático con la librería Scikit-learn

    – Uso de la librería Scikit-learn para implementar algoritmos de aprendizaje automático en Python.

    – Selección y preparación de datos para el entrenamiento de modelos de aprendizaje automático.

    – Evaluación y validación de modelos utilizando técnicas de particionamiento y métricas de rendimiento.

     

    1. Aplicación de algoritmos de regresión en el análisis de datos deportivos

    – Implementación y ajuste de modelos de regresión lineal y no lineal en el análisis de datos deportivos.

    – Predicción y estimación de variables continuas, como el rendimiento de jugadores o el resultado de partidos.

    – Interpretación y análisis de los resultados obtenidos de los modelos de regresión.

     

    1. Aplicación de algoritmos de clasificación en el análisis de datos deportivos

    – Implementación y ajuste de modelos de clasificación, como árboles de decisión y SVM, en el análisis de datos deportivos.

    – Predicción y clasificación de variables categóricas, como el rendimiento de jugadores o la victoria de un equipo.

    – Evaluación y análisis de la precisión y el rendimiento de los modelos de clasificación.

     

    1. Evaluación del rendimiento de jugadores y equipos utilizando modelos de aprendizaje automático

    – Uso de modelos de aprendizaje automático para evaluar el rendimiento individual de jugadores y equipos.

    – Identificación de variables y características clave para la evaluación del rendimiento en el deporte.

    – Análisis e interpretación de los resultados obtenidos de los modelos de aprendizaje automático.

     

    En este módulo, los estudiantes serán introducidos al aprendizaje automático y la inteligencia artificial aplicados al deporte. Aprenderán a implementar algoritmos de aprendizaje automático utilizando la librería Scikit-learn en Python y aplicarán técnicas de regresión y clasificación en el análisis de datos deportivos. También se abordará la evaluación del rendimiento de jugadores y equipos utilizando modelos de aprendizaje automático. Al finalizar este módulo, los estudiantes estarán capacitados para aplicar técnicas de machine learning e IA en el análisis.

     

    Aplicación Práctica: 

    • Generamos e implementamos modelos de similitud para poder usarlos en scouting.
    • Generaremos un modelo de cálculo de xG.
    • Generaremos modelos de agrupación para categorizar los diferentes perfiles físicos.
    • Generaremos modelos de clasificación para categorizar los diferentes perfiles antropométricos.
    Módulo 11: Proyecto Final de aplicación en análisis de datos deportivos [8 Créditos ECTS - 200 horas]

    Programa del módulo:

     

    1. Diseño del Proyecto Final

    – Elección del tema y definición de objetivos claros y medibles.

    – Desarrollo de un plan de proyecto.

    1. Desarrollo y Aplicación Práctica

    – Implementación de técnicas de análisis de datos aprendidas durante el curso.

    – Aplicación de herramientas de visualización y modelos de aprendizaje automático.

    1. Mentoría y Asesoramiento

    – Sesiones de mentoría con expertos en el campo para guiar el desarrollo del proyecto.

    – Asesoramiento continuo para la resolución de problemas y la optimización de soluciones.

    1. Presentación y Evaluación

    – Preparación de una presentación efectiva de los resultados del proyecto.

    – Evaluación basada en criterios predefinidos de innovación, aplicabilidad y calidad técnica.

    1. Reflexión y Mejora Continua

    – Análisis de los resultados y feedback recibido.

    – Planificación de mejoras y posibles extensiones del proyecto.

     

    Este módulo culmina la experiencia de aprendizaje proporcionando a los estudiantes la oportunidad de aplicar de forma integral los conocimientos y habilidades adquiridos. El trabajo final pone a prueba su capacidad para llevar a cabo un proyecto completo de análisis de datos en un contexto deportivo, desde la conceptualización hasta la presentación de sus resultados. Además, el apoyo continuo y la retroalimentación por parte de los mentores aseguran un aprendizaje significativo y una experiencia educativa de calidad.

     

    Aplicación Práctica: 

    • Desarrollar un proyecto completo que integre todas las habilidades aprendidas, aplicándolas a un problema real en un club o entidad deportiva.
    • Deberá tener al menos 3 secciones multiáreas.
    • Partidos: resumen post partido (individual y de equipo).
    • Partidos: pre partido (análisis rival).
    • Partidos: GPS Pre post Individual o grupal.
    • Partidos: estatus de participación (Stats sobre la planilla digital)
    • Entrenamiento: seguimiento en metodología de entrenamiento, para conocer la distribución de tiempo en sus fases.
    • Entrenamiento: Control de carga externa: GPS entrenamiento de cargas acumuladas en un periodo de fecha o alertas para prevenir lesiones o detección de sub o sobre entrenamiento.
    • Entrenamiento: Control de carga interna: metodología de sensación subjetiva de esfuerzo (Born) y componente subjetiva de bienestar (Wellness)
    • Nutrición Antropometrías: Perfil antropométrico individual.
    • Nutrición Antropometrías: Perfil antropométrico grupal.
    • Nutrición Densidad Urinaria: seguimiento de deshidratación y control de peso.
    • Medicina Aptos médicos: Control, seguimiento y alertas de aptos médicos.
    • Medicina Lesiones: índices de las mil horas de exposición.
    • Medicina Lesiones: estatus del plantel.
    • Medicina Lesiones: perfil de jugadores lesionados.
    • Kinesiología: estatus de distribución de atenciones kinesicas.
    • Captación: resumen de status del departamento de captacion sobre el seguimiento de jugadores.
    • Captación: resumen individual de skill subjetivas y observaciones.
    • Scouting: Metodología para detección de posibles fichajes.
    • Scouting: Metodología para el seguimiento de los posibles fichajes.
    • Administración Contratos: Control, seguimiento y alertas de contratos.
    • Administración Contratos: Status de vencimientos de contratos del plantel.
    • Administración Prestamos: Control, seguimiento y alertas de préstamos.
    • Administración Prestamos: Status de vencimientos de préstamos del plantel.
    • Administración plan de cuentas: visualizar como apalancamos los gastos del club. pudiendo analizar lo presupuestado contra lo real.
    • Administración Fan: segmentación de socios.
    • Al menos un modelo de ML que calcule una métrica avanzada o clasificación o agrupación.
    • Contener update de información.
    • Exportación de al menos un reporte a pdf.
    • Exportación de al menos una grilla a csv.
    • Contener manual de uso y actualización.
    • La base de datos es a elección, utilizando archivos, apis, web scraping o conexión a base  de datos.
    • Deberá tener implementado un login para administrar la seguridad de ingreso a la información.
    • Si el proyecto es llevado a cabo en una institución real tendrá valoración extra.

    Dirección académica

    David R. Sáez

    David R. Sáez

    CEO en Sports Data Campus (ENIIT / Big Data International Campus)

    CEO y Director Académico de Sports Data Campus. Director de ENIIT Innova IT Business School. Director del Football Data International Forum. Lleva más de 17 años dirigiendo proyectos de e-learning para compañías de primer nivel.

    Lucas Bracamonte

    Lucas Bracamonte

    CTO Gloouds y Director Académico Sports Data Campus

    CTO de Gloouds. Director Académico del Máster en IA Aplicada al Deporte. Director del Departamento de Extensión Profesional en Sports Data Campus. 

    docentes

    Los docentes más preparados y con mayor experiencia

    LUCAS BRACAMONTE

    LUCAS BRACAMONTE

    CTO Gloouds y Director Académico Sports Data Campus

    JAVIER FERNÁNDEZ RODRÍGUEZ

    JAVIER FERNÁNDEZ RODRÍGUEZ

    Senior Data Scientist en Sportian | Sports Data Campus

    DAVID FOMBELLA

    DAVID FOMBELLA

    Consultor Big Data en StrateBi

    masterclasses

    ANALISTAS PROFESIONALES, DIRECTORES DEPORTIVOS, ENTRENADORES, STAFF…

    Diego Vilches

    Diego Vilches

    Team leader Linti - Atenea Inteligencia Deportiva

    Fredi Martín

    Fredi Martín

    Assistant Head Coach CD - Oriente Petrolero

    Sofía Errecarte

    Sofía Errecarte

    Técnica de Tecnología en Eniit

    Pablo Sanzol

    Pablo Sanzol

    Responsable de Análisis de Datos de la SD Eibar

    José Rodríguez

    José Rodríguez

    Analista de Datos en el Aston Villa FC

    Juan Manuel Bello

    Juan Manuel Bello

    Head of Football Operations Iberia - Impect

    Marcos Hernández

    Marcos Hernández

    Tutor en Sports Data Campus y CTDA en Gloouds

    Omar Bautista

    Omar Bautista

    Match & Scouting Data Analyst - Club Brugge

    André Silveira Castanho

    André Silveira Castanho

    Lead CRM intellingence and Data Strategy - SDC

    Guillermo Mora Arnés

    Guillermo Mora Arnés

    Skillcorner - American Football Data Scientist

    Anselmo Ruiz de Alarcon

    Anselmo Ruiz de Alarcon

    Football Data Analyst as Consultant for Chelsea FC

    Óscar Martín

    Óscar Martín

    CEO de Patrulla Mutante

    Santiago Muñoz

    Santiago Muñoz

    Sr. Data Scientist en Libro de Pases

    ¡Proyectos prácticos en Clubes y Empresas profesionales GARANTIZADOS al final del Máster!

    Máster en Python Avanzado aplicado al Deporte

    CERTIFICADO POR SPORTS DATA CAMPUS

    y si lo deseas podrás solicitar su equivalente a Curso Superior Universitario en Python Avanzado aplicado al Deporte por la UCAM

    CLAUSTRO TOP

    Disfruta del aprendizaje acompañado de un claustro de máximo nivel y aprende y disfruta de los mejores, tanto con los contenidos troncales como a través de las MasterClasses y con la mayor viisibilidad y alcance.

    EnfoquE Práctico

    Enfoque práctico totalmente enfocado al desarrollo competencial eficiente de los participantes.

    100% On-line

    Metodología 100% e-leanirng, asíncrona e interactiva, combinada con acciones telepresenciales en directo, no obligatorias, para que puedas seguirlo de la forma más cómoda posible.

    LEARNING BY DOING

    Metodología «Learning By Doing» (Aprender haciendo). Todas las actividades prácticas están diseñadas para aportar valor y poder ser explotadas.

    COMUNIDAD LÍDER

    Entra a formar parte de la Comunidad Líder, a nivel mundial, de profesionales de Analítica Avanzada aplicada al Fútbol, con más de 20.000 contactos.

    UCAM

    Con el Aval Académico de la UCAM, la Universidad del Deporte, que colabora y Certifica el Máster para que nuestr@s estudiantes puedan disfrutar de un Título Universitario único en el mundo, con el máximo reconocimiento académico y científico.

    COLABORACIÓN CON:

    Logo Marca

    Todos nuestros estudiantes cuentan con la oportunidad de publicar en nuestro Blog especializado en la Aplicación del Big Data y la Analítica Avanzada al mundo del Deporte, dentro de marca.com.

    AHORA CON LAS
    MEJORES CONDICIONES

    Además, si has sido o eres estudiante de Sports Data Campus, tendrás unas condiciones de matriculación I N S U P E R A B L E S 

    INFÓRMATE

    Sobre nuestras becas disponibles y condiciones especiales