MÁSTER EN
PYTHON AVANZADO APLICADO AL DEPORTE

Asignatura innovadora que sumerge a los estudiantes en el uso práctico de herramientas de programación asistida por IA, mostrando cómo estas tecnologías están redefiniendo el ciclo de desarrollo de software contemporáneo. El módulo ofrece una visión global de la IA aplicada, con especial énfasis en soluciones avanzadas y su impacto real en una industria en continuo crecimiento. Además de sólidos conocimientos técnicos, fomenta un enfoque proactivo y crítico, preparando al alumnado para aportar valor diferencial en la analítica deportiva moderna.

 

1.     Introducción a las Herramientas de Desarrollo Asistido por IA

• Visión general de las herramientas de IA en el desarrollo de
• Beneficios y limitaciones del uso de asistentes de IA en la programación.
• Ejemplos de cómo las herramientas de IA están cambiando el desarrollo de

2.     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.

3.     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 esta asignatura los estudiantes descubrirán la librería pandas y aprenderán a crear Series y DataFrames; limpiar, indexar, filtrar y transformar datos para su análisis en Python. También se cubrirán técnicas de agrupación, agregación y visualización efectiva, incluida la construcción de paneles. El curso concluye enseñando a manejar e interpretar errores y advertencias, controlándolos mediante excepciones para garantizar un código fiable.

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
• Estructura y características de los objetos de datos en

2.     Estructuras de datos en pandas

• Series y DataFrames
• Creación y manipulación de Series en
• Creación y manipulación de DataFrames en
• Indexación y selección de datos en Series y

3.     Manipulación y limpieza de datos con pandas

• Limpieza y transformación de datos inconsistentes o
• Manejo de datos duplicados y valores atípicos.
• Combinación de conjuntos de datos y resolución de conflictos.

4.     Indexación y filtrado de datos en pandas

• Indexación y selección basada en etiquetas y
• Filtrado de datos utilizando condiciones lógicas y expresiones
• Utilización de métodos avanzados de indexación y filtrado en

5.     Operaciones y transformaciones en pandas

• Realización de operaciones aritméticas y lógicas en datos de
• Aplicación de funciones a columnas y filas en
• Transformación y manipulación de datos utilizando funciones y métodos de

6.     Agrupación y agregación de datos en pandas

• Agrupación de datos basada en criterios específicos.
• Cálculo de estadísticas descriptivas y agregaciones en grupos de
• Aplicación de funciones personalizadas a grupos de datos en

7.     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
• Exploración y presentación de datos utilizando herramientas de visualización en

8.     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
• Creación de excepciones personalizadas para manejar errores específicos en la manipulación de

9.     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
• Documentación y estructuración de un paquete según las normativas de
• Pasos para publicar el paquete en el Python Package Index (PyPI) y gestión de

Asignatura innovadora que sumerge a los estudiantes en el uso práctico de herramientas de programación asistida por IA, mostrando cómo estas tecnologías están redefiniendo el ciclo de desarrollo de software contemporáneo. El módulo ofrece una visión global de la IA aplicada, con especial énfasis en soluciones avanzadas y su impacto real en una industria en continuo crecimiento. Además de sólidos conocimientos técnicos, fomenta un enfoque proactivo y crítico, preparando al alumnado para aportar valor diferencial en la analítica deportiva moderna.1.     Introducción a la lectura de archivos de datos

• Importancia de la lectura de archivos en el análisis de
• Tipos de archivos de datos utilizados en el contexto del análisis
• Consideraciones y mejores prácticas al leer archivos de datos en

2.     Lectura y escritura de archivos CSV en Python

• Uso de la librería pandas para leer y escribir archivos
• Configuración de parámetros y opciones al leer archivos
• Manipulación y transformación de datos CSV utilizando

3.     Lectura y escritura de archivos Excel en Python

• Uso de la librería pandas para leer y escribir archivos
• Manipulación y transformación de datos en hojas de cálculo utilizando
• Uso de funciones específicas de pandas para interactuar con datos de Excell.

4.     Lectura y escritura de archivos XML en Python

• Uso de la librería 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.

5.     Lectura y escritura de archivos JSON en Python

• Uso de la librería json para leer y escribir archivos
• Extracción y manipulación de datos JSON utilizando métodos de la librería.
• Transformación y estructuración de datos JSON para su posterior análisis.

6.     Manipulación de datos en diferentes formatos

• Conversión entre formatos de archivos de datos (CSV, Excel, XML, HTML, JSON) utilizando
• Extracción, combinación y transformación de datos de diferentes
• Aplicación de técnicas de limpieza y preparación de datos en diferentes
• Leer varios archivos de un mismo directorio y unificarlos en

Esta asignatura brinda una inmersión profesional en scraping deportivo para páginas estáticas y dinámicas. El alumnado dominará un arsenal de herramientas que automatizan la captura de estadísticas desde cualquier fuente web. Además de BeautifulSoup, incluye Selenium, arquitectura cliente-servidor y uso avanzado de las herramientas de desarrollo del navegador. Se aprenderá a identificar y manipular APIs, headers y cookies, creando automatizaciones fiables para la extracción sistemática de datos. Se profundiza en técnicas de «humanización» que evitan bloqueos y garantizan procesos consistentes. Todo se aplica a casos prácticos, permitiendo a analistas y scouts construir sistemas sólidos que alimenten análisis avanzados. El módulo es ideal para profesionales del análisis, scouting o tecnología deportiva que necesitan acceso automatizado a datos no ofrecidos por APIs convencionales.

1.     Fundamentos de Web Scraping

• Introducción al web scraping y su aplicación estratégica en el análisis de datos deportivos
• Arquitectura web: entendimiento del flujo cliente-servidor y cómo afecta a la extracción de datos
• Herramientas de desarrollo del navegador: inspector de elementos, network, console y application

2.     Técnicas de Extracción en Páginas Estáticas y Dinámicas

• Estructura fundamental de páginas web (HTML, CSS, JavaScript)
• Identificación de selectores avanzados (XPath, CSS selectors)
• BeautifulSoup para páginas estáticas: extracción eficiente de tablas y datos estructurados
• Selenium para contenido dinámico: navegación automatizada e interacción con elementos JavaScript

3.     Automatización Avanzada y Manejo de APIs Ocultas

• Detección y aprovechamiento de APIs internas en sitios deportivos
• Manipulación de headers, cookies y parámetros de sesión
• Técnicas de “humanización” para evitar bloqueos y limitaciones (timing, rotación de user agents)
• Paralelización y optimización de procesos de extracción masiva

4.     Almacenamiento y Procesamiento de Datos Extraídos

• Estructuración y limpieza de datos deportivos extraídos
• Automatización de flujos completos: extracción – procesamiento – almacenamiento
• Programación de extracciones periódicas para seguimiento de competiciones

5.     Aspectos Legales y Éticos del Web Scraping Profesional

• Marco legal aplicable a la extracción de datos deportivos
• Análisis de txt y límites de rate
• Mejores prácticas para un scraping responsable y sostenible

6.     Proyectos Aplicados al Análisis Deportivo

• Construcción de datasets históricos de rendimiento de equipos/jugadores
• Sistemas automatizados de scouting y seguimiento de talentos
• Extracción multicanal: combinación de datos de diferentes fuentes para análisis integrado
• Implementación de un sistema completo de extracción para análisis competitivo

En esta asignatura, 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.

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
• Beneficios y aplicaciones de utilizar APIs para obtener datos
• Ejemplos de APIs populares utilizadas en el ámbito del

2.     Interacción con APIs en Python

• Uso de librerías como requests y urllib para realizar peticiones a
• Autenticación y manejo de tokens de acceso para acceder a datos de
• Manejo de respuestas y errores al interactuar con APIs en

3.     Obtención de datos deportivos a través de APIs

• Identificación y selección de APIs relevantes para obtener datos
• 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.

4.     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
• Aplicación de operaciones y transformaciones en los datos para obtener información

5.     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
• Normalización y unificación de datos provenientes de múltiples
• Resolución de problemas de calidad y consistencia de datos al integrar información de diferentes

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

• Incorporación de datos externos obtenidos a través de APIs en análisis y
• Evaluación de la relevancia y calidad de los datos externos en el contexto del análisis
• Realización de análisis comparativos y correlaciones utilizando datos internos y

Esta asignatura 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.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.

2.     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
• Amazon RDS (Relational Database Service) para la creación y gestión de bases de datos en la

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

• Conectar Python a una base de datos utilizando la librería MySQL
• Ejecutar operaciones básicas como seleccionar (SELECT), insertar (INSERT), actualizar (UPDATE), eliminar (DELETE) y crear vistas (CREATE VIEW).

4.     Consultas Avanzadas:

• Joins (Uniones)
• Funciones de Cadena de Texto
• Funciones de Fecha y Hora
• Funciones de Conversión
• Funciones de Agregación
• Funciones de Control de Flujo
• Funciones Matemáticas
• Funciones de Grupo

En esta asignatura los estudiantes dominarán Plotly para crear y personalizar gráficos de barras, líneas y dispersión, y descubrirán mplsoccer para elaborar mapas de calor, pases y radares futbolísticos. También aprenderán a presentar resultados de forma clara y persuasiva. Al concluir, podrán producir visualizaciones impactantes con Plotly y mplsoccer aplicadas al análisis de datos de fútbol.1.     Introducción a la librería Plotly y sus capacidades de visualización

• Visión general de la librería Plotly y su uso en el análisis de
• Ventajas y características principales de Plotly en comparación con otras librerías de visualización.
• Configuración y preparación del entorno de trabajo para utilizar Plotly en

2.     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
• Incorporación de interactividad en los gráficos de Plotly para explorar y analizar

3.     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.

4.     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.

5.     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.

Esta asignatura 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.

1.     Introducción a Streamlit

• Conceptos básicos de Streamlit y sus ventajas para el análisis de
• Instalación y configuración del entorno de desarrollo para
• Estructura y componentes básicos de una aplicación

2.     Desarrollo de Interfaces de Usuario con Streamlit

• Diseño de la interfaz de usuario utilizando los widgets de
• Gestión de la entrada del usuario y control del estado de la aplicación.
• Mejores prácticas para el diseño de interfaces intuitivas y

3.     Integración de Análisis de Datos en Streamlit

• Incorporación de código de análisis de datos de Python en
• Visualización de datos deportivos utilizando gráficos interactivos en
• Casos de uso para análisis en tiempo real y presentación de

4.     Despliegue de Aplicaciones Streamlit

• Métodos para el despliegue de aplicaciones Streamlit, incluyendo Streamlit
• Configuración y uso de plataformas de despliegue como Heroku y
• Seguridad y gestión de acceso en aplicaciones Streamlit

Esta asignatura introduce Dash y su integración con Plotly para crear apps web interactivas en Python. El alumnado diseñará layouts, configurará componentes, añadirá interactividad y desplegará proyectos en Heroku o AWS con sistemas de inicio de sesión. Desarrollará dashboards deportivos flexibles para explorar y visualizar datos. Al terminar, estará capacitado para construir y publicar aplicaciones y dashboards completos con Dash y Plotly enfocados al análisis deportivo.

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
• Ventajas y características principales de Dash en el desarrollo de aplicaciones
• Configuración del entorno de trabajo para utilizar Dash en

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

• Creación de layouts responsivos utilizando el sistema de grid de
• Configuración y personalización de componentes básicos, como botones, gráficos y
• Organización y estructura de la interfaz de usuario en una aplicación web con

3.     Creación de gráficos 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
• Implementación de filtros y selecciones interactivas para explorar datos en tiempo real.

4.     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
• Uso de servicios como Heroku y AWS para implementar y alojar aplicaciones web de
• Configuración de dominios personalizados y ajustes de seguridad en el despliegue de aplicaciones

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

• Incorporación de sistemas de autenticación y autorización en aplicaciones web de
• Creación de páginas de inicio de sesión y gestión de usuarios en
• Protección y control de acceso a funcionalidades específicas en aplicaciones

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

• Aplicación de los conceptos y técnicas aprendidas en Dash para desarrollar dashboards
• Integración de visualizaciones, gráficos y componentes en un dashboard
• Configuración de paneles de control, filtros y widgets para explorar y analizar datos

Esta asignatura introduce el aprendizaje automático e IA aplicados al deporte. Con Scikit-learn en Python, los estudiantes programarán algoritmos de regresión y clasificación para analizar datos y evaluar el rendimiento de jugadores y equipos. Al finalizar, estarán preparados para aplicar técnicas de machine learning e inteligencia artificial en estudios deportivos.

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

• Conceptos básicos de aprendizaje automático e inteligencia artificial en el contexto del
• 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

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

• Uso de la librería Scikit-learn para implementar algoritmos de aprendizaje automático en
• 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

3.     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
• 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.

4.     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.

5.     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
• Identificación de variables y características clave para la evaluación del rendimiento en el
• Análisis e interpretación de los resultados obtenidos de los modelos de aprendizaje automático.

MÓDULO 11. PROYECTO FIN DE CURSO (PFC) (8 ECTS)

Esta asignatura cierra el programa, ofreciendo la oportunidad de aplicar íntegramente lo aprendido. El proyecto final evalúa la capacidad de realizar un análisis de datos deportivos completo, desde la idea hasta la presentación. El acompañamiento y las devoluciones de los mentores aseguran un aprendizaje profundo y de calidad.