Programa Universitario en Data Engineering Online
Descubre el mejor programa universitario de Data Engineering con formación flexible y orientada al empleo.
- Título universitario
- Bonificable FUNDAE
- Becas disponibles
- Abierta próxima convocatoria
- Becas de hasta el 30% de descuento
Plan de estudios Programa universitario Data Engineering
El programa universitario en Data Engineering es una formación de 300 horas y 12 créditos ECTS, orientada a el Máster Data Engineering tiene como objetivo ofrecer una visión completa del trabajo de un.
El programa se estructura en 114 bloques, desde «Módulo 0. Presentación al máster» hasta «10. PRESENTACIÓN FINAL DEL PROYECTO».
Está pensado para una especialización en profundidad, no para una actualización puntual: se recorre el área completa, de los fundamentos a la aplicación práctica.
Al terminar el curso serás capaz de:
- El Máster Data Engineering tiene como objetivo ofrecer una visión completa del trabajo de un
- ingeniero de datos, desde la programación en Python hasta la gestión de bases de datos, modelos
- analíticos y plataformas cloud. Aprenderás a diseñar flujos de datos, optimizar procesos,
- gestionar orígenes diversos y crear modelos que permitan análisis fiables. Además, desarrollarás
- competencias prácticas en herramientas como SQL, Pandas, Power BI y Snowflake, integrando
- conceptos de automatización, calidad de datos y preparación para certificaciones
Este máster está orientado a quienes desean trabajar con datos de forma profesional y necesitan comprender cómo se construyen, procesan y escalan los sistemas modernos de información. Máster orientado a perfiles técnicos, analistas, desarrolladores, científicos de datos en formación
Módulo 0. Presentación al máster
Módulo 1. Fundamentos de Programación en Python para Data
- Engineering
1. INTRODUCCIÓN A PYTHON APLICADO A LA INGENIERÍA DE DATOS
2. ENTORNO DE DESARROLLO Y BUENAS PRÁCTICAS (VIRTUAL ENVIRONMENTS, ESTRUCTURA
- DE PROYECTOS)
3. TIPOS DE DATOS, ESTRUCTURAS BÁSICAS Y CONTROL DE FLUJO
4. FUNCIONES, MÓDULOS Y REUTILIZACIÓN DE CÓDIGO
5. MANEJO DE FICHEROS Y SISTEMAS DE ARCHIVOS (CSV, JSON, PARQUET)
6. INTRODUCCIÓN A PANDAS PARA MANIPULACIÓN DE DATOS
7. LECTURA, LIMPIEZA Y TRANSFORMACIÓN BÁSICA DE DATOS
8. CONSUMO DE APIS Y MANEJO DE DATOS EXTERNOS
9. AUTOMATIZACIÓN DE TAREAS Y SCRIPTING
10. GESTIÓN DE ERRORES Y EXCEPCIONES
11. LOGGING Y TRAZABILIDAD DE PROCESOS
12. INTRODUCCIÓN A PRUEBAS BÁSICAS (TESTING)
13. BUENAS PRÁCTICAS DE CÓDIGO PARA PIPELINES PRODUCTIVOS
MÓDULO 2. Modelado de Datos y SQL avanzado
1. FUNDAMENTOS DE SQL
- a. Estructura de una consulta SQL
- b. Selección, filtrado y ordenación de datos
- c. Operaciones de agregación
2. CONSULTAS SQL COMPLEJAS
- a. Joins (INNER, LEFT, RIGHT, FULL)
- b. Self joins y joins sobre múltiples tablas
- c. Subconsultas correlacionadas y no correlacionadas
- d. Common Table Expressions (CTE)
3. FUNCIONES ANALÍTICAS Y WINDOW FUNCTIONS
- a. Uso de OVER, PARTITION BY y ORDER BY
- b. Funciones de ranking y cálculo acumulado
- c. Análisis temporal y comparativas entre registros
4. TRANSFORMACIÓN DE DATOS CON SQL
- a. Limpieza y enriquecimiento de datos
- b. Cálculos derivados y métricas
5. OPTIMIZACIÓN DE CONSULTAS SQL
- a. Uso de índices
- b. Análisis de planes de ejecución
- c. Buenas prácticas de rendimiento
6. MODELADO DE DATOS RELACIONAL
- a. Diseño de esquemas y relaciones
- b. Normalización y desnormalización
- c. Claves primarias y foráneas
7. MODELADO DIMENSIONAL
- a. Conceptos de hechos y dimensiones
- b. Definición de granularidad
- c. Medidas y atributos
8. ESQUEMA ESTRELLA
9. ESQUEMA COPO DE NIEVE
10. BUENAS PRÁCTICAS DE MODELADO ORIENTADO A ANALÍTICA Y REPORTING
11. CASOS PRÁCTICOS DE DISEÑO Y CONSULTA SOBRE MODELOS DE DATOS
MÓDULO 3. Bases de Datos NoSQL y Modelos No Relacionales
1. INTRODUCCIÓN A LAS BASES DE DATOS NOSQL
2. LIMITACIONES DE LOS MODELOS RELACIONALES TRADICIONALES
3. NOSQL VS SQL
- a. Casos de uso
- b. Escalabilidad horizontal y vertical
- c. Consistencia, disponibilidad y tolerancia a particiones (CAP)
4. TIPOS DE BASES DE DATOS NOSQL
- a. Documentales
- b. Clave-valor
- c. Columnas
- d. Grafos
5. FUNDAMENTOS DE MODELADO NOSQL
- a. Diseño orientado a consultas
- b. Desnormalización y duplicación controlada
6. INTRODUCCIÓN A MONGODB
- a. Arquitectura y conceptos básicos
- b. Colecciones y documentos
- c. Tipos de datos
7. CONSULTAS EN MONGODB
- a. Filtros, proyecciones y ordenación
- b. Operadores
8. FRAMEWORK DE AGREGACIÓN EN MONGODB
9. ÍNDICES Y RENDIMIENTO EN MONGODB
10. INTRODUCCIÓN A CASSANDRA
- a. Arquitectura distribuida
- b. Modelo de datos basado en columnas
- c. Particiones y clustering
11. MODELADO DE DATOS EN CASSANDRA
12. CONSULTAS Y PATRONES DE ACCESO EN CASSANDRA
13. CASOS DE USO REALES DE MONGODB Y CASSANDRA
14. INTEGRACIÓN DE BASES DE DATOS NOSQL EN PIPELINES DE DATOS
MÓDULO 4. Procesamiento Distribuido de Datos con Apache Spark
1. INTRODUCCIÓN AL PROCESAMIENTO DISTRIBUIDO DE DATOS
2. ARQUITECTURA DE APACHE SPARK
- a. Driver, executors y cluster manager
- b. Modos de ejecución (local, cluster)
3. CONCEPTOS FUNDAMENTALES DE SPARK
- a. RDDs: características y casos de uso
- b. DataFrames y Datasets
4. OPERACIONES EN SPARK
- a. Transformaciones y acciones
- b. Lazy evaluation
5. SPARK SQL
- a. Ejecución de consultas SQL sobre DataFrames
- b. Integración con fuentes de datos
6. PROCESAMIENTO BATCH CON SPARK
- a. Lectura y escritura de grandes volúmenes de datos
- b. Transformaciones complejas y agregaciones
7. OPTIMIZACIÓN BÁSICA EN SPARK
- a. Particionado y paralelismo
- b. Caché y persistencia
8. INTRODUCCIÓN AL PROCESAMIENTO EN STREAMING
- a. Conceptos de Spark Structured Streaming
- b. Casos de uso habituales
9. CASOS PRÁCTICOS DE PROCESAMIENTO DE GRANDES VOLÚMENES DE DATOS
- a. Transformaciones batch
- b. Análisis y agregaciones sobre datasets masivos
MÓDULO 5. Módulo 5. Ingesta y Streaming de Datos con Apache
1. INTRODUCCIÓN A LAS ARQUITECTURAS ORIENTADAS A EVENTOS
2. CONCEPTOS FUNDAMENTALES DE APACHE KAFKA
- a. Brokers y cluster
- b. Zookeeper / modo KRaft (visión general)
3. TOPICS, PARTICIONES Y REPLICACIÓN
- a. Distribución y paralelismo
- b. Garantías de entrega
4. PRODUCTORES Y CONSUMIDORES
- a. Publicación de eventos
- b. Consumo y procesamiento de mensajes
5. SERIALIZACIÓN DE DATOS
- a. Formatos comunes (JSON, Avro)
6. GESTIÓN DE OFFSETS Y GRUPOS DE CONSUMIDORES
7. KAFKA CONNECT
- a. Arquitectura y conectores
- b. Integración con bases de datos y sistemas externos
8. INTRODUCCIÓN AL CHANGE DATA CAPTURE (CDC)
- a. Concepto y casos de uso
- b. Integración con Kafka
9. CASOS DE USO DE STREAMING DE DATOS
- a. Procesamiento en tiempo real
- b. Integración con sistemas batch
10. BUENAS PRÁCTICAS Y PATRONES DE DISEÑO CON KAFKA
MÓDULO 6. Orquestación y Automatización de Pipelines de Datos
1. INTRODUCCIÓN A LA ORQUESTACIÓN DE PIPELINES DE DATOS
2. DISEÑO DE PIPELINES DE DATOS
- a. Pipelines batch y near-real-time
- b. Buenas prácticas de diseño
3. CONCEPTOS ETL VS ELT
- a. Diferencias y casos de uso
- b. Impacto en arquitecturas modernas de datos
4. INTRODUCCIÓN A HERRAMIENTAS DE ORQUESTACIÓN
- a. Apache Airflow o herramienta equivalente
5. CONCEPTOS CLAVE DE ORQUESTACIÓN
- b. Tareas y operadores
- c. Dependencias entre tareas
6. PLANIFICACIÓN Y SCHEDULING DE PROCESOS
7. GESTIÓN DE ERRORES Y REINTENTOS
8. MONITORIZACIÓN Y CONTROL DE EJECUCIONES
9. BUENAS PRÁCTICAS PARA PIPELINES PRODUCTIVOS
10. CASOS PRÁCTICOS DE AUTOMATIZACIÓN DE FLUJOS DE DATOS
MÓDULO 7. Plataformas Cloud de Datos y Data Warehousing
- (Snowflake)
1. INTRODUCCIÓN A LAS ARQUITECTURAS CLOUD DE DATOS
2. CONCEPTOS DE DATA WAREHOUSE MODERNO
3. ARQUITECTURA DE SNOWFLAKE
- a. Almacenamiento, compute y servicios
4. CARGA DE DATOS EN SNOWFLAKE
- a. Stages internos y externos
- b. Formatos de datos
5. SQL analítico en Snowflake
- a. Consultas complejas y transformaciones
6. OPTIMIZACIÓN Y RENDIMIENTO
- a. Clustering
- b. Gestión de recursos
7. TIME TRAVEL Y RECUPERACIÓN DE DATOS
8. STREAMS Y TASKS
- a. Automatización de flujos de datos
9. INTRODUCCIÓN A SNOWPARK
- a. Procesamiento de datos con Python en Snowflake
10. CASOS PRÁCTICOS DE USO DE SNOWFLAKE EN PIPELINES DE DATOS
MÓDULO 8. Contenedores, Control de Versiones y DevOps para Data
- Engineers
1. INTRODUCCIÓN A BUENAS PRÁCTICAS DEVOPS EN DATA ENGINEERING
2. CONTROL DE VERSIONES CON GIT
- a. Repositorios
- b. Ramas y flujos de trabajo colaborativos
3. BUENAS PRÁCTICAS DE VERSIONADO DE CÓDIGO DE DATOS
4. INTRODUCCIÓN A DOCKER
- a. Conceptos básicos de contenedores
- b. Imágenes y contenedores
5. CREACIÓN DE ENTORNOS REPRODUCIBLES CON DOCKER
6. DOCKER COMPOSE
- a. Orquestación básica de servicios
- b. Entornos de desarrollo y pruebas
7. INTRODUCCIÓN A CI/CD APLICADO A PROYECTOS DE DATOS
- a. Automatización de pruebas y despliegues
8. INTEGRACIÓN DE PIPELINES DE DATOS EN FLUJOS CI/CD
MÓDULO 9. Consumo Analítico y Business Intelligence para Data
- Engineers
1. ROL DEL DATA ENGINEER EN LA CAPA DE CONSUMO
2. ARQUITECTURA DE LA CAPA ANALÍTICA
3. PREPARACIÓN DE DATASETS PARA CONSUMO
4. INTEGRACIÓN CON HERRAMIENTAS DE BUSINESS INTELLIGENCE
- a. Power BI u otras herramientas
5. MODELOS SEMÁNTICOS Y DATASETS
6. BUENAS PRÁCTICAS PARA SERVIR DATOS A NEGOCIO
- a. Rendimiento
- b. Calidad del dato
7. GESTIÓN DE ACTUALIZACIONES Y REFRESCOS
8. CASOS PRÁCTICOS DE CONSUMO ANALÍTICO
MÓDULO 10. Proyecto final integrador de Data Engineering
1. DEFINICIÓN DEL CASO PRÁCTICO
2. DISEÑO DE LA ARQUITECTURA DEL PIPELINE DE DATOS
3. INGESTA DE DATOS DESDE DISTINTAS FUENTES
4. PROCESAMIENTO Y TRANSFORMACIÓN DE DATOS
5. ALMACENAMIENTO Y MODELADO DE DATOS
6. AUTOMATIZACIÓN Y ORQUESTACIÓN DEL PIPELINE
7. PREPARACIÓN DE LA CAPA DE CONSUMO
8. CONTROL DE CALIDAD Y VALIDACIÓN DE DATOS
9. DOCUMENTACIÓN TÉCNICA DEL PROYECTO
10. PRESENTACIÓN FINAL DEL PROYECTO
Salidas Profesionales
El Programa Universitario Data Engineering está orientado a mejorar la empleabilidad y abrir nuevas oportunidades laborales en distintos sectores. La Titulación Universitaria Data Engineering permite desarrollar una carrera profesional en áreas relacionadas con esta especialización.
Entre las principales salidas profesionales destacan:
- Especialista en Data Engineering
- Técnico o analista en el área de Data Engineering
- Consultor especializado en Data Engineering
- Responsable de proyectos relacionados con Data Engineering
- Perfil técnico en departamentos vinculados a Data Engineering
- Colaborador en equipos multidisciplinares donde se requieran conocimientos en Data Engineering
La Formación Data Engineering Universitaria proporciona una base sólida para adaptarse a diferentes entornos profesionales, tanto en empresas privadas como en organismos públicos, así como en proyectos digitales o tecnológicos.
Nuestros alumnos trabajan en:
Títulación Universitaria
Una vez finalizada la formación en Data Engineering el alumno recibe:
Título Acreditado por la universidad Camilo José Cela: Este título es válido para conseguir méritos en procesos selectivos, bolsas, oposiciones, etc y que por tanto serán reconocidos en el ámbito profesional.
Al aprobar la formación los estudiantes reciben el título con los créditos ECTS correspondientes.
Próximas Convocatorias
Financiación y Becas
Métodos de pago y financiación
- Pago Único: Descuento adicional sobre el importe total
- Pago a plazos: Financia la formación hasta en 10 meses sin intereses
Bonificaciones y Becas
- Fundae: Todas nuestras formaciones son bonificables para empresas.
- Becas FIT: Ayudas directas de hasta el 30% dto. a los perfiles más interesantes.
FAQs
¿Qué incluye el Programa Universitario Data Engineering y cómo se desarrolla?
El Programa Universitario Data Engineering está diseñado para ofrecer una formación completa y estructurada, combinando contenidos teóricos con un enfoque práctico orientado a la aplicación real de los conocimientos.
Este Programa Data Engineering Online se desarrolla a través de una metodología flexible que permite al alumno avanzar a su propio ritmo, accediendo a materiales actualizados y recursos formativos adaptados al entorno digital. La Formación Data Engineering Universitaria incluye contenidos especializados, actividades prácticas y seguimiento académico, lo que facilita una comprensión profunda de la materia.
Además, la Especialización Universitaria Data Engineering permite adquirir competencias clave que pueden aplicarse directamente en el ámbito profesional, proporcionando una experiencia formativa orientada a resultados.
¿Necesito un título universitario para matricularme?
Depende del tipo de formación:
- Programas Avanzados: Por lo general, sí se requiere un título de Grado, Licenciatura o Diplomatura. No obstante, si tienes una experiencia profesional acreditada en el sector, podrías acceder previa valoración de la dirección del programa.
- Cursos Avanzados y Certificados Universitarios: No es necesario tener un título universitario previo. Están diseñados para ser accesibles a cualquier persona que quiera actualizar sus competencias.
¿Qué son los créditos ECTS y para qué me sirven?
El ECTS (European Credit Transfer System) es la unidad de medida del trabajo del estudiante.
- 1 crédito ECTS equivale a 25 horas de dedicación (clases, estudio, trabajos).
- Al ser créditos universitarios, tienen validez en todo el Espacio Europeo de Educación Superior (EEES), lo que facilita que otras instituciones reconozcan tu formación.
¿Recibiré un título oficial al terminar?
Al finalizar con éxito, recibirás un Título Propio de la Universidad Camilo José Cela. Estos títulos están orientados específicamente al mercado laboral y a la especialización profesional, diferenciándose de los Grados o Másteres Oficiales que tienen un enfoque más académico o de acceso al doctorado.
Si no tengo estudios previos, ¿puedo acceder a un Programa Avanzado?
Sí, es posible a través de la vía de Experiencia Profesional. La normativa actual permite que profesionales sin título universitario pero con trayectoria demostrable en el área del curso puedan cursarlo y obtener el diploma correspondiente. ¡Consúltanos tu caso particular!
¿Estas formaciones son compatibles con mi trabajo?
¡Totalmente! La mayoría de nuestra oferta de formación permanente está diseñada bajo una metodología flexible (online o semipresencial), pensada específicamente para profesionales en activo que necesitan compatibilizar su aprendizaje con su jornada laboral.