Introducción a la ciencia de datos en el deporte.
1. Los datos.
La sociedad de la información.
Datos, información, conocimiento, ¿sabiduría?
¿Qué es un dato?
Ciclo de vida de los datos.
2. Fuentes de datos.
Extracción.
Transformación.
Carga.
3. Clasificación de los tipos de datos.
Tipos inmutables.
Tipos mutables.
Asignación externa.
4. La ciencia de datos.
Origen y evolución de la ciencia de datos.
El rol del científico de datos.
Ámbitos de la ciencia de datos.
Conceptos de ciencia de datos.
3. Ejemplos de proyectos de ciencia de datos en el deporte.
4. Gobernanza de los datos.
Gobierno del dato.
Componentes y madurez del data governance.
Programación en ciencia de datos
1. Instalación y configuración del entorno de programación Python.
Presentación del entorno de programación.
2. Breve introducción a la programación en Python.
Sintaxis básica.
Variables y tipos de variables.
3. Estructuras de control y funciones en Python.
Operadores.
Estructuras de control.
Funciones.
Escritura y lectura de ficheros.
4. Librerías científicas en Python.
Numpy.
Matplotlib.
SciPy.
Pandas.
5: Captura de datos en Python.
Obtención de datos mediante APIs.
Obtención de datos mediante de sitios web.
6. Preprocesamiento de datos en Python.
Preparación de datos.
Reducción de datos.
8. Visualización de datos en Python.
Tipos de visualizaciones de datos.
Librerías de visualización de datos.
9. Una mirada más profunda y formal a conceptos básicos de Python.
Estructuras de datos avanzadas en Python.
Uso avanzado de funciones en Python.
Aspectos estadísticos en ciencia de datos aplicada al deporte
1. Introducción a la Estadística Deportiva.
Definición y relevancia de la estadística en el contexto deportivo.
Aplicación de conceptos estadísticos para el análisis de datos en el deporte.
2. Recopilación y Organización de Datos Deportivos.
Métodos de recolección de datos en entornos deportivos.
Organización y preparación de conjuntos de datos específicos del ámbito deportivo.
3. Conceptos Fundamentales de Probabilidad.
Entendimiento de conceptos de probabilidad aplicados a eventos deportivos.
Cálculos de probabilidades relacionados con resultados y desempeño.
4. Distribuciones Estadísticas en el Deporte.
Exploración de distribuciones estadísticas comunes en el análisis deportivo.
Interpretación de datos distribuidos en el contexto del rendimiento deportivo.
5. Pruebas de Hipótesis y Significación Estadística.
Aplicación de pruebas de hipótesis para validar afirmaciones en el deporte.
Interpretación de resultados y toma de decisiones basada en la significación estadística.
6. Análisis de Regresión en el Rendimiento Deportivo.
Uso de técnicas de regresión para modelar relaciones entre variables.
Predicción y análisis de tendencias en el contexto del rendimiento deportivo.
7. Aplicaciones Prácticas en Planificación del Entrenamiento.
Integración de estadísticas en la planificación estratégica del entrenamiento.
Utilización de datos para ajustar programas de entrenamiento de manera efectiva.
8. Evaluación del Rendimiento y Estrategias de Juego.
Análisis estadístico aplicado a la evaluación del rendimiento individual y del equipo.
Desarrollo de estrategias basadas en datos para optimizar el rendimiento en competiciones.
9. Comunicación Efectiva de Resultados Estadísticos.
Desarrollo de habilidades para presentar y comunicar resultados estadísticos a diversas audiencias en el ámbito deportivo.
Interpretación clara y efectiva de hallazgos estadísticos para la toma de
Bases de datos
1. Introducción
Sistemas de información.
Evolución de las tecnologías de bases de datos.
Las bases de datos dentro de los sistemas de información.
Arquitectura de un SGBD.
Conceptos básicos de bases datos.
Diseño de Bases de datos: diseño conceptual, lógico y físicos.
Modelos de Bases de datos.
2. El modelo Entidad/Relación.
Introducción histórica.
Entidades y atributos.
Relaciones.
Restricciones.
Agregación.
El modelo E/R ampliado.
3. El modelo relacional.
Modelo relacional de Bases de Datos.
4. Lenguajes de consulta. SQL
Lenguajes de consulta SQL.
Sentencias de definición de datos.
Sentencias de manipulación de datos.
5. Diseño físico. Almacenamiento y Representación.
Estructuras básicas de almacenamiento para BDs.
Representación semántica de la información. Lenguajes de marcado.
Indicadores de rendimiento (KPI) en ciencias del deporte
Bloque 1.
1. Fundamentos de Indicadores de Rendimiento en Entrenamiento Deportivo.
Definición y función de los KPIs en el contexto del entrenamiento deportivo.
Importancia de la evaluación cuantitativa para el desarrollo atlético.
2. Selección y Diseño de KPIs en el Entrenamiento.
Identificación de indicadores clave para evaluar el rendimiento atlético.
Diseño de sistemas de medición adaptados a objetivos específicos.
3. Tecnologías Aplicadas al Seguimiento Deportivo.
Utilización de tecnologías avanzadas para la recopilación y análisis de datos de entrenamiento.
Integración de dispositivos y plataformas tecnológicas en programas de seguimiento.
4. Evaluación del Rendimiento Físico y Técnico.
Análisis de datos para evaluar el rendimiento físico y técnico de los atletas.
Interpretación de resultados y ajuste de programas de entrenamiento.
5. Aplicación Práctica de KPIs en Planificación Deportiva.
Uso de KPIs en la planificación estratégica y diseño de programas de entrenamiento.
Ajuste dinámico de las estrategias basado en el análisis de indicadores.
6. Monitoreo Psicológico y Emocional de los Atletas.
Evaluación de factores psicológicos y emocionales mediante indicadores específicos.
Integración de datos psicológicos en la planificación del entrenamiento.
7. Estudio de Casos en Entrenamiento Deportivo.
Análisis de casos prácticos que destacan el uso efectivo de KPIs en el entrenamiento.
Desarrollo de habilidades prácticas mediante ejemplos concretos.
8. Ética en la Recopilación y Uso de Datos de Entrenamiento.
Consideraciones éticas en la utilización de datos de entrenamiento.
Protección de la privacidad y confidencialidad de la información del atleta.

Bloque 2.
1. Introducción a Indicadores de Rendimiento en Gestión Deportiva.
Definición de KPIs en el contexto deportivo.
Importancia de los KPIs en la toma de decisiones estratégicas.
2. Selección y Diseño de Indicadores
Machine Learning - Inteligencia Artificial en ciencias del deporte
1. Introducción al Machine Learning.
Definición y conceptos clave.
Historia y evolución del Machine Learning.
Aplicaciones y casos de uso en la vida cotidiana e industrial.
2. Tipos de Aprendizaje.
Aprendizaje supervisado, no supervisado y por refuerzo.
Algoritmos de clasificación y regresión.
Métodos de clustering y asociación.
3. Preprocesamiento de Datos
Limpieza y transformación de datos.
Manejo de valores atípicos.
Normalización y estandarización.
4. Evaluación de Modelos.
Métricas de rendimiento.
Validación cruzada.
Curvas de aprendizaje y curvas ROC.
5. Selección y Optimización de Modelos.
Selección de características.
Ajuste de hiperparámetros.
Métodos de regularización.
6. Aplicaciones Específicas de Machine Learning.
Procesamiento de lenguaje natural (NLP).
Visión por computadora.
Recomendadores y sistemas de recomendación.
7. Proyectos Prácticos de Machine Learning e Inteligencia Artificial en el deporte.
Implementación de algoritmos de Machine Learning.
Desarrollo de soluciones para problemas del mundo real.
Colaboración y presentación de resultados.
Visualización de datos en ciencias del deporte
1. Antecedentes históricos y trabajos más relevantes en el ámbito de la visualización de datos.
2. Conceptos básicos ligados a la percepción y el sistema visual humano.
3. Tipos básicos y avanzados de visualizaciones de datos.
4. Procesos de creación y rediseño.
5. Aspectos de interactividad.
6. Herramientas para la creación de visualizaciones de datos (librerías especializadas MatPlotlib, R-ggplot2, Power BI, Adobe Illustrator)
Aspectos éticos y legales en ciencia de datos.
1. Legislación europea y española sobre protección de datos.
2. Propiedad intelectual e industrial
3. Servicios de la Sociedad de la Información
Ley 34/2002, de 11 de julio, de servicios de la sociedad de la información y de comercio electrónico.
Obligaciones básicas de los prestadores de servicios.
Régimen de responsabilidad.
4. Introducción a la ciberseguridad y cuestiones ético-legales de la inteligencia artificial.
Régimen jurídico de la seguridad de las redes y sistemas de información.
Nuevas cuestiones éticas/legales de la inteligencia artificial.
Trabajo Fin de Máster
1. Planteamiento del tema.
2. Marco teórico conceptual.
3. Desarrollo propuesta.
4. Resultados.
5. Conclusiones.