Máster en Inteligencia Artificial

El Máster en Inteligencia Artificial, en modalidad abierta (online), te permitirá dominar herramientas, lenguajes de programación y técnicas algorítmicas que te permitirán desarrollar y liderar proyectos de Inteligencia Artificial.
Estas herramientas están a la vanguardia de la tecnología y son líderes de mercado utilizándose diariamente en empresas nacionales e internacionales.
Además, te prepararás para entender y saber aplicar los algoritmos de Inteligencia Artificial más utilizados en la industria, así como tener la capacidad de poder adaptarlos y modificarlos para afrontar problemas complejos del mundo real.
Una vez egresado, podrás integrarte trabajando en proyectos empresariales que impliquen técnicas de Inteligencia Artificial, big data y computación en la nube.
Conviértete en un experto en Inteligencia Artificial dominado herramientas, lenguajes de programación y técnicas algorítmicas que te permitirán desarrollar y liderar proyectos de Data Science y Machine Learning. Aprenderás herramientas y algoritmos que están a la vanguardia de la tecnología y son líderes de mercado utilizándose diariamente en empresas nacionales e internacionales. Serás capaz de modelizar y de extraer el valor de todo tipo de fuentes de datos: datos tabulares, imágenes, texto, vídeos… gracias a las técnicas de Deep Learning, Visión Artificial, Procesamiento de Lenguaje Natural… enseñadas en este máster. Se sigue una aproximación centrada en la aplicación práctica de estas herramientas y algoritmos, comenzando desde las bases, y profundizando en todas las áreas más relevantes de la inteligencia artificial que se usa a nivel empresarial a día de hoy.
 

Módulo 1: Nociones teóricas iniciales

•  Desambiguación de términos: ¿Machine Learning? ¿Deep Learning? ¿Data Science? ¿Big Data?
•  Evolución histórica de la Inteligencia Artificial
•  Machine Learning: Aprendizaje supervisado, no supervisado y por refuerzo
•  Aprendizaje supervisado: Regresión y clasificación

Módulo 2: Herramientas básicas

• Primeros pasos con R
• Programación en Python
• Linux Shell essentials
• Introducción al ecosistema Big Data
• Introducción a la programación distribuida
• Programación distribuida: Py-Spark
• Visión general del ecosistema de bases de datos NoSQL (Clave-valor, Columnares, Documentales y de Grafos)
• NoSQL: MongoDB con PyMongo
• Herramientas y técnicas de visualización
• Visión general de las herramientas Cloud disponibles

Módulo 3: Algoritmos de Machine Learning y su implementación

• ¿Qué es un modelo de machine learning? ¿Qué es el entrenamiento? ¿Cómo valido que mis modelos generalizan correctamente?
• Regresión Lineal
• Regresión Logística
• Algoritmos de agrupamiento (K-Means, Clustering espectral, Clustering jerárquico…)
• Support Vector Machines (SVM)
• Árboles de Decisión y Random Forests
• K Nearest Neighbors (KNN)
• Redes Bayesianas
• Modelos Ocultos de Markov
• Algoritmos de reducción de la dimensionalidad (PCA, t-SNE…)
• Algoritmos de selección de modelos y búsqueda inteligente de hiper parámetros (grid search, random search, cross validation…)
• Modelos Ensemble y Sistemas multi-agente
• Ecosistema Data Science en Python: Skit Learn, Pandas, Numpy, Matplotlib…
• Pre-procesamiento de datos numéricos (Normalización, discretización, estandarización…)

Módulo 4: Deep Learning

• Introducción a los sistemas cognitivos y al aprendizaje profundo
• Perceptrones multi capa (MLP)
• Aspectos prácticos en el entrenamiento de redes neuronales y computación en GPU/TPU
• Redes Convolucionales (CNN)
• Redes Recurrentes (RNN)
• Auto-Encoders
• Redes Generativas Adversarias (GAN)
• Deep Reinforcement Learning (DRL)
• Deep Learning Frameworks: Keras, TensorFlow, Pytorch…

Módulo 5: Procesamiento de Lenguaje Natural

• Pre-procesamiento de texto y creación de corpus (tokenización, lematización, separación de oraciones…)
• Conceptos clave de análisis a nivel de documento (TF-IDF, BoW…)
• Topic Modeling (LDA y LSI)
• Análisis morfológico y morfosintáctico (PoS Tagging)
• Named Entity Recognition
• Embeddings
• Deep Learning aplicado a NLP
• La revolución de los modelos Deep Learning de lenguaje basados en contexto (BERT, ELMo...)
• Modelos de generación de texto y agentes conversacionales
• Ecosistema NLP en Python: NLTK, gensim, spacy, rasa…

Módulo 6: TFM (Opcional)

• El alumno presentará una propuesta de proyecto al docente, que utilice algoritmos y tecnologías vistos en este máster para la resolución de un problema real de negocio.
• Una vez aprobada la propuesta el alumno lo realizará
• Al entregarlo el docente dará su feedback y si este es positivo el alumno tendrá una mención especial en su diploma y prioridad en la bolsa de empleo.

Perfil de ingreso: 

• Estudiantes que posean conocimientos básicos de programación y deseen empezar su andadura profesional como científicos de datos.
• Trabajadores del sector tecnológico que quieran progresar en su carrera.
• Jefes de proyecto que deseen liderar eficientemente proyectos de Inteligencia Artificial.