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.

1) Módulo 1: Introducción a los sistemas Informáticos y tecnologías Big Data 

– Principales componentes de un sistema informático. Sistemas Operativos, para que sirven, que tipos hay y cómo funcionan…

– Introducción a GNU/Linux

– GNU/Linux Avanzado

– Como usar GNU/Linux en Cloud (AWS)

– Introducción teórica a las tecnologías Big Data: Bases de Datos SQL/No SQL, Computación distribuida, Cloud…

2) Módulo 2: Fundamentos de Programación en Python 

– Introducción a los lenguajes de programación

– Python: Sentencias Básicas y Bloques Lógicos

– Python: Funciones y Scope

– Python: Clases y Objetos y Tratamiento de Excepciones

– Python: Módulos y Uso de librerías de Python

3) Módulo 3: Programación Orientada a Datos 

– Python: Librerías básicas de Data Science: Pandas, Numpy, Matplotlib, Sklearn…

– Introducción teórica al análisis exploratorio de Datos

– Python: Ejemplificación del análisis exploratorio de datos mediate Datasets reales

4) Módulo 4: Bases de Datos e Ingestión de datos 

– Bases de datos SQL

– Bases de datos NoSQL: Clave-Valor, Columnares, Documentales y de Grafos

– Bases de Datos NoSQL Documentales: MongoDB (PyMongo)

– Sistemas de ingestión de datos en tiempo real: Kafka

5) Módulo 5: Procesamiento Distribuido

– Funcionamiento de un sistema Big Data de Procesamiento Distribuido: Ingestión, Almacenamiento, Gestión de Recursos, Cálculo Distribuido…

– Hadoop: Instalación y configuración, HDFS y YARN

– Introducción a Spark: Instalación y configuración, pySpark y DataFrame API

– Machine Learning con Spark: MLlib

– Microservicios: Kubernetes y Docker

– Arquitecturas Big Data: Lamba vs Kappa vs Microservicios

6) Módulo 6: 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…)

7) Módulo 7: 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…

8) Módulo 8: 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…

10) Módulo10: 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.

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.