Master en Inteligencia Artificial y Ciencia de Datos (Online)

En este mundo globalizado donde la disrupción digital está provocando la generación de datos procedentes de múltiples fuentes, todo tipo de organizaciones necesitan de profesionales capaces de extraer conocimiento o patrones de dichos datos de tal forma que puedan ser utilizados para tomar decisiones informadas.

Para ello, necesitarán usar técnicas estadísticas, matemáticas y de programación para recolectar, analizar e interpretar estos grandes conjuntos de datos dentro de un proceso de Ciencia de Datos que consta de las siguientes etapas:

Recolección de datos: Ingesta, integración y almacenamiento.
Limpieza y preparación de datos: Preparar los datos para su análisis eliminando errores o datos incompletos.
Modelado y análisis de datos: Utilizar modelos estadísticos y algoritmos para entender los datos.
Visualización y comunicación de datos: Crear representaciones visuales de los análisis para facilitar la comunicación y comprensión por parte de la audiencia.
Toma de decisiones basada en datos: Aplicar los conocimientos extraídos para tomar decisiones estratégicas.

El Máster en Inteligencia Artificial y Ciencia de Datos combina rigurosa teoría y práctica aplicada asegurando que los participantes no solo comprendan los principios detrás de estas tecnologías, sino que también sean capaces de implementar soluciones innovadoras en sus propios campos de trabajo.

Cualquier persona interesada en adquirir conocimientos sobre el tratamiento y análisis de datos que mejoren el proceso de toma de decisiones. Se valorará conocimientos previos en cualquier lenguaje de programación, SQL o herramienta de visualización de datos aunque lo único necesario para realizar este son ganas de seguir aprendiendo.

El objetivo del programa por lo tanto es preparar profesionales capaces de liderar la transformación digital, aplicando la ciencia de datos y la IA para crear valor real y sostenible.

BLOQUE 1. INTRODUCCIÓN E INTEGRACIÓN DE DATOS

FUNDAMENTOS DE BIG DATA E INTELIGENCIA ARTIFICIAL
Definición, Componentes y Tipología de Sistemas de Inteligencia de Negocio.
Contextualización y Diseño de Sistemas de Inteligencia de Negocio.
Fuentes y Calidad de los Datos.

INTRODUCCIÓN AL TRATAMIENTO Y ANÁLISIS DE DATOS CON PYTHON
El lenguaje de programación Python.
Captación, fuentes de datos y formatos. Procesos ETL: Archivos, bases de datos
Acceso a datos Web
Servicios Web y APIs

DISEÑO Y EXPLOTACIÓN DE BASES DE DATOS RELACIONALES
Nociones básicas del modelo relacional:
Modelo conceptual, modelo lógico y modelo físico
Introducción al lenguaje de consultas estructurado SQL: DDL, DML, DCL
Análisis de datos con SQL

TECNOLOGÍAS DE ALMACENAMIENTO ESCALABLE
Introducción a las bases de datos NoSQL: origen, evolución y contexto histórico
Persistencia poliglota: escoger el modelo de datos más adecuado para cada problema.
Modelos de Agregación: características, tipos (clave-valor, documental y orientado a columnas) consideraciones de diseño y casos de uso.
Modelos en grafo: características, consideraciones de diseño y casos de uso.
Sistemas distribuidos: definición, tipos (cliente/servidor, peer-to-peer…), estrategias de
distribución (fragmentación y replicación) y consistencia de datos (ACID vs BASE).
Ejercicios y ejemplos usando bases de datos NoSQL: MongoDB y Neo4J.

BLOQUE 2. INTEGRACIÓN DE DATOS

PROCESAMIENTO DISTRIBUIDO CON APACHE SPARK
Framework de computación en cluster Apache Spark
Spark SQL
Spark Streaming
Spark MLib

BLOQUE 3. EXPLOTACIÓN DE DATOS. VISUALIZACIÓN DE DATOS

VISUALIZACIÓN DE DATOS & DATA STORYTELLING
Fundamentos de la visualización de datos
Aprender los fundamentos de la visualización que deben guiar nuestras historias basadas en datos
Primeros pasos con las herramientas de visualización de datos: Tableau
Conocer los aspectos clave a tener en cuenta para comunicar nuestro mensaje con efectividad: Data Storytelling

VISUALIZACIÓN DE DATOS CON POWERBI
Visualizando datos con PowerBI
Conectando a orígenes de datos
PowerQuery: El lenguanje M
Modelando datos con DAX
Creando y publicando informes

BLOQUE 4. EXPLOTACIÓN DE DATOS. ANALÍTICA AVANZADA

INTRODUCCIÓN A LA ESTADÍSTICA CON R
Introducción a la estadística: Análisis y descripción de datos
Contrastes de hipótesis
Estimación de intervalos de confianza
Entrenamiento con R

INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO
Aprendizaje supervisado y no supervisado.
Clustering y clasificación. Técnicas y medidas de calidad.
Herramientas de aprendizaje automático, visualización.
El ciclo de la minería de datos.

SISTEMAS RECOMENDADORES DE PRODUCTOS
Introducción a los sistemas de recomendación
Sistemas de recomendación clásicos: “El carrito de la compra”
Sistema de recomendación personalizados
Caso de uso real

INTRODUCCIÓN AL NLP. IA Aplicada a los procesos de negocio
Introducción a los conceptos básicos del NLP.
Carga, preprocesado y modelización de corpus de textos.
Uso de librerías de Deep Learning para tareas de clasificación de documentos, análisis de sentimientos, generación automática de resúmenes, etc.
Aplicaciones prácticas
Ingeniería de prompts
Herramientas (GPT-X, Gemini, Midjourney, etc.)

DEEP LEARNING: TEORÍA DE REDES NEURONALES
Historia y evolución del Deep Learning.
Aplicaciones y casos de éxito en la industria y la investigación.
Estructura y componentes de una red neuronal.
Propagación hacia adelante y hacia atrás.
Descenso del gradiente y optimización.
Implementación de las Redes Neuronales Artificiales: Tensorflow y Keras.
Otras arquitecturas de Redes Neuronales. (CNN, RNN, autoencoders)
Arquitecturas de transformers

MODELOS SECUENCIALES
Introducción a los modelos secuenciales
Diferencias entre modelos secuenciales y tradicionales
Redes neuronales recurrentes (RNNs) y sus variantes:
LSTM
GRU
Desafíos en los modelos secuenciales

BLOQUE 5. CASOS DE USO

CASO ANALÍTICA EN EL SECTOR AGROALIMENTARIO
Introducción de la tecnología aplicada en el sector
Aplicación del IoT, gamificación, etc. en la operativización
Análisis de datos predictivos para la toma de las decisiones

CASO ANALÍTICA DE MARKETING
Aplicación al Marketing Digital
Campañas con públicos seleccionados
Selección de Clientes mediante Modelos de Propensión

CASO ANALÍTICA FINANCIERA
Conceptos financieros y de riesgos
Aplicación práctica de BI y BIGDATA a la visión financiera/riesgos
Obtención y preparación de datos financieros y de riesgos
Modelos estadísticos para maximizar el RAR (Rentabilidad ajustada al Riesgo) y para inferir el riesgo de operaciones financieras.

EXPLORANDO LA CAJA NEGRA: INTERPRETABILIDAD Y EXPLICABILIDAD EN MODELOS DE DEEP LEARNING
Introducción a la interpretabilidad y explicabilidad.
Métodos de interpretación en redes Fully Connected
Métodos de interpretabilidad en modelos de imagen.
Métodos de interpretabilidad en modelos recurrentes.
Modelos de Deep learning con explicabilidad incorporada
Evaluación y comparación de métodos de interpretabilidad de modelos Deep Learning.
MLOps
Introducción a MLOps y Ciclo de Vida de Modelos de Machine Learning
Gestión de Datos y Versionado
Automatización de Pipelines de Machine Learning
Monitoreo y Mantenimiento de Modelos en Producción
Estudios de Caso y Mejores Prácticas

GESTIÓN Y GOBIERNO DE DATOS
Introducción a la gestión de datos
Gobierno de datos: Índice de madurez del dato
Gestión de la Calidad del dat
Gestión de Metadatos
Definiendo e Implementado un programa de gobierno en la organización

PROYECTO FIN DE MÁSTER