Máster en Inteligencia Artificial

Claustro:

Daniel Martínez García

Experto en Inteligencia Artificial . Fue durante años director de I+D en la División de Inteligencia Artificial de Altran y actualmente dirige la parte de Inteligencia Artificial en MonoM (Grupo Álava). Tiene un máster en Big Data y otro en Deep Learning e imparte clases en universidades y escuelas de negocios.

Metodología:

• Metodología flexible que te permitirá compaginar el estudio del Máster con tu vida profesional y familiar.
• Modelo académico basado en metodologías activas. Se concibe el aprendizaje como un proceso constructivo en el que se desarrollan competencias específicas y transversales, garantizando así la formación integral del estudiante.
• Claustro docente compuesto por expertos con años de experiencia en el sector de la inteligencia Artificial.
• Dispondrás de clases virtuales en directo, además de contar con el apoyo de un tutor virtual en todo momento.
• Entorno tecnológico innovador, fácil e intuitivo. Tendrás comunicación directa con tus compañeros y profesores, al mismo tiempo que disfrutas de foros, casos prácticos reales y clases magistrales.
• Tutorías personal e-presencial (vía foros, chat, teléfono, email).
• Debates y grupos de discusión a través de foros y chats.
• Test de autoevaluación.
• Lecturas y documentación.

Prácticas en empresas del sector 100% aseguradas.

Disponemos de un departamento propio especializado en colaboraciones con empresas tecnológicas  de gran nivel para que nuestros alumnos puedan poner en práctica los conocimientos aprendidos.

Las prácticas tienen como finalidad tu incorporación en el mercado dentro de una empresa y disfrutar de una primera experiencia profesional que enriquezca tu CV y que pueda permitirte dar el salto al mercado laboral.

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…

9) Módulo 9: 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.