El Máster en Aprendizaje Automático y Análisis Avanzado de Datos se presenta como una oportunidad inigualable para sumergirte en un campo que experimenta un crecimiento exponencial. En un mundo donde los datos se han convertido en el activo más valioso, la capacidad para analizarlos y extraer información relevante es una habilidad altamente demandada. Este máster te proporciona un conocimiento profundo en áreas críticas como el Big Data, el aprendizaje automático y la inteligencia artificial, utilizando herramientas clave como Python y R. Aprenderás a manejar grandes volúmenes de datos con tecnologías como Hadoop y NoSQL, desarrollando competencias en visualización de datos con herramientas como Power BI y Tableau. Además, explorarás la ética en la inteligencia artificial, asegurando que tus habilidades se alineen con las necesidades y valores contemporáneos. Al estudiar de manera online, tendrás la flexibilidad de aprender a tu ritmo, preparándote para un mercado laboral en constante evolución y con alta demanda de expertos en datos.
El Máster en Aprendizaje Automático y Análisis Avanzado de Datos está dirigido a profesionales y titulados en áreas como informática, estadística, ingeniería o ciencias de datos, que deseen ampliar sus habilidades en técnicas avanzadas de análisis de datos, machine learning, inteligencia artificial y visualización de datos, utilizando herramientas como Python, R, y plataformas como Hadoop y Power BI.
Objetivos
‘- Dominar el análisis de datos usando librerías Python como Pandas y Matplotlib. – Implementar algoritmos de Machine Learning en Python para resolver problemas complejos. – Aplicar técnicas de Data Mining para extraer información valiosa de grandes volúmenes de datos. – Utilizar herramientas de visualización como Power BI y Tableau para presentar datos de forma clara. – Desarrollar modelos de inteligencia artificial confiables y éticos en diferentes aplicaciones. – Integrar sistemas de recomendación y clustering en proyectos de análisis de datos. – Programar aplicaciones de visión artificial usando Python y OpenCV para el reconocimiento de patrones.
Salidas Profesionales
‘- Especialista en ciencia de datos y minería de datos – Analista de big data en sectores tecnológicos – Ingeniero de machine learning para optimización de modelos – Desarrollador de sistemas de inteligencia artificial – Consultor en business intelligence y visualización de datos – Programador de chatbots y sistemas de procesamiento de lenguaje natural – Ingeniero en visión artificial y análisis de imágenes
La era de las grandes cantidades de información. Historia del big data
La importancia de almacenar y extraer información
Big Data enfocado a los negocios
Open Data
Información pública
IoT (Internet of Things-Internet de las cosas)
Definición y relevancia de la selección de las fuentes de datos
Naturaleza de las fuentes de datos Big Data
Definición, Beneficios y Características
Ejemplo de uso de Open Data
Introducción a la minería de datos y el aprendizaje automático
Proceso KDD
Modelos y Técnicas de Data Mining
Áreas de aplicación
Minería de textos y Web Mining
Data mining y marketing
Analítica aumentada
Beneficios y desafíos
Herramientas y plataformas
Escalabilidad e integración
¿Qué es Hadoop? Relación con Big Data
Instalación y configuración de insfraestructura y ecosistema Hadoop
Sistema de archivos HDFS
MapReduce con Hadoop
Apache Hive
Apache Hue
Apache Spark
¿Qué es Weka?
Técnicas de Data Mining en Weka
Interfaces de Weka
Selección de atributos
¿Qué es la ciencia de datos?
Herramientas necesarias para el científico de datos
Data Science & Cloud Compunting
Aspectos legales en Protección de Datos
Introducción
El modelo relacional
Lenguaje de consulta SQL
MySQL. Una base de datos relacional
¿Qué es una base de datos NoSQL?
Bases de datos Relaciones Vs Bases de datos NoSQL
Tipo de Bases de datos NoSQL. Teorema de CAP
Sistemas de Bases de datos NoSQL
¿Qué es MongoDB?
Funcionamiento y uso de MongoDB
Primeros pasos con MongoDB. Instalación y shell de comandos
Creando nuestra primera Base de Datos NoSQL.Modelo e Inserción de Datos
Actualización de datos en MongoDB. Sentencias set y update
Trabajando con índices en MongoDB para optimización de datos
Consulta de datos en MongoDB
Introducción a Python
¿Qué necesitas?
Librerías para el análisis de datos en Python
MongoDB, Hadoop y Python. Dream Team del Big Data
Introducción a R
¿Qué necesitas?
Tipos de datos
Estadística Descriptiva y Predictiva con R
Integración de R en Hadoop
Obtención y limpieza de los datos (ETL)
Inferencia estadística
Modelos de regresión
Pruebas de hipótesis
Inteligencia Analítica de negocios
La teoría de grafos y el análisis de redes sociales
Presentación de resultados
¿Qué es el análisis de datos?
Análisis de datos con NumPy
Pandas
Matplotlib
Cómo usar loc en Pandas
Cómo eliminar una columna en Pandas
Pivot tables en pandas
El grupo de pandas
Python Pandas fusionando marcos de datos
Matplotlib
Seaborn
Aprendizaje automático
Regresión lineal
Regresión logística
Estructura de árbol
Algortimo de Naive bayes
Tipos de Naive Bayes
Máquinas de vectores soporte (Support Vector Machine-SVM)
¿Cómo funciona SVM?
Núcleos SVM
Construcción de clasificador en Scikit-learn
K-nearest Neighbors (KNN)
Implementación de Python del algoritmo KNN
Análisis de componentes principales
Algorimto de Random Forest
¿Qué es la visualización de datos?
Importancia y herramientas de la visualización de datos
Visualización de datos: Principios básicos
Introducción a Power BI
Instalación de Power BI
Modelado de datos
Visualización de datos
Dashboards
Uso compartido de datos
¿Qué es Tableau? Usos y aplicaciones
Tableau Server: Arquitectura y Componentes
Instalación Tableau
Espacio de trabajo y navegación
Conexiones de datos en Tableau
Tipos de filtros en Tableau
Ordenación de datos, grupos, jerarquías y conjuntos
Tablas y gráficos en Tableau
Fundamentos D3
Instalación D3
Funcionamiento D3
SVG
Tipos de datos en D3
Diagrama de barras con D3
Diagrama de dispersión con D3
Looker Studio
Acceder a Looker Studio
Informes
Tipologías de gráficos
Personalización de informes
Instalación y arquitectura
Carga de datos
Informes
Transformación y modelo de datos
Análisis de datos
Google Charts
Preparación de datos
Incluir la librería de Google Charts
Ejemplo básico de Google Chart
¿Qué es ChartBlocks?
Registro y acceso
Creación de gráficos
Personalización de gráficos
Compartir y descargar el gráfico
¿Qué es Infogram?
Creación de una cuenta en Infogram
Interfaz de usuario de Infogram
Creación de infografías
Publicación y compartición de proyectos
¿Qué es Leaflet?
Configuración inicial
Creación de un mapa básico
Marcadores
Capas
CartoDB
Concepto, evolución y aplicaciones de la inteligencia artificial
Principales enfoques de la IA: simbólica, conexionista y basada en datos
Sistemas expertos y evolución hacia la IA moderna
Tipos y capacidades de los sistemas de inteligencia artificial
IA generativa y nuevos paradigmas de inteligencia artificial
Aplicaciones, oportunidades y limitaciones de la IA
Fundamentos del machine learning
Aprendizaje supervisado, no supervisado y por refuerzo
Datos de entrenamiento, validación y prueba
Preparación y transformación de datos
Selección y construcción de variables (features)
Algoritmos de aprendizaje automático y criterios de selección
Regresión y predicción
Clasificación y principales algoritmos
Árboles de decisión y métodos ensemble
Máquinas de vectores soporte (SVM)
Clustering: K-means, jerárquico y DBSCAN
Reducción de dimensionalidad: PCA y t-SNE
Detección de anomalías
Fundamentos del aprendizaje por refuerzo: agente, entorno, recompensa y política
Métodos de aprendizaje por refuerzo: de Q-learning a los métodos basados en política
Exploración frente a explotación y principales retos del aprendizaje por refuerzo
Aplicaciones del aprendizaje por refuerzo: juegos, robótica y sistemas de recomendación
Entrenamiento y evaluación de modelos
Métricas de evaluación y selección según el problema
Validación cruzada y partición de los datos
Sobreajuste, infraajuste y regularización
Optimización e hiperparámetros
Interpretación y comparación de modelos
Fundamentos de las redes neuronales artificiales
Perceptrón y redes neuronales multicapa
Funciones de activación y arquitectura de una red
Entrenamiento, descenso de gradiente y retropropagación
Sobreajuste y técnicas de regularización en redes profundas
Fundamentos y aplicaciones del deep learning
Redes neuronales convolucionales (CNN)
Redes recurrentes y modelos para datos secuenciales (RNN y LSTM)
Transformers frente a las arquitecturas secuenciales anteriores
Arquitecturas generativas: autoencoders y redes generativas antagónicas (GAN)
Aplicaciones del deep learning en visión artificial
Aplicaciones del deep learning en procesamiento del lenguaje natural
Transferencia de aprendizaje y modelos preentrenados
Sistemas de recomendación y soporte a la decisión
Casos de uso de IA en diferentes sectores
Sesgos, explicabilidad y transparencia
Privacidad, seguridad, ética y gobernanza de la IA
Impacto económico y social de la inteligencia artificial
Ética normativa y ética aplicada
Historia y caracteres de la ética de la inteligencia artificial
Ética realista y ética ficción
Inteligencia artificial como objeto y sujeto
Singularidad tecnológica y futuro de la especie humana
Machine ethics. Nuevos entes autónomos y estatus moral
Controversias éticas de la aplicación de la inteligencia artificial
Bioética e inteligencia artificial
Democracia e inteligencia artificial
Gobernanza como sistema de prevención y control de riesgos en la inteligencia artificial
Papel de la UE en la gobernanza de la inteligencia artificial
Evaluaciones de impacto social, ético y legal de inteligencia artificial de alto riesgo
Elaboración de un plan de gobernanza
Principios de la inteligencia artificial responsable
Aspectos de diseño éticos para Machine Learning
Inteligencia artificial explicable (XAI). Hacia la IA responsable
Imparcialidad de Datos (Fairness). Control del sesgo en los modelos
Escenarios con modelos de IA de alto riesgo
Auditabilidad en los sistemas de inteligencia artificial
Sandbox normativo piloto del futuro reglamentario de IA en España
Transparencia en modelos de Machine Learning
Análisis de herramientas software para medir la imparcialidad
Metodología de la ética en la inteligencia artificial
Agentes artificiales morales
Moralidad artificial desde un enfoque funcionalista
Objeciones acerca de agencias morales artificiales
Responsabilidad y Derechos de los robots
Introducción a la filosofía política de la inteligencia artificial
Empleo e inteligencia artificial
Relaciones humanas e inteligencia artificial
Funciones de los Estados e inteligencia artificial
Educación e inteligencia artificial
Salud e inteligencia artificial
Movilidad e inteligencia artificial
Articulación entre ética y política sobre la inteligencia artificial
Globalización e inteligencia artificial
Digitalización al servicio de los Objetivos de Desarrollo Sostenible (ODS)
Estrategia Europea de transición hacia una economía sostenible
Cambio climático global
Mejora de eficiencia en procesos organizativos con IA
Mejora de eficiencia en prácticas individuales con IA
Ética ambiental e inteligencia artificial
Armas autónomas
Intervenciones militares teledirigidas
Ética de la guerra
El metaverso
Gemelos digitales humanos
Creación de universos paralelos en 3D
Sistemas autónomos en el ámbito laboral
Inteligencia artificial para la mejora de calidad de vida en ciudades. Mejora del impacto medioambiental
Combinación de smart cities, internet de las cosas y big data
Inteligencia artificial y cuidado personal y sexual
Análisis ético de la incorporación de la robótica en la vida humana
Inteligencia artificial para restaurar funciones físicas y cognitivas deterioradas
Optimizar las capacidades humanas con inteligencia artificial
Debate académico sobre transhumanismo y poshumanismo
Concepto, evolución y aplicaciones del PLN
Principales tareas del procesamiento del lenguaje
Del PLN basado en reglas a los modelos basados en aprendizaje automático
Representación del lenguaje: tokens, vectores y embeddings
PLN multilingüe y retos del lenguaje natural
Aplicaciones actuales del PLN
Concepto y evolución de los modelos de lenguaje
De las redes neuronales recurrentes a los Transformers en el procesamiento del lenguaje
Modelos preentrenados y modelos fundacionales de PLN: BERT, GPT y otras familias
Grandes modelos de lenguaje (LLM) aplicados al procesamiento del lenguaje
Adaptación de modelos de lenguaje a tareas específicas de PLN: fine-tuning y transfer learning
Criterios de selección de un modelo de lenguaje según la tarea de PLN
Procesamiento y preparación de textos
Clasificación y análisis de textos
Extracción de información y reconocimiento de entidades
Análisis de sentimientos y opiniones
Generación, resumen y traducción automática
Búsqueda semántica y recuperación de información
Evolución de los sistemas conversacionales
Concepto y arquitectura de un chatbot
Chatbots basados en reglas, intención y modelos de lenguaje
LLM como motor de sistemas conversacionales
Contexto, memoria y gestión del diálogo
Voicebots y asistentes conversacionales
Limitaciones y retos de los sistemas conversacionales
Diseño de experiencias conversacionales
Definición de objetivos, usuarios y casos de uso
Prompting y diseño de instrucciones
Integración de modelos de lenguaje mediante API
Embeddings y bases de datos vectoriales
RAG (Retrieval-Augmented Generation)
Evaluación y mejora de sistemas conversacionales
Frameworks de desarrollo: Rasa, Microsoft Bot Framework y Dialogflow
Orquestación de aplicaciones con LLM: LangChain y LlamaIndex
Plataformas no-code y low-code para chatbots
Despliegue e integración en canales: web, WhatsApp y redes sociales
Pruebas, monitorización y mantenimiento de un chatbot en producción
Concepto y evolución de los agentes de IA
Agentes basados en modelos de lenguaje
Uso de herramientas y conexión con sistemas externos
Memoria, planificación y ejecución de tareas
Sistemas multimodales: texto, voz, imagen y vídeo
Aplicaciones empresariales de agentes y asistentes de IA
Matriz de riesgo por caso de uso: dónde la seguridad y la ética del PLN son críticas
Alucinaciones y limitaciones de los modelos de lenguaje
Sesgos, privacidad y protección de datos
Seguridad de los sistemas conversacionales
Evaluación, supervisión y control de sistemas de IA
Diseño responsable de experiencias conversacionales
Tendencias y evolución de la IA conversacional
Aprendizaje Automático
Tipos de aprendizaje automático
Algoritmos y modelos de aprendizaje automático
Métricas de evalución en aprendizaje automático
Regularización y selección de características en aprendizaje automático
Redes Neuronales Artificiales (RNA)
Estructura y arquitectura
Funciones de activación
Entrenamiento de las RNA
Redes Neuronales Convolucionales (CNN) y su aplicación
Redes Neuronales Recurrentes (RNN) y su aplicación
Redes Neuronales Adversariales (GAN) y su aplicación
Fundamentos del Procesamiento del Lenguaje Natural (PLN)
Representación del lenguaje en PLN
Extracción de características en PLN
Modelos de PLN basados en secuencias
Modelos de PLN para tareas específicas
Aplicaciones de PLN
Visión artificial
Preprocesamiento y transformación de imágenes
Detección y reconocimiento de objetos
Segmentación y clasificación de imágenes
Aplicaciones de visión artificial
Big Data en Inteligencia Artificial
Almacenamiento y procesamiento distribuido
Tecnologías y herramientas para el procesamiento de Big Data
Extracción de conocimiento a partir de datos masivos
Aprendizaje automático en Big Data
Evaluación de modelos y métricas de rendimiento
Optimización de hiperparámetros
Regularización y técnicas de prevención de sobreajuste
Técnicas de reducción de dimensionalidad
Ajuste y ensamblado de modelos
Aprendizaje por refuerzo
Agentes y entornos de aprendizaje por refuerzo
Métdos de aprendizaje por refuerzo
Exploración y explotación en aprendizaje por refuerzo
Aplicaciones de aprendizaje por refuerzo
Preparación de datos para despliegue de modelos
Diseño e implementación de servicios de IA
Monitoreo y evaluación de modelos en producción
Actualización y mantenimiento de modelos de IA
Escalabilidad y rendimiento en despliegue de modelos de IA
Descripción general OpenCV
Instalación OpenCV para Python en Windows
Instalación OpenCV para Python en Linux
Anaconda y OpenCV
Manejo de archivos
Leer una imagen con OpenCV
Mostrar imagen con OpenCV
Guardar una imagen con OpenCV
Operaciones aritméticas en imágenes usando OpenCV
Funciones de dibujo
Redimensión de imágenes
Erosión de imágenes
Desenfoque de imágenes
Bordeado de imágenes
Escala de grises en imágenes
Escalado, rotación, desplazamiento y detección de bordes
Erosión y dilatación de imágenes
Umbrales simples
Umbrales adaptativos
Umbral de Otsu
Contornos de imágenes
Incrustación de imágenes
Intensidad en imágenes
Registro de imágenes
Extracción de primer plano
Operaciones morfológicas en imágenes
Pirámide de imágen
Analizar imágenes usando histogramas
Ecualización de histogramas
Template matching
Detección de campos en documentos usando Template matching
Espacios de color en OpenCV
Cambio de espacio de color
Filtrado de color
Denoising de imágenes en color
Visualizar una imagen en diferentes espacios de color
Detección de líneas
Detección de círculos
Detectar esquinas (Método Shi-Tomasi)
Detectar esquinas (método Harris)
Encontrar círculos y elipses
Detección de caras y sonrisas
Vecino más cercano (K-Nearest Neighbour)
Agrupamiento de K-medias (K-Means Clustering)
Titulación
Titulación de Máster en Aprendizaje Automático y Análisis Avanzado de Datos con 1500 horas expedida por EDUCA BUSINESS SCHOOL como Escuela de Negocios Acreditada para la Impartición de Formación Superior de Postgrado, con Validez Profesional a Nivel Internacional
Ir al contenido 
