Máster en Data Science e Inteligencia Artificial

En esta primera asignatura, se abordarán los fundamentos de la programación en Python, un lenguaje esencial para el análisis de datos. Desde la instalación del software hasta la creación de funciones y estructuras de datos, este módulo proporcionará las herramientas necesarias para trabajar con datos de manera eficiente.

Instalación Herramientas básicas Jupyter Notebook Tipos de datos Estructuras condicionales Estructuras iterativas

Funciones Estructuras de datos Programación vectorial con Numpy Manipulación de datos con Pandas Graficación básica con Matplotlib

En esta asignatura, se explorarán los fundamentos de la programación en R, otro lenguaje ampliamente utilizado en el ámbito del Data Science. Con R, los estudiantes podrán realizar análisis estadísticos complejos, crear visualizaciones atractivas y trabajar con una variedad de tipos de datos.

Instalación Herramientas básicas R Studio Tipos de datos Estructuras condicionales Estructuras iterativas Funciones

Estructuras de datos Uso de apply, lapply y sapply Dataframes El universo Tidyverse Manipulación de datos con dplyr Graficación básica con ggplot2

La estadística constituye uno de los pilares fundamentales sobre los cuales se sustenta la estructura del Data Science. En este módulo, se exponen los conceptos estadísticos esenciales que resultan primordiales para la interpretación y el análisis efectivo de datos. Mediante la comprensión de estos fundamentos, los estudiantes adquieren la capacidad de discernir patrones, identificar correlaciones significativas y extraer información valiosa de conjuntos de datos complejos. Este conocimiento estadístico proporciona una base sólida para el desarrollo de habilidades analíticas y la toma de decisiones fundamentadas en el ámbito del Data Science.

Estadística descriptiva Probabilidad Variables aleatorias Covarianza y correlación

Muestra y población Distribuciones normales Distribuciones de Poisson Otro tipo de distribuciones

Este módulo profundiza en la aplicación de la estadística al ámbito del Data Science. El estudiante explorará la realización de pruebas estadísticas, la interpretación de resultados y la utilización de técnicas para extraer información relevante de los datos. Durante el desarrollo de la asignatura, se enfatizará en cómo la estadística se convierte en una herramienta vital para descubrir patrones, tendencias y relaciones significativas dentro de conjuntos de datos complejos. Se abordarán casos prácticos que ilustran la aplicación de los conceptos estadísticos en la resolución de problemas del mundo real en el ámbito del Data Science.

Principales tests estadísticos significancia estadística P-value Interpretación de las principales métricas

Principal Component Analysis (PCA) Estadística inferencial Regresiones lineales Regresiones logísticas

En esta asignatura se adentra en el mundo del Big Data, abordando la gestión y el análisis de vastos conjuntos de datos. Los estudiantes explorarán los desafíos y oportunidades inherentes al Big Data, así como las tecnologías fundamentales para su tratamiento. Al comprender las implicaciones y aplicaciones del Big Data, los alumnos estarán preparados para enfrentar los retos que plantea la era de la información masiva y aprovechar las oportunidades que ofrece este vasto campo de estudio y aplicación.

La necesidad del Big Data Introducción al Big Data Qué no es el Big Data Desafíos del Big Data

Fuentes de datos Tipos de datos Volumen, Velocidad y Variedad Tecnologías de Almacenamiento

Las bases de datos son fundamentales en el ámbito del Data Science, ya que proporcionan un medio para almacenar y gestionar grandes volúmenes de información. En este tema introductorio, exploraremos los conceptos básicos de las bases de datos, su importancia en el contexto de la ciencia de datos y su aplicación en diversos escenarios.

Conceptos básicos de Bases de Datos Bases de datos SQL

Bases de datos NoSQL Modelos no relacionales

En esta sección, el estudiante explorará las principales arquitecturas de los sistemas Big Data, comprendiendo cómo se almacenan y procesan los vastos conjuntos de datos en estas plataformas. Se abordará en detalle la estructura y el funcionamiento de estas arquitecturas, así como las tecnologías clave que las respaldan. Al comprender estos aspectos fundamentales, los alumnos estarán equipados para enfrentar los desafíos y aprovechar las oportunidades que ofrece el entorno del Big Data en la actualidad.

Sistemas de almacenamiento distribuidos Sistemas de almacenamiento en la nube Bases de Datos NoSQL Apache Hadoop

Cloudera Apache YARN MapReduce Orquestación de procesos

El Cloud Computing ha supuesto una revolución en la forma en que las empresas almacenan, procesan y acceden a los datos. En este tema, exploraremos los conceptos fundamentales del Cloud Computing,el por qué de su importancia en la ciencia de datos y sus diversas aplicaciones.

Definición de Cloud Computing Modelos de servicio: IaaS, PaaS, SaaS

Proveedores de Cloud Beneficios y desafíos

En esta sección, se explorarán las herramientas más destacadas en el ámbito del Big Data, como Hadoop, Spark, Hive, Kafka y Pyspark. Estas herramientas representan el conjunto de referencia del mercado para el procesamiento de grandes volúmenes de datos. Los estudiantes aprenderán a utilizar estas herramientas de manera práctica mediante ejemplos reales, lo que les permitirá comprender su funcionamiento y aplicaciones en contextos reales de análisis y gestión de datos a gran escala.

Hadoop Ecosystem Apache Hive Apache Spark

PySpark Apache Airflow Apache Kafka

En el mundo real, los datos son diversos en términos de calidad, formato y estructura. Por lo tanto, es crucial saber identificar y manejar adecuadamente si nuestros datos son estructurados, no estructurados o semiestructurados. Los estudiantes aprenderán a trabajar con cada tipo de dato de manera eficiente, lo que les permitirá comprender las características únicas de cada uno y aplicar las estrategias adecuadas para su procesamiento y análisis. Al dominar estas habilidades, los estudiantes estarán mejor preparados para enfrentar los desafíos y aprovechar las oportunidades que presentan los datos del mundo real en el ámbito del análisis de datos y el Data Science.

Principales tipos atómicos Datos cualitativos y cuantitativos Datos continuos y discretos

Datos estructurados y no estructurados Datos temporales

La capacidad de confeccionar conjuntos de datos propios es una habilidad fundamental para expandir la capacidad como Data Scientist. En este curso, se exploran las diversas técnicas para recopilar datos, como el uso de APIs, el web scraping y la extracción de datos de redes sociales. Los estudiantes aprenden a evaluar y seleccionar la técnica más apropiada para cada caso, lo que les permite obtener datos relevantes y de alta calidad para sus análisis y proyectos de Data Science.

Orígenes de los datos Redes sociales Web Scraping

Datos en tiempo real Tendencias en la obtención de datos

En este tema profundizaremos más en el uso de las Bases de Datos. Veremos cómo hay un amplio abanico de de posibilidades que hay que saber distinguir en qué caso se adecúan a nuestras necesidades.

Indexación avanzada Particionamiento de datos Optimización de rendimiento

Alta disponibilidad Tolerancia a fallos

El preprocesamiento de los datos se considera una de las etapas más importantes y laboriosas en una Pipeline de Ciencia de Datos. Se enseña a preparar los datos para su análisis, incluyendo la limpieza, la transformación y la normalización. Además, se aprende a evaluar la calidad de los datos y a corregir errores. Esta habilidad es crucial para garantizar la fiabilidad y la precisión de los análisis y modelos de Machine Learning.

Calidad del dato Análisis exploratorio de datos Detección y tratamiento de outliers Tratamiento de valores perdidos

Tratamiento de problemas desbalanceados Transformación de variables Normalización de variables numéricas

En este tema se brinda un contexto sobre los orígenes de la Analítica Avanzada, los desafíos iniciales que enfrentaba y su evolución hasta el día de hoy. Se exploran los fundamentos históricos y conceptuales que han dado forma al campo de la Analítica Avanzada, así como las innovaciones tecnológicas y metodológicas que han permitido su desarrollo y expansión.

Introducción a la Analítica Avanzada Extracción del conocimiento

Procesos de analítica avanzada de datos Principales aplicaciones

Los estudiantes descubrirán los diferentes tipos de problemas a los que pueden enfrentarse, así como sus principales características y cómo abordarlos. Aprenderán a validar la calidad de sus modelos desde un enfoque crítico y objetivo, lo que les permitirá evaluar la eficacia y la precisión de sus resultados. Mediante el análisis y la evaluación de la bondad de los modelos, los estudiantes estarán mejor preparados para tomar decisiones informadas y optimizar sus procesos de análisis de datos y modelado predictivo.

Problemas supervisados Problemas no supervisados Problemas semi supervisados Inferencia vs predicción

Overfitting vs Underfitting Bias vs Variance Validación de modelos

Este tema aborda de manera práctica las principales técnicas de Machine Learning, desde los fundamentos que sustentan esta área hasta los algoritmos que actualmente representan el estado del arte. Los estudiantes explorarán las metodologías esenciales de aprendizaje automático, así como los algoritmos más avanzados utilizados en una variedad de aplicaciones. A través de ejercicios prácticos y estudios de casos, se fomentará la comprensión profunda de cómo aplicar estas técnicas para resolver problemas del mundo real y aprovechar al máximo el potencial del Machine Learning en diversas áreas y sectores.

Introducción al machine learning Técnicas de clasificación Técnicas de regresión

Técnicas de clustering Algoritmos avanzados Estado del arte

El Deep Learning es un campo que está transformando los límites de las capacidades de la Inteligencia Artificial. En este curso, los estudiantes aprenderán de manera práctica los fundamentos que impulsan el funcionamiento de las Redes Neuronales, así como sus evoluciones más avanzadas. Se explorarán los principios subyacentes de las redes neuronales y se profundizará en las técnicas y conceptos avanzados del Deep Learning. A través de ejercicios prácticos y proyectos aplicados, los alumnos adquirirán las habilidades necesarias para diseñar, implementar y optimizar modelos de Deep Learning para una variedad de aplicaciones en el mundo real.

Intuición detrás del Deep Learning Redes Neuronales Simples Redes Neuronales Recurrentes

Redes Neuronales Convolucionales Transformers Redes Neuronales GenerativasAdversarias

No solo es crucial dominar la creación de modelos avanzados capaces de extraer información valiosa, sino que también es fundamental saber comunicar este conocimiento a través de visualizaciones de datos atractivas e informativas. Las visualizaciones efectivas no solo hacen que los datos sean más comprensibles, sino que también destacan patrones, tendencias y relaciones importantes de manera clara y accesible.

Gráficos avanzados Visualización multivariable Visualización de texto

Visualización de series temporales Diseño y estética Consejos para realizar mejores gráficos

A través de ejemplos prácticos y casos de estudio, los alumnos desarrollarán habilidades para identificar patrones, tendencias y oportunidades de mejora en los datos empresariales, lo que les permitirá tomar decisiones informadas y estratégicas para el éxito organizacional.

Introducción al Business Intelligence Cálculo de métricas clave Cuadros de mando Funciones y beneficios

KPI Componentes avanzados Tableau Power BI

Tableau es una poderosa herramienta de visualización de datos que permite crear visualizaciones interactivas y paneles de control dinámicos a partir de conjuntos de datos complejos. En este tema, introduciremos los conceptos básicos de Tableau y cómo utilizarlo para analizar y comunicar datos de manera efectiva.

Interfaz Ventajas y desventajas Tipos de visualizaciones

Creación de dashboards Importación de datos Construcción de visualizaciones

Power BI es una plataforma de análisis de datos de Microsoft que permite a los usuarios visualizar y compartir datos de manera intuitiva y efectiva. En este tema, explicaremos los conceptos básicos de Power BI y cómo utilizarlo para crear informes interactivos, paneles de control dinámicos y análisis de datos avanzados.

Interfaz Ventajas y desventajas Tipos de visualizaciones

Creación de dashboards Importación de datos Construcción de visualizaciones

En este tema, los estudiantes descubrirán cómo comunicar los resultados de sus análisis de datos de manera efectiva. Aprenderán a crear historias convincentes que transmitan sus ideas a la audiencia de manera clara y concisa. Se explorarán técnicas para estructurar y presentar la información de manera coherente y persuasiva, utilizando visualizaciones, narrativas y ejemplos prácticos.

Definición La importancia del Storytelling Estructura narrativa Informes

Consejos Selección de datos significativos Identificación de audiencia Elaboración de un Storytelling efectivo

Con los avances acelerados de la Inteligencia Artificial, la legislación en este ámbito está adquiriendo una relevancia cada vez mayor. En este tema se presentan las bases que justifican la importancia de esta área y se analiza el estado actual de la legislación sobre Inteligencia Artificial. Se exploran los desafíos éticos, legales y sociales que surgen con el desarrollo y la implementación de sistemas de IA, así como las regulaciones y políticas en evolución destinadas a abordar estos desafíos.

Privacidad Protección de datos y LOPD Tratamiento de datos

Conservación y borrado de datos Ejercicio de derechos

El despunte de la Inteligencia Artificial está teniendo como consecuencia el uso cada vez más intensivo de recursos computacionales. Este tema junto con otros factores hacen que la sostenibilidad sea un tema cada vez más a tener en cuenta en el mundo del Data Science.

Importancia de la sostenibilidad Estado actual

Desafíos

Los estudiantes aprenderán sobre los principales desafíos éticos a los que nos enfrentamos en el desarrollo y la implementación de la Inteligencia Artificial. Se explorarán cuestiones como la privacidad, el sesgo algorítmico, la transparencia y la responsabilidad en el diseño y uso de sistemas de IA. Al comprender estos retos éticos, los estudiantes estarán mejor preparados para abogar por prácticas éticas y responsables en el desarrollo y aplicación de la Inteligencia Artificial, contribuyendo así a un futuro más justo y equitativo para todos.

Explicabilidad de la Inteligencia Artificial Bias y Fairness Ética de los Datos

Exploración de escenarios negativos Gobernanza y cumplimiento Sostenibilidad

Los estudiantes aprenderán cómo estas tecnologías pueden beneficiar a las empresas al mejorar sus procesos y facilitar la toma de decisiones fundamentadas. Se analizarán casos de estudio y ejemplos prácticos que ilustran cómo el Data Science y la Inteligencia Artificial pueden ser aplicados en sectores como la salud, el comercio electrónico, las finanzas, la manufactura y muchos otros.

Situación actual y nivel de adopción Evolución del sector

Aplicaciones en los diferentes sectores El futuro de la industria

En este tema, se abordará el ciclo de vida para la planificación y ejecución de proyectos de Inteligencia Artificial. Los participantes aprenderán a definir los objetivos del proyecto, seleccionar las herramientas adecuadas y gestionar el equipo de trabajo de manera efectiva. Se explorarán las diferentes etapas del ciclo de vida del proyecto, desde la concepción hasta la implementación y el mantenimiento, centrándose en las mejores prácticas para garantizar el éxito del proyecto.

Diseño de soluciones Selección y gestión de recursos Presupuestos Planificación

Ejecución Control y seguimiento Cierre de proyecto Experiencias reales

Aprenderán a utilizar metodologías como Scrum y Kanban para trabajar de forma eficiente y adaptable. Se explorarán los principios y prácticas fundamentales de estas metodologías, así como su aplicación en proyectos de Inteligencia Artificial. Los estudiantes adquirirán habilidades para gestionar equipos, establecer prioridades y adaptarse a los cambios de manera ágil y efectiva, lo que les permitirá llevar a cabo proyectos de IA de manera exitosa en entornos dinámicos y exigentes.

Introducción a las metodologías Ágiles Ventajas y limitaciones Kanban

Scrum Adopción de las metodologías Ágiles