Descripción
El Máster en Data Science & Deep Learning está compuesto por dos programas:
Máster en Data Science & Big Data: aprenderás las bases de la ciencia de datos, desde el pre-procesamiento de los datos hasta los principales algoritmos de analítica predictiva.
Máster en Deep Learning: aplicarás las últimas técnicas de Machine Learning y Deep Learning, base para disciplinas como el análisis predictivo, reconocimiento de imágenes, voz y textos e Inteligencia Artificial generativa.
Este Máster está certificado por CUALIFICAM, procedimiento de la Fundación para el Conocimiento Madri+d para certificar la Calidad de los Programas de Máster Profesional. Este procedimiento es equivalente al que se realiza para certificar la calidad de los Masters Universitarios del Espacio Europeo de Educación Superior (EEES).
Los créditos de este programa incluyen prácticas que son convalidables por experiencia laboral.
El Máster de Data Science & Deep Learning se adapta a tu ritmo de aprendizaje, con dos programas que se pueden cursar de forma independiente y que te convertirán en el profesional más demandado.
Perfil del alumno
- Intereses: Profesionales interesados en explorar herramientas y aplicaciones de la Ciencia de Datos y el Aprendizaje Profundo desde una perspectiva integral.
- Formación: Tienen antecedentes técnicos y título universitario de carrera STEM, aunque también pueden tener un título universitario o un ciclo formativo de grado superior en tecnología, economía, derecho o ciencias médicas.
- Experiencia: Deberán contar con una experiencia profesional acreditada de más de 3 años en puestos relacionados con analítica de datos, procesos de digitalización o en departamentos financieros, IT y operaciones.
Plan de estudios
Data Science & Big Data
Data Science Fundamentals
Introducción a data science. Presentación del marco de referencia general.
Statistics for Data Science
Repaso de los fundamentos de estadística necesarios para dominar la ciencia de los datos.
Data Science with Python
Python como framework del especialista de data science. Desarrollo de notebook, uso de pandas, numpy, matplotlib. Procesamiento de datos de fuentes estructuradas (CSV, REST, HSQL, Logs) y no estructuradas (Web, Spark, Cassandra).
Data Pre-processing
¿Cómo pre-procesar adecuadamente los datos? Aplicación de filtros, anonimización de datos, selección de atributos, sampling y reducción de dimensionalidad.
Data Visualization
¿Cómo visualizar diferentes tipos de datos? ¿Qué técnicas utilizar?
Advanced Data Processing
Advanced Data Processing
Fuentes de datos / ETL.
Arquitecturas de procesamiento en batch, streaming. Bases de datos (estructuradas y no estructuradas).
Predictive Analytics
Introducción al análisis de series temporales, revisión de los mejores algoritmos disponibles. Desarrollo de casos de uso de detección de anomalías y predicción de series.
Machine Learning I
Introducción a los problemas de clasificación y clusterización. ¿Cómo evaluar los resultados? ¿Cómo construir los datasets? Revisión de los principales algoritmos y su aplicación.
Big Data Fundamentals
Visión general de los conceptos fundamentales de las soluciones Big Data. Se repasarán arquitecturas de referencia y modelos de adopción con las principales tecnologías actuales, incluyendo procesos de ingesta, análisis y visualización de datos en tiempo real.
Entrepreneurship I
Discusión y descubrimiento de nuevos modelos de negocio basados en data science.
Databases & SQL
Principales bases de datos y el lenguaje SQL, aprendizaje de las últimas técnicas de almacenaje, manipulación y extracción de datos en BBDD.
Machine Learning Ops
Se estudiará el ciclo de MLOps de manera práctica, tanto a nivel de desarrollo como a nivel de modelos en producción.
Final Project I
Desarrollo de un proyecto final para poner en práctica con un caso real los conocimientos adquiridos en Data Science y Big Data.
Deep Learning
Deep learning
Descubrirás técnicas y algoritmos, explorando aplicaciones prácticas con énfasis en la implementación de modelos utilizando herramientas como TensorFlow y PyTorch.
Computer vision
Conceptos fundamentales de las técnicas de visión por computador. Se realizará un recorrido teórico práctico de las principales técnicas desde filtros de procesamiento básico a técnicas de reconocimiento de patrones mediante redes neuronales convolucionales.
Natural language processing
Conceptos fundamentales de los mecanismos empleados para la comunicación entre personas y
máquinas por medio del lenguaje natural.
Entrepreneurship II
Perspectiva global del proceso de creación, financiación y posibles éxitos de una startup. Herramientas para proyectos de emprendimiento.
Machine learning II
Aprendizaje no supervisado.
Métodos de clustering, selección de componentes principales, etc.
Reinforcement Learning
Conocer las formas de calcular medias y promedios móviles, procesos de decisión de Markov, programación dinámica, métodos de aproximación
Machine learning III
Técnicas avanzadas de Machine Learning. Revisión del estado del arte actual y el futuro del machine learning
Reto IA Generativa
Escogerás y desarrollarás un reto para medirte con los mejores profesionales del mundo y así valorar lo que has aprendido.
Generative AI
Descubre los pilares fundamentales de la Inteligencia Artificial Generativa, incluyendo modelos de atención, transformers y arquitecturas de Large Language Models (LLM).
Final Project II
Desarrollo de un proyecto final para poner en práctica con un caso real los conocimientos adquiridos en las asignaturas del apartado de Deep Learning
