Descripción

El Máster en Ciencia de Datos & IA de Nuclio Digital School se ha diseñado para proporcionar a los alumnos una experiencia práctica y completa en todas las etapas del proceso de análisis de datos.

El curso abordará temas desde la adquisición e integración de datos hasta la productividad de modelos matemáticos basados en técnicas de Inteligencia Artificial y Machine Learning.

El programa proporcionará a los alumnos una gran variedad de competencias ajustadas a la realidad del mercado laboral que les permitirá mejorar  su posición actual o buscar nuevas oportunidades laborales en el ámbito del Big Data y Analytics.

Salidas Profesionales del Máster en Data Science

Tras finalizar el curso de Data Science & AI, tendrás los conocimientos necesarios para optar a puestos como:

  • Data Analyst
  • Data Scientist
  • Business Intelligence Analyst
  • Machine Learning Engineer
  • Data Engineer
  • Data Translator
  • BI Analyst
  • Data Architect
  • I+D Project Analyst

Plan de estudios

Data Pre-Work

Podrás realizar los pre-cursos a través de dos plataformas: Kaggle y FreeCodeCamp, enfocados a cursos de Data Science. De este modo, podrás repasar los conceptos clave de programación (Python + SQL) y estadística aplicada.

M1. Introducción a Data Science

Empieza a aprender Data Science.

  • Arquitecturas y plataformas de datos 
  • Artificial Intelligence, Machine Learning y Deep Learning 
  • Estrategia y mercado de datos

M2. Herramientas para Data Science

  • Python y sus libreríasy entornos (Numpy, Pandas, Anaconda, Scikit-learn.)
  • SQL, su sintaxis y funcionalidades del lenguaje de queries
  • Data Science collaboration (Git/Google Colab/Drive)
  • NOSQL a través de MongoDB

M3. Data Analytics & Business Intelligence

  • Limpieza de datos
  • Transformación de datos
  • Visualización de datos
  • Construcción de dashboards
  • Data storytelling

M4. Machine Learning

  • Aprendizaje supervisado
    • Clasificación
    • Regresión
    • Time Series
  • Aprendizaje no supervisado
    • Clustering y collaborative filtering
  • Reinforcement learning

M5. Deep Learning

Construye aplicaciones de Deep Learning en los ámbitos de Computer Vision, Natural Language Processing y Reinforcement Learning.

  • Comprende las redes neuronales
  • Procesa información no estructurada (imagen, texto, vídeo y sonido)
  • Construye agentes de Inteligencia Artificial

M6. Machine Learning Operations (MLOps)

  • MLOps tools
  • Model Serving (Flask y Cloud)
  • Machine-Learning-as-a-Service
  • Mercado de los datos