Máster en Data Science & Deep Learning

Módulo 1L Máster en 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: 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.

Módulo 2: Máster en Deep Learning

- Deep Learning: Introducción a los conceptos fundamentales de las redes neuronales profundas. Además de proporcionar un recorrido teórico-práctico se aprenderán a utilizar las herramientas más importantes y a implementar soluciones desde cero.

- Computer Vision: Introducción a los conceptos fundamentales de las técnicas de Visión por Computadora (Computer Vision). Se realizará un recorrido teórico práctico de las principales técnicas.

- Natural Language Processing: Introducción a los conceptos fundamentales de los mecanismos empleados para la comunicación entre personas y máquinas por medio del lenguaje natural. Conocer las interacciones y su aplicación en el campo de inteligencia artificial.

- Entrepreneurship II: Discusión y descubrimiento de nuevos modelos de negocio basados en data science.

- Machine Learning II: Aplicación de redes convolucionales y modelos recurrentes profundos con Tensorflow en aplicaciones prácticas con imágenes, implementar y diseñar modelos neuronales para la resolución de problemas modelización/clasificación, diseñar modelos generativos adversariales para la gestión de datos.

- Reinforcement Learning: Introducción a los conceptos del aprendizaje por refuerzo. Conocer las formas de calcular medias y promedios móviles, procesos de decisión de Markov, programación dinámica, diferencia temporal de aprendizaje y métodos de aproximación.

- Machine Learning III: Aplicar redes convolucionales y modelos recurrentes profundos con Tensorflow en aplicaciones prácticas con imágenes, implementar y diseñar modelos neuronales para la resolución de problemas modelización/clasificación, diseñar modelos generativos adversariales para la gestión de datos.

- Kaggle Challenge: Formarás parte de un equipo en Kaggle donde solucionarás un reto de Data Science de la plataforma mas usada por data scientists.

- Final Project: Creación de tu proyecto en grupo de ciencia de datos aplicado a la temática de tu interés o proporcionada por una de nuestras empresas colaboradoras.