Máster en Inteligencia Artificial

Módulo 1: Nociones teóricas iniciales

Desambiguación de términos: Machine Learning, Deep Learning, Data Science, Big Data

Evolución histórica de la Inteligencia Artificial

Machine Learning: Aprendizaje supervisado, no supervisado y por refuerzo

Aprendizaje supervisado: Regresión y clasificación

Módulo 2: Herramientas básicas

Primeros pasos con R

Programación en Python

Linux Shell essentials

Introducción al ecosistema Big Data

Introducción a la programación distribuida

Programación distribuida: Py-Spark

Visión general del ecosistema de bases de datos NoSQL (Clave-valor, Columnares, Documentales y de Grafos)

NoSQL: MongoDB con PyMongo

Herramientas y técnicas de visualización

Visión general de las herramientas Cloud disponibles

Módulo 3: Algoritmos de Machine Learning y su implementación

¿Qué es un modelo de machine learning? ¿Qué es el entrenamiento? ¿Cómo valido que mis modelos generalizan correctamente?

Regresión Lineal

Regresión Logística

Algoritmos de agrupamiento (K-Means, Clustering espectral, Clustering jerárquico¿)

Support Vector Machines (SVM)

Árboles de Decisión y Random Forests

K Nearest Neighbors (KNN)

Redes Bayesianas

Modelos Ocultos de Markov

Algoritmos de reducción de la dimensionalidad (PCA, t-SNE¿)

Algoritmos de selección de modelos y búsqueda inteligente de hiper parámetros (grid search, random search, cross validation¿)

Modelos Ensemble y Sistemas multi-agente

Ecosistema Data Science en Python: Skit Learn, Pandas, Numpy, Matplotlib¿

Pre-procesamiento de datos numéricos (Normalización, discretización, estandarización¿)

Módulo 4: Deep Learning

Introducción a los sistemas cognitivos y al aprendizaje profundo

Perceptrones multi capa (MLP)

Aspectos prácticos en el entrenamiento de redes neuronales y computación en GPU/TPU

Redes Convolucionales (CNN)

Redes Recurrentes (RNN)

Auto-Encoders

Redes Generativas Adversarias (GAN)

Deep Reinforcement Learning (DRL)

Deep Learning Frameworks: Keras, TensorFlow, Pytorch¿

Módulo 5: Procesamiento de Lenguaje Natural

Pre-procesamiento de texto y creación de corpus (tokenización, lematización, separación de oraciones¿)

Conceptos clave de análisis a nivel de documento (TF-IDF, BoW¿)

Topic Modeling (LDA y LSI)

Análisis morfológico y morfosintáctico (PoS Tagging)

Named Entity Recognition

Embeddings

Deep Learning aplicado a NLP

La revolución de los modelos Deep Learning de lenguaje basados en contexto (BERT, ELMo¿)

Modelos de generación de texto y agentes conversacionales

Ecosistema NLP en Python: NLTK, gensim, spacy, rasa¿

Módulo 6: TFM (Opcional)

El alumno presentará una propuesta de proyecto al docente, que utilice algoritmos y tecnologías vistos en este máster para la resolución de un problema real de negocio.

Una vez aprobada la propuesta el alumno lo realizará

Al entregarlo el docente dará su feedback y si este es positivo el alumno tendrá una mención especial en su diploma y prioridad en nuestra bolsa de empleo.

Claustro de profesores:

Daniel Martínez García

Experto en Inteligencia Artificial con dilatada experiencia en el sector. Fue durante años director de ID en la División de Inteligencia Artificial de Altran y actualmente dirige la parte de Inteligencia Artificial en MonoM (Grupo Álava). Tiene un máster en Big Data y otro en Deep Learning e imparte clases en universidades y escuelas de negocios.