Máster en Inteligencia Artificial

1) Módulo 1: Introducción a los sistemas Informáticos y tecnologías Big Data

– Principales componentes de un sistema informático. Sistemas Operativos, para que sirven, que tipos hay y cómo funcionan…

– Introducción a GNU/Linux

– GNU/Linux Avanzado

– Como usar GNU/Linux en Cloud (AWS)

– Introducción teórica a las tecnologías Big Data: Bases de Datos SQL/No SQL, Computación distribuida, Cloud…

2) Módulo 2: Fundamentos de Programación en Python

– Introducción a los lenguajes de programación

– Python: Sentencias Básicas y Bloques Lógicos

– Python: Funciones y Scope

– Python: Clases y Objetos y Tratamiento de Excepciones

– Python: Módulos y Uso de librerías de Python

Módulo 3: Programación Orientada a Datos

– Python: Librerías básicas de Data Science: Pandas, Numpy, Matplotlib, Sklearn…

– Introducción teórica al análisis exploratorio de Datos

– Python: Ejemplificación del análisis exploratorio de datos mediate Datasets reales

Módulo 4: Bases de Datos e Ingestión de datos

– Bases de datos SQL

– Bases de datos NoSQL: Clave-Valor, Columnares, Documentales y de Grafos

– Bases de Datos NoSQL Documentales: MongoDB (PyMongo)

– Sistemas de ingestión de datos en tiempo real: Kafka

Módulo 5: Procesamiento Distribuido

– Funcionamiento de un sistema Big Data de Procesamiento Distribuido: Ingestión, Almacenamiento, Gestión de Recursos, Cálculo Distribuido…

– Hadoop: Instalación y configuración, HDFS y YARN

– Introducción a Spark: Instalación y configuración, pySpark y DataFrame API

– Machine Learning con Spark: MLlib

– Microservicios: Kubernetes y Docker

– Arquitecturas Big Data: Lamba vs Kappa vs Microservicios

Módulo 6: 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 7: 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 8: 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 9: 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.