Máster en Inteligencia Artificial impartido por Grupo Atrium

- Estudiantes que posean conocimientos básicos de programación y deseen empezar su andadura profesional como científicos de datos.
- Trabajadores del sector tecnológico que quieran progresar en su carrera.
- Jefes de proyecto que deseen liderar eficientemente proyectos de Inteligencia Artificial.

Módulo 1: Nociones teóricas iniciales (1 semana)

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
Ver más

Módulo 2: Herramientas básicas (6 semanas)

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 (10 semanas)

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 (12 semanas)

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 (8 semanas)

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) (8 semanas)

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.
Ver menos