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.

1) 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

2) Módulo 2: Herramientas básicas Ver más
- 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

3) 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…)

4) 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…

5) 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…

6) 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.
Ver menos