Maestría en Blockchain e Ingeniería de Datos

Módulo 1. Tecnología Blockchain

· Blockchain pública y privada

· Criptografía básica para Blockchain

· Protocolos de consenso PoW y PoS

· Proyecto

Módulo 2. Ethereum: Clientes y transacciones

· Clientes Ethereum, Parity y Geth

· Ethereum Virtual Machine y opcodes

· Gestión de transacciones, bloques y Gas

· Proyecto

Módulo 3. Ethereum: Claves y networkss

· Instalación y uso en una Testnet propia

· Gestión de las claves y Ethereum networkss (Mainnet, Ropsten, Rinkeby)

· Escalabilidad: Redes de segunda capa. Polygon y Optimism

· Proyecto

Módulo 4.Ethereum: Minería

· Hardware e infraestructura para la minería: Nodos y minado

· Instalación y conexión a Pool

· Análisis de rentabilidad

· Proyecto

Módulo 5. Ethereum: Desarrollo de Smart Contract

· Estructura un Smart Contract (ERC-20, ERC-721)

· Configuración de desarrollo (Nodo + Web3 + Compilador + IDE)

· Solidit: programación básica y compilación

· Proyecto

Módulo 6. Ethereum: Aplicaciones descentralizadas (DApps)

· Arquitectura teórica y casos

· Componentes y configuración de clientes

· Gestión de wallets y Polygon para escalabilidad

· Proyecto

Módulo 7. Hyperledger: Arquitectura e instalación Fabric

· Introducción, aplicaciones y proyectos reales

· Arquitectura Hyperledger Fabric

· Instalación de Hyperledger Fabric, herramientas y archivos

· Proyecto

Módulo 8. Hyperledger: Desarrollo de Smart Contracts y DApps

· Hyperledger Composer Playground

· Desarrollo de Smart Contracts Privados: Chaincode

· Desarrollo de DApps para entorno permisionado

· Proyecto

Módulo 9. Fundamentos de IA y Machine Learning

· Introducción a la IA y Machine Learning

· Algoritmos de regresión. Evaluación y métricas

· Ecosistemas de Machine Learning en la nube

· Proyecto

Módulo 10. Aprendizaje supervisado I

· Clasificación binaria, multiclase y métricas. Curva ROC

· Clasificación con Naive Bayes

· Clasificación con Support Vector Machine (SVM)

· Proyecto

Módulo 11. Aprendizaje supervisado II

· Clasificación con KNN, regresión logística y softmax

· Regresión y clasificación con árboles de decisión

· Combinación de clasificadores: ensembles y random forests

· Proyecto

Módulo 12. Aprendizaje NO Supervisado

· Reducción de dimensionalidad en los datos: PCA

· Algoritmos de agrupamiento: Kmedias y jerárquico

· Técnicas de detección de anomalías

· Proyecto

Módulo 13. Redes neuronales y deep learning

· Hitos del Deep Learning y fundamentos de las redes neuronales

· Frameworks de Deep Learning. TensorFlow

· Tipos de Redes Neuronales y ajuste de modelos de Deep Learning

· Proyecto

Módulo 14. Redes Neuronales Convolucionales (CNNs)

· Fundamentos de las CNNs: kernels, convolución, pooling, etc.

· Modelos pre-entrenados: Transfer Learning y Fine-Tuning

· Deep Learning en producción

· Proyecto

Módulo 15. Sistemas de recomendación

· Personalización guiada por IA y datos. Filtrado colaborativo

· Recomendaciones basadas en contenido, contexto e híbridas

· Aplicaciones, tendencias y retos de los sistemas de recomendación

· Proyecto

Módulo 16. Procesamiento del Lenguaje Natural

· Modelos lógicos de PLN

· Modelos Probabilísticos de PLN

· Uso de la PLN

· Proyecto

Proyecto de Fin de Master