Máster en Aprendizaje Automático y Análisis Avanzado de Datos

MÓDULO 1. DATA MINING, DATA ANALYST Y AUGMENTED ANALYTICS UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA ¿Qué es Big Data? La era de las grandes cantidades de información. Historia del big data La importancia de almacenar y extraer información Big Data enfocado a los negocios Open Data Información pública IoT (Internet of Things-Internet de las cosas) UNIDAD DIDÁCTICA 2. FUENTES DE DATOS Definición y relevancia de la selección de las fuentes de datos Naturaleza de las fuentes de datos Big Data UNIDAD DIDÁCTICA 3. OPEN DATA Definición, Beneficios y Características Ejemplo de uso de Open Data UNIDAD DIDÁCTICA 4. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO Introducción a la minería de datos y el aprendizaje automático Proceso KDD Modelos y Técnicas de Data Mining Áreas de aplicación Minería de textos y Web Mining Data mining y marketing UNIDAD DIDÁCTICA 5. AUGMENTED ANALYTICS Analítica aumentada Beneficios y desafíos Herramientas y plataformas Escalabilidad e integración UNIDAD DIDÁCTICA 6. ECOSISTEMA HADOOP ¿Qué es Hadoop? Relación con Big Data Instalación y configuración de insfraestructura y ecosistema Hadoop Sistema de archivos HDFS MapReduce con Hadoop Apache Hive Apache Hue Apache Spark UNIDAD DIDÁCTICA 7. WEKA Y DATA MINING ¿Qué es Weka? Técnicas de Data Mining en Weka Interfaces de Weka Selección de atributos UNIDAD DIDÁCTICA 8. INTRODUCCIÓN A LA CIENCIA DE DATOS ¿Qué es la ciencia de datos? Herramientas necesarias para el científico de datos Data Science & Cloud Compunting Aspectos legales en Protección de Datos UNIDAD DIDÁCTICA 9. BASES DE DATOS RELACIONALES Introducción El modelo relacional Lenguaje de consulta SQL MySQL. Una base de datos relacional UNIDAD DIDÁCTICA 10. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE ¿Qué es una base de datos NoSQL? Bases de datos Relaciones Vs Bases de datos NoSQL Tipo de Bases de datos NoSQL. Teorema de CAP Sistemas de Bases de datos NoSQL UNIDAD DIDÁCTICA 11. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL. MONGODB ¿Qué es MongoDB? Funcionamiento y uso de MongoDB Primeros pasos con MongoDB. Instalación y shell de comandos Creando nuestra primera Base de Datos NoSQL.Modelo e Inserción de Datos Actualización de datos en MongoDB. Sentencias set y update Trabajando con índices en MongoDB para optimización de datos Consulta de datos en MongoDB UNIDAD DIDÁCTICA 12. PYTHON Y EL ANÁLISIS DE DATOS Introducción a Python ¿Qué necesitas? Librerías para el análisis de datos en Python MongoDB, Hadoop y Python. Dream Team del Big Data UNIDAD DIDÁCTICA 13. R COMO HERRAMIENTA PARA BIG DATA Introducción a R ¿Qué necesitas? Tipos de datos Estadística Descriptiva y Predictiva con R Integración de R en Hadoop UNIDAD DIDÁCTICA 14. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS Obtención y limpieza de los datos (ETL) Inferencia estadística Modelos de regresión Pruebas de hipótesis UNIDAD DIDÁCTICA 15. ANÁLISIS DE LOS DATOS Inteligencia Analítica de negocios La teoría de grafos y el análisis de redes sociales Presentación de resultados MÓDULO 2. ANÁLISIS DE DATOS CON PYTHON UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS ¿Qué es el análisis de datos? UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB Análisis de datos con NumPy Pandas Matplotlib UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS Cómo usar loc en Pandas Cómo eliminar una columna en Pandas UNIDAD DIDÁCTICA 4. PIVOT TABLES Pivot tables en pandas UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN El grupo de pandas UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES Python Pandas fusionando marcos de datos UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN Matplotlib Seaborn UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING Aprendizaje automático UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA Regresión lineal Regresión logística UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES Estructura de árbol UNIDAD DIDÁCTICA 11. NAIVE BAYES Algortimo de Naive bayes Tipos de Naive Bayes UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM) Máquinas de vectores soporte (Support Vector Machine-SVM) ¿Cómo funciona SVM? Núcleos SVM Construcción de clasificador en Scikit-learn UNIDAD DIDÁCTICA 13. KNN K-nearest Neighbors (KNN) Implementación de Python del algoritmo KNN UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA) Análisis de componentes principales UNIDAD DIDÁCTICA 15. RANDOM FOREST Algorimto de Random Forest MÓDULO 3. BUSINESS INTELLIGENCE Y VISUALIZACIÓN DE DATOS UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS ¿Qué es la visualización de datos? Importancia y herramientas de la visualización de datos Visualización de datos: Principios básicos UNIDAD DIDÁCTICA 2. POWER BI Introducción a Power BI Instalación de Power BI Modelado de datos Visualización de datos Dashboards Uso compartido de datos UNIDAD DIDÁCTICA 3. TABLEAU ¿Qué es Tableau? Usos y aplicaciones Tableau Server: Arquitectura y Componentes Instalación Tableau Espacio de trabajo y navegación Conexiones de datos en Tableau Tipos de filtros en Tableau Ordenación de datos, grupos, jerarquías y conjuntos Tablas y gráficos en Tableau UNIDAD DIDÁCTICA 4. D3 (DATA DRIVEN DOCUMENTS) Fundamentos D3 Instalación D3 Funcionamiento D3 SVG Tipos de datos en D3 Diagrama de barras con D3 Diagrama de dispersión con D3 UNIDAD DIDÁCTICA 5. LOOKER Looker Studio Acceder a Looker Studio Informes Tipologías de gráficos Personalización de informes UNIDAD DIDÁCTICA 6. QLIKVIEW Instalación y arquitectura Carga de datos Informes Transformación y modelo de datos Análisis de datos UNIDAD DIDÁCTICA 7. GOOGLE CHART Google Charts Preparación de datos Incluir la librería de Google Charts Ejemplo básico de Google Chart UNIDAD DIDÁCTICA 8. CHARTBLOCKS ¿Qué es ChartBlocks? Registro y acceso Creación de gráficos Personalización de gráficos Compartir y descargar el gráfico UNIDAD DIDÁCTICA 9. INFOGRAM ¿Qué es Infogram? Creación de una cuenta en Infogram Interfaz de usuario de Infogram Creación de infografías Publicación y compartición de proyectos UNIDAD DIDÁCTICA 10. LEAFLET ¿Qué es Leaflet? Configuración inicial Creación de un mapa básico Marcadores Capas UNIDAD DIDÁCTICA 11. CARTO CartoDB MÓDULO 4. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL) UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL Introducción a la inteligencia artificial Historia La importancia de la IA UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL Tipos de inteligencia artificial UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL Algoritmos aplicados a la inteligencia artificial UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA Relación entre inteligencia artificial y big data IA y Big Data combinados El papel del Big Data en IA Tecnologías de IA que se están utilizando con Big Data UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS Sistemas expertos Estructura de un sistema experto Fases de construcción de un sistema Rendimiento y mejoras Dominios de aplicación Creación de un sistema experto en C# Añadir incertidumbre y probabilidades UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL Futuro de la inteligencia artificial Impacto de la IA en la industria El impacto económico y social global de la IA y su futuro UNIDAD DIDÁCTICA 7. INTRODUCCIÓN AL MACHINE LEARNING Introducción Clasificación de algoritmos de aprendizaje automático Ejemplos de aprendizaje automático Diferencias entre el aprendizaje automático y el aprendizaje profundo Tipos de algoritmos de aprendizaje automático El futuro del aprendizaje automático UNIDAD DIDÁCTICA 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING Introducción Algoritmos UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN Introducción Filtrado colaborativo Clusterización Sistemas de recomendación híbridos UNIDAD DIDÁCTICA 10. CLASIFICACIÓN Clasificadores Algoritmos UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING Componentes Aprendizaje UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN Introducción El proceso de paso de DSS a IDSS Casos de aplicación UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW Aprendizaje profundo Entorno de Deep Learning con Python Aprendizaje automático y profundo UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES Redes neuronales Redes profundas y redes poco profundas UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA Perceptrón de una capa y multicapa Ejemplo de perceptrón UNIDAD DIDÁCTICA 16. REDES MULTICAPA Tipos de redes profundas UNIDAD DIDÁCTICA 17. ESTRATEGIAS DE APRENDIZAJE Entrada y salida de datos Entrenar una red neuronal Gráficos computacionales Implementación de una red profunda El algoritmo de propagación directa Redes neuronales profundas multicapa MÓDULO 5. INTELIGENCIA ARTIFICIAL Y ÉTICA UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL Y FUNDAMENTOS ÉTICOS Ética normativa y ética aplicada Historia y caracteres de la ética de la inteligencia artificial Ética realista y ética ficción Inteligencia artificial como objeto y sujeto Singularidad tecnológica y futuro de la especie humana Machine ethics. Nuevos entes autónomos y estatus moral Controversias éticas de la aplicación de la inteligencia artificial Bioética e inteligencia artificial Democracia e inteligencia artificial UNIDAD DIDÁCTICA 2. ÉTICA DE GOBERNANZA E INTELIGENCIA ARTIFICIAL Gobernanza como sistema de prevención y control de riesgos en la inteligencia artificial Papel de la UE en la gobernanza de la inteligencia artificial Evaluaciones de impacto social, ético y legal de inteligencia artificial de alto riesgo Elaboración de un plan de gobernanza UNIDAD DIDÁCTICA 3. INTELIGENCIA ARTIFICIAL CONFIABLE. EXPLICABILIDAD Y SESGO Principios de la inteligencia artificial responsable Aspectos de diseño éticos para Machine Learning Inteligencia artificial explicable (XAI). Hacia la IA responsable Imparcialidad de Datos (Fairness). Control del sesgo en los modelos Escenarios con modelos de IA de alto riesgo Auditabilidad en los sistemas de inteligencia artificial Sandbox normativo piloto del futuro reglamentario de IA en España Transparencia en modelos de Machine Learning Análisis de herramientas software para medir la imparcialidad UNIDAD DIDÁCTICA 4. ÉTICA DE LA INTELIGENCIA ARTIFICIAL Metodología de la ética en la inteligencia artificial Agentes artificiales morales Moralidad artificial desde un enfoque funcionalista Objeciones acerca de agencias morales artificiales Responsabilidad y Derechos de los robots UNIDAD DIDÁCTICA 5. FILOSOFÍA POLÍTICA DE LA INTELIGENCIA ARTIFICIAL Introducción a la filosofía política de la inteligencia artificial Empleo e inteligencia artificial UNIDAD DIDÁCTICA 6. INTELIGENCIA ARTIFICIAL, SOSTENIBILIDAD Y ÉTICA MEDIOAMBIENTAL Digitalización al servicio de los Objetivos de Desarrollo Sostenible (ODS) Estrategia Europea de transición hacia una economía sostenible Cambio climático global Mejora de eficiencia en procesos organizativos con IA Mejora de eficiencia en prácticas individuales con IA Ética ambiental e inteligencia artificial UNIDAD DIDÁCTICA 7. ÉTICA DE LA GUERRA E INTELIGENCIA ARTIFICIAL Armas autónomas Intervenciones militares teledirigidas Ética de la guerra UNIDAD DIDÁCTICA 8. TECNOLOGÍA, ÉTICA Y DERECHO DE LA REALIDAD VIRTUAL El metaverso Gemelos digitales humanos Creación de universos paralelos en 3D UNIDAD DIDÁCTICA 9. ÉTICA DE LA INTELIGENCIA ARTIFICIAL INTERACTIVA Y ROBÓTICA SOCIAL Sistemas autónomos en el ámbito laboral Inteligencia artificial para la mejora de calidad de vida en ciudades UNIDAD DIDÁCTICA 10. INTELIGENCIA ARTIFICIAL, MEJORA HUMANA Y TRANSHUMANISMO Inteligencia artificial para restaurar funciones físicas y cognitivas deterioradas Optimizar las capacidades humanas con inteligencia artificial Debate académico sobre transhumanismo y poshumanismo MÓDULO 6. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN ¿Qué es PLN? ¿Qué incluye el PLN? Ejemplos de uso de PLN Futuro del PLN UNIDAD DIDÁCTICA 2. PLN EN PYTHON PLN en Python con la librería NLTK Otras herramientas para PLN UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN Principios del análisis sintáctico Gramática libre de contexto Analizadores sintácticos (Parsers) UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN Aspectos introductorios del análisis semántico Lenguaje semántico para PLN Análisis pragmático UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN Aspectos introductorios Pasos en la extracción de información Ejemplo PLN Ejemplo PLN con entrada de texto en inglés UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT? Aspectos introductorios ¿Qué es un chatbot? ¿Cómo funciona un chatbot? VoiceBots Desafios para los Chatbots UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS Chatbots y el papel de la Inteligencia Artificial (IA) Usos y beneficios de los chatbots Diferencia entre bots, chatbots e IA UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS Áreas de aplicación de Chatbots Desarrollo de un chatbot con ChatterBot y Python Desarrollo de un chatbot para Facebook Messenger con Chatfuel MÓDULO 7. INTELIGENCIA ARTIFICIAL PARA PROGRAMADORES UNIDAD DIDÁCTICA 1. APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING) Aprendizaje Automático Tipos de aprendizaje automático Algoritmos y modelos de aprendizaje automático Métricas de evalución en aprendizaje automático Regularización y selección de características en aprendizaje automático UNIDAD DIDÁCTICA 2. REDES NEURONALES ARTIFICIALES (RNA) Redes Neuronales Artificiales (RNA) Estructura y arquitectura Funciones de activación UNIDAD DIDÁCTICA 3. PROCESAMIENTO DE LENGUAJE NATURAL (NATURAL LANGUAGE PROCESSING - NLP) Fundamentos del Procesamiento del Lenguaje Natural (PLN) Representación del lenguaje en PLN Extracción de características en PLN Modelos de PLN basados en secuencias Modelos de PLN para tareas específicas Aplicaciones de PLN UNIDAD DIDÁCTICA 4. VISIÓN ARTIFICIAL Visión artificial Preprocesamiento y transformación de imágenes Detección y reconocimiento de objetos Segmentación y clasificación de imágenes Aplicaciones de visión artificial UNIDAD DIDÁCTICA 5. PROCESAMIENTO DE DATOS MASIVOS (BIG DATA) EN INTELIGENCIA ARTIFICIAL Big Data en Inteligencia Artificial UNIDAD DIDÁCTICA 6. OPTIMIZACIÓN Y SINTONIZACIÓN DE MODELOS DE IA Evaluación de modelos y métricas de rendimiento Optimización de hiperparámetros Regularización y técnicas de prevención de sobreajuste Técnicas de reducción de dimensionalidad Ajuste y ensamblado de modelos UNIDAD DIDÁCTICA 7. APRENDIZAJE POR REFUERZO (REINFORCEMENT LEARNING) Aprendizaje por refuerzo Agentes y entornos de aprendizaje por refuerzo Métdos de aprendizaje por refuerzo Exploración y explotación en aprendizaje por refuerzo Aplicaciones de aprendizaje por refuerzo UNIDAD DIDÁCTICA 8. DESPLIEGUE Y PRODUCCIÓN DE MODELOS DE IA Preparación de datos para despliegue de modelos MÓDULO 8. PROGRAMACIÓN DE VISIÓN ARTIFICIAL CON PYTHON Y OPENCV UNIDAD DIDÁCTICA 1. INTRODUCCIÓN E INSTALACIÓN DE OPENCV Descripción general OpenCV Instalación OpenCV para Python en Windows Instalación OpenCV para Python en Linux Anaconda y OpenCV UNIDAD DIDÁCTICA 2. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS Manejo de archivos Leer una imagen con OpenCV Mostrar imagen con OpenCV Guardar una imagen con OpenCV Operaciones aritméticas en imágenes usando OpenCV Funciones de dibujo UNIDAD DIDÁCTICA 3. TRATAMIENTO DE IMÁGENES Redimensión de imágenes Erosión de imágenes Desenfoque de imágenes Bordeado de imágenes UNIDAD DIDÁCTICA 4. HISTOGRAMAS Y TEMPLATE MATCHING Analizar imágenes usando histogramas Ecualización de histogramas Template matching Detección de campos en documentos usando Template matching UNIDAD DIDÁCTICA 5. COLORES Y ESPACIOS DE COLOR Espacios de color en OpenCV Cambio de espacio de color Filtrado de color Denoising de imágenes en color Visualizar una imagen en diferentes espacios de color UNIDAD DIDÁCTICA 6. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS Detección de líneas Detección de círculos Detectar esquinas (Método Shi-Tomasi) Detectar esquinas (método Harris) Encontrar círculos y elipses Detección de caras y sonrisas UNIDAD DIDÁCTICA 7. APRENDIZAJE AUTOMÁTICO Vecino más cercano (K-Nearest Neighbour) Agrupamiento de K-medias (K-Means Clustering) MÓDULO 9. PROYECTO FINAL