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 la IA y las tecnologías Big Data:

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

3) Módulo 3: Análisis de Datos con Python (5 sesiones)

- Python: Librerías básicas de Data Science:

• Numpy

• Pandas

• Matplotlib

• Sklearn

- Introducción teórica al análisis exploratorio de Datos:

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

4) Módulo 4: Introducción al Machine Learning (2 sesiones)

Desambiguación de términos: Machine Learning, Deep Learning, Data Science, Big Data.

- Tipos de Machine Learning: -Aprendizaje supervisado: Regresión lineal, regresión logística.

- Ejemplos de aplicación de los algoritmos de Machine Learning vistos en datos reales con Python mediante el uso de sklearn.

4.1) Módulo 4.1: Introducción a la IA Generativa

¿Cómo aprovechar los recientes avances en IA generativa?

Panorama actual de tecnologías más relevantes por campo:

• Texto: ChatGPT, DeepSeek, LLaMA…

• Imagen: DALL·E, Midjourney, Stable Diffusion…

• Video: Runway ML, Sora…

- ¿Qué es el Prompt Engineering? ¿Es quizás una de las profesiones del futuro?

- Usando la API de Open AI para crear nuestros primeros chatbots basados en ChatGPT

5) Módulo 5: Bases de Datos Big Data (6 sesiones)

- Introducción a las Bases de datos SQL.

- Programación en Python con SQLite.

- Introducción a PowerBI

- Bases de datos NoSQL:

- Bases de Datos NoSQL Documentales: MongoDB

- MongoDB con Python: PyMongo

6) Módulo 6: Procesamiento Distribuido (4 sesiones)

- Funcionamiento de un sistema Big Data de Procesamiento Distribuido:

- Hadoop

- PySpark Pandas

7) Módulo 7: Algoritmos de Machine Learning y su implementación (9 sesiones)

- ¿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…)

8) Módulo 8: Deep Learning (Opcional)

Si se realiza proporciona al alumno o alumna un título extra en 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

- Deep Reinforcement Learning (DRL)

- IA GENERATIVA:

• Redes Generativas Adversarias (GAN)

• Modelos de Difusión

• Large Language Models

- Deep Learning Frameworks: Keras, TensorFlow, Pytorch…

9) Módulo 9: Procesamiento de Lenguaje Natural (Opcional) (5 sesiones)

- 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…

10) Módulo10: TFM (Opcional) (3 meses)

- 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.

Conviértete en un programador certificado en Python

En nuestro curso, aprenderás todo lo necesario para presentarte al examen oficial PCEP™ – Certified Entry-Level Python Programmer del Python Institute.

¿Por qué es importante?

✅ Obtendrás una certificación reconocida internacionalmente.

✅ Mejorarás tu perfil profesional en el mundo tech.

✅ Demostrarás tus conocimientos en Python desde el nivel inicial

Importante: La tasa del examen corre a cargo del alumno.