Máster en Data Science

Empieza aprendiendo los fundamentos de programación en Python. Utilizarás la programación orientada a objetivos la estructura de datos de Python: listas, diccionarios, conjuntos, tuples y más.

• Introducción a la programación: Conceptos básicos de codificación.
• Variables, loops, secuencias.
• Funciones y complex data.

• Gestión de archivos y parseo.
• Introducción a la orientación por objetos.
• Módulos y librerías externas.

Introducción a los conceptos básicos en Inteligencia Artificial (IA) y álgebra y estadística. Elementos clave para el curso.

El módulo comienza con los conceptos de IA, su historia, evolución y la vanguardia de IA con ejemplos de su aplicación y consumidores.

Finalmente, se ven conceptos clave de álgebra y estadística para su aplicación en IA.

• Introducción y conceptos matemáticos claves.
• Álgebra lineal.
• Probabilidad y estadística para Machine Learning.

• Análisis de correlaciones.
• Análisis exploratorio (correlación, análisis de varianza, estadística descriptiva).

Este módulo cubre las librerías claves en Python y los básicos en R.

El módulo consiste en un análisis exploratorio de los datos, para transformarlos y preprocesarlos.

El enfoque en Python se centra en variables, estructura de datos simple, listas condicionales, diccionarios y funciones con el enfoque en el análisis y limpieza de datos.

• Manipulación y Análisis de datos (databases, sql, no sql, apis, webservices, scripting).

• Procesamiento de datos (limpieza y manipulación). principales conceptos en Python y R (panda, numpy).

Cubriremos el aprendizaje supervisado. Este tipo de aprendizaje requiere intervención humana para la creación de etiquetas en los datos históricos.

De esta forma, les podrá predecir un resultado basado en estos datos.

Se desarrollará un caso de la industria en el que aplicar los conocimientos adquiridos.

Clasificación:

• Modelo probabilístico (Naive Bayes y Regresión Logística)
• K-NN , Decision trees & Random forest
• Linear and non-linear regression.
• Resampling Methods, cross validation.
• Overfitting & Bias.

Aplicando técnicas de clasificación para un conjunto de Data Health

Cubriremos con el método de el Machine learning no supervisado trabaja con datos no etiquetados previamente. El objetivo es encontrar patrones y estructuras que han sido escondidos en los datos. Un ejemplo común es la segmentación de clientes con atributos similares para campañas de marketing.

En este módulo, se utilizarán las principales técnicas de aprendizaje no supervisado con un enfoque especial en la agrupación, la reducción de la dimensionalidad y las reglas de asociación.

• Reducción dimensional (PCA, SVD...).
• Modelado de variables latentes.
• Agrupamiento (kmeans, hierarchical, DBSCAN...).
• Detección de anomalías.

• Introduccion al no supervisado.
• Agrupación y modelos variables latentes.
• Reducción de dimensionalidad y decisión de anomalías.

Cubriremos la visualización de datos usando las bibliotecas Python y R. Las bibliotecas principales se utilizarán junto con una visualización mediante grafos.

Este módulo incluye gráficos 3D y cómo crearlas con Python.

Al final del módulo, se proporcionará conocimiento adicional sobre herramientas comerciales y de código abierto clave que no requieren programación.

• Visualización de conceptos de claves.
• Librerias mas relevantes en Python y R: (matplotlib, ggplot2, plotly, seaborn, bokeh).
• Haciendo uso de gráficas 3D con nvd3 de Python.

• Grafos usando Python NetworkX y PySpark GraphFrames.
• Clave de código abierto y herramientas comerciales.

Aprenderás los principios básicos del deep learning y algoritmos claves. Conocerás que es una red neuronal y cómo se comportan los datos cuando se aplica este tipo de metodologías.

Revisaremos la red densamente conectada, la red neuronal convolucional (CNN) y la red neuronal recurrente (RNN).

Aprenderás también conceptos básicos sobre la red neuronal no supervisada y los conceptos de autoencoder, GAN y máquinas Boltzmann.

• Introducción a el l Deep Learning.
• Cómo construir una red neuronal.
• Conectar densamente una red.

• Red Neuronal Convolucional (CNN).
• Red Neuronal Recurrente (RNN).
• Aprendizaje reforzado.

El último módulo engloba el ciclo de vida de la IA en proyectos reales. Desde el acceso a los datos, la capacitación en preprocesamiento y análisis hasta su implementación en producción.

Además, las tendencias en IA se incluirán en este módulo, como son la ética, la regulación y los desafíos futuros.

Finalmente, este módulo examina las herramientas clave en el mercado en torno a la IA con un enfoque en el uso del ciclo de vida.

• Ciclo de vida de la IA.
• Sesgos, regulación y tendencias futuras.

• Herramientas o frameworks comerciales de IA (IBM, BIGML…).