Máster en Data Science

Utiliza el lenguaje de programación más usado en el entorno de la estructura, limpieza y procesamiento de datos: Listas, diccionarios, conjuntos, funciones…

• Introducción a la programación:
• Variables, loops, secuencias.
• Funciones y complex data.

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

Aprende todos los conceptos, historia, evolución y vanguardia problemas de las matemáticas que usa diariamente un científico de datos. El Álgebra y la estadística son el corazón numérico de la Inteligencia Artificial, donde aplicarás todos los conceptos aprendidos para crear tus propios modelos.

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

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

Conviértete en un experto de las librerías clave de Python, además de una introducción a los usos básicos en el lenguaje de programación R. Análisis exploratorio, limpieza, procesamiento e ingeniería 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).

Aprende a utilizar las bibliotecas principales de Python y R para la visualización y el análisis visual de datos, incluyendo todos los tipos de grafos, gráficos 3D más complejos. Además, tendrás conocimientos de las herramientas comerciales y de código abierto para visualización de datos.

• 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.

El aprendizaje supervisado requiere de intervención humana para definir las etiquetas en los datos históricos. De esta forma, podrás predecir un resultado basado en estos datos, desarrollando un caso real de la industria, donde podrás aplicar todo lo aprendido.

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

El aprendizaje no supervisado trabaja con datos no etiquetados, buscando patrones y estructuras claramente segmentadas, escondidas en los datos. Aprende a segmentar tus clientes, tu audiencia o tus métricas clave, usando las técnicas de agrupación, reducción de dimensionalidad y las reglas de asociación, las más usadas en esta vertiente del Machine Learning.

• 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.

Adéntrate en deep learning y sus algoritmos clave. Descubrirás qué es una red neuronal y cómo se comportan los datos cuando se aplican este tipo de técnicas, además de profundizar en cada una de ellas: La red conectada, La red neuronal convolucional (CNN) y la red neuronal recurrente (RNN). Además, conocerás la Red Neuronal no supervisada y las últimas técnicas en autoencoder, GAN y máquinas Boltzmann.

• Claves de Deep Learning.
• Cómo construir una red neuronal.
• Conectar densamente una red.

• Red Neuronal Convolucional (CNN).
• Red Neuronal Recurrente (RNN).
• Aprendizaje reforzado.
• Redes Adversarias Generativas (GANs).

Es hora de ponerse a la obra. Conoce todo el ciclo de vida de la IA con un proyecto real junto a una empresa. El acceso a los datos, capacitación computacional, análisis e implementación. Además, las tendencias relacionadas con la Inteligencia artificial, como la ética, la regulación y todos los desafíos socioculturales que plantea.

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

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