Máster de Formación Permanente en Inteligencia Artificial & Big Data
Español
Créditos 60 ECTS
PRESENTACIÓN
Se denomina Big Data al proceso de recolección de grandes cantidades heterogéneas de datos para su análisis (en ocasiones en tiempo real). Ese conjunto de datos es tan grande y tan complejo que los medios tradicionales de procesamiento son ineficaces. De ahí que deban desarrollarse nuevas formas y aplicaciones informáticas capaces de gestionar y procesar toda esta cantidad de datos. El Big Data, nace para responder a estos retos y sobre todo para que a través del análisis de los datos seamos capaces de atraer a más clientes, evitar perderlos y mejorar nuestros procesos operativos.
Objetivos
El objetivo global del Máster es que el alumno sea capaz de desarrollar un nuevo perfil tecnológico, adquiriendo además habilidades de gestión y desarrollo de proyectos de software necesario en este mundo cambiante en el que vivimos. Este objetivo global se alcanza a través de los siguientes objetivos parciales:
- Entender los sistemas inteligentes capaces de dar respuesta a la demanda actual.
- Conocer y diseñar la arquitectura que está detrás del Big Data y de la Inteligencia Artificial.
- Desarrollar las metodologías de ideación y gestión de proyectos IA.
- Identificar los factores que convierten una solución de inteligencia artificial en un proyecto viable.
Metodología
En Educa PHAROS trabajamos con una metodología eminentemente práctica, orientada a la aplicación directa de los conocimientos en el entorno profesional del alumno, combinando contenidos teóricos con casos reales, herramientas digitales y el acompañamiento de un equipo docente especializado.
Programa
- Data information
- Knowledge wisdom
- Data Management (I)
- Data Management (II)
- Corporate perfomance management
- Bases de Datos
- Business intelligence
- Datawarehousing
- Big data
- Hadoop Spark
- Ecosistema Hadoop (I)
- Ecosistema Hadoop (II)
- Ecosistema Hadoop (III)
- Ecosistema Spark
- Instalación y configuración de arquitecturas Big Data
- Analytics
- Principales algoritmos (I)
- Principales algoritmos (II)
- Machine Learning y Deep Learning
- Internet Of Things
- Introducción a SQL
- Manipulación de bases de datos
- Tipos de datos
- Normalización
- Creación de tablas en SQL
- Manipulación de tablas
- Consulta de tablas en SQL
- Combinación de tablas en SQL
- Combinaciones de tablas y vistas
- Otros comandos en SQL
- Funciones para strings y funciones numéricas (I)
- Funciones numéricas (II)
- Funciones de fecha y hora
- Otras funciones
- Bucles, condicionales y triggers en SQL
- Introducción al datawarehousing
- Bases de datos en un datawarehouse. Stage
- Bases de datos en un datawarehouse. ODS (I)
- Datos en un datawarehouse. ODS (II)
- Bases de datos en un datawarehouse. DDS
- Concepto de Bases de Datos NoSQL
- Ventajas y desventajas de las Bases de Datos NoSQL
- Características principales de las Bases de Datos NoSQL
- Bases de datos Documentales
- Bases de datos de Columnas
- Bases de datos Clave-Valor
- Base de datos en grafos
- Introducción a MongoDB
- Características y arquitectura de MongoDB
- Modelado de datos en MongoDB
- Consultas y operaciones en MongoDB
- Escalabilidad y rendimiento en MongoDB
- Apache Cassandra
- CouchDB
- Redis
- Amazon DynamoDB
- NeoJS
- Diseño de la estructura de datos
- Configuración del entorno de desarrollo
- Instalación y configuración de MongoDB
- Creación y manipulación de colecciones en MongoDB
- Importación y exportación de datos en MongoDB
- Índices y optimización de consultas en MongoDB
- Agregación de datos en MongoDB
- Transacciones en MongoDB
- Replicación y alta disponibilidad en MongoDB
- Copias de seguridad y recuperación en MongoDB
- Aplicaciones web y móviles
- Big Data y análisis de datos
- Internet de las cosas (IoT)
- Sistemas de recomendación
- Social media y redes sociales
- Introducción a la integración de datos
- Integración con lenguajes de programación (Python, Java, etc.)
- Integración con herramientas de Business Intelligence (BI)
- Integración con sistemas de almacenamiento en la nube
- Conceptos de seguridad en Bases de Datos NoSQL
- Autenticación y autorización en MongoDB
- Encriptación de datos en Bases de Datos NoSQL
- Auditoría y control de acceso en Bases de Datos NoSQL
- Estado del arte de la inteligencia artificial
- Filosofía de la inteligencia artificial
- Futuro de la inteligencia artificial
- Procesos de desarrollo de proyecto con inteligencia artificial
- Los datos, tu mayor activo
- Aprendizaje automático
- Aprendizaje profundo
- Transformers
- Generación de datos sintéticos
- Hiperparámetros en los modelos de inteligencia artificial
- Regresión lineal
- Regresión no lineal y Support Vector Machine (SVM)
- Árboles de decisión y bosques aleatorios
- Lógica difusa y descenso del gradiente
- Sistemas de recomendación
- Preparación del entorno de trabajo. Anaconda, Visual Studio Code y Python
- Dataset de entrada y procesado de datos
- TensorHub, TensorFlow y Keras
- Tratamiento de imágenes
- Generación de modelos de inteligencia artificial
- Introducción
- Regresión lineal, múltiple y logística (I)
- Regresión lineal, múltiple y logística (II)
- Máquina de vectores soporte (SVM)
- Árboles de decisión
- KNN (K-Nearest Neighbors)
- Naive bayes
- Evaluación de modelos supervisados
- Ejercicio de ejemplo
- Ejercicio propuesto
- Introducción a clustering: propósito y métricas
- K-means clustering
- Clústering jerárquico, otras técnicas y ejemplos
- Análisis de componentes principales (PCA)
- Ejercicio de ejemplo PCA
- Redes neuronales artificiales (ANN) (I)
- Redes neuronales artificiales (ANN) (II)
- Redes neuronales artificiales (ANN) (III)
- Ejercicio de ejemplo
- Ejercicio propuesto
- 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
- Introducción
- Algoritmos
- Introducción
- Filtrado colaborativo
- Clusterización
- Sistemas de recomendación híbridos
- Clasificadores
- Algoritmos
- Componentes
- Aprendizaje
- Introducción
- El proceso de paso de DSS a IDSS
- Casos de aplicación
- Aprendizaje profundo
- Entorno de Deep Learning con Python
- Aprendizaje automático y profundo
- Redes neuronales
- Redes profundas y redes poco profundas
- Perceptrón de una capa y multicapa
- Ejemplo de perceptrón
- Tipos de redes profundas
- 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
- Introducción
- Elementos clave para la gestión de proyectos de IA
- Características de los proyectos de IA
- Introducción a las principales metodologías ágiles y de ideación
- Integración de las diferentes metodologías
- Introducción
- Fase I: Empatizar
- Fase II: Definir
- Fase III: Idear
- Fase IV: prototipar
- Lean start-up. Conceptos básicos
- Lean Start-up. Herramientas
- Scrum. Introducción
- Scrum. Roles
- Scrum. Ceremonias y artefactos
- Introducción
- Ideando el proyecto
- Ejecutando el proyecto
- Algunos consejos a la hora de implementar las metodologías
- Resumen y conclusiones
- Finanzas y Seguros
- Retail
- Industria
- Agricultura
- Salud
- Logística y operaciones
- Marketing
- Ventas y Atención al cliente
- Finanzas y Control
- People Analytics
- Escenario actual de un sector en auge
- Financiación y fondos
- Startups destacadas
- Futuro del ecosistema
- Inicio de una empresa de IA
- Ética. Notas generales.
- Ejemplos de sesgos.
- Iniciativas globales.
- Organismos públicos y regulación.
- IA en los Objetivos de Desarrollo Sostenible
- Cuarta revolución industrial
- Transformación digital en las empresas
- Fundamentos y puntos clave
- Beneficios
- Tecnologías habilitadoras
- Big Data
- Cloud Computing
- Cibersecurity
- Inteligencia artificial
- Realidad virtual y aumentada
- BIM
- Robots colaborativos
- Fabricación aditiva
- Hiperconectividad
- IoT
- Manufacturing Execution System (MES)
- Integración y eficiencia de procesos
- Casos de uso
- Nuevas metodologías: Agile, Lean Startup o Design Thinking.
- Gestión del cambio en la empresa
Másteres Destacados
Da el siguiente paso en tu carrera
Tu formación ya cuenta. Ahora conviértela en un título universitario.
Educa PHAROS es una solución formativa para empresas que centraliza el aprendizaje, facilita la gestión de usuarios y permite medir el progreso mediante paneles y reportes.
Está dirigido a organizaciones que desean desarrollar habilidades internas, estandarizar la formación por roles y disponer de trazabilidad y métricas de aprendizaje.
Incluye itinerarios por perfiles, gestión de usuarios y permisos, reportes de progreso, certificación, y acceso a masterclass o sesiones en vivo (según plan).
Se apoya en buenas prácticas de seguridad, control de accesos, trazabilidad del aprendizaje y soporte de implementación. Personaliza este texto según tus compromisos (SLA, compliance, etc.).
Educa PHAROS es un modelo formativo de nueva generación que posiciona al capital humano de la empresa a la vanguardia. A través de una plataforma que se adapta a la imagen corporativa de cada empresa y con un total de más de 900 cursos se consigue una formación específica para cada organización. La tarifa plana ilimitada, proporciona a cada empresa el número de cursos que se ajuste a sus necesidades y también la posibilidad de determinar qué empleados podrán tener acceso.