A toda persona interesada en la inteligencia artificial.
Conocer Fundamentos de Programación en Python
Iniciar una Programación Orientada a Datos
Adquirir conocimientos de Bases de Datos e Ingestión de datos, etc.
Herramientas y librerías que aprenderás.
• Python
• Linux
• Jupyter Lab
• Pycharm
• Spark (PySpark, Spark MLlib)
• Hadoop (HDFS, YARN)
• Mongo DB
• AWS
• NumPy
• Pandas
• Matplotlib
• Sklearn
• Keras
• TensorFlow
• NLTK
• Gensim
• TextBlob
• ChatGPT
• DALL·E 3
• OpenAI API
• Chatbots
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 las tecnologías Big Data: Bases de Datos SQL/No SQL, Computación distribuida, Cloud…
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
- Python: Librerías básicas de Data Science: Pandas, Numpy, 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
- Desambiguación de términos: ¿Machine Learning? ¿Deep Learning? ¿Data Science? ¿Big Data? Machine Learning: Aprendizaje supervisado (regresión/clasificación), no supervisado y por refuerzo.
- Nuestros primeros pasos con el Machine Learning: Regresión Lineal y Regresión Logística. Ejemplos con datos reales en Python.
4.1) Módulo 4.1: Introducción a la IA Generativa
- ¿Como aprovechar los recientes avances en IA generativa? Panorama actual de tecnologías más relevantes por campo:
• Texto: ChatGPT, Bard, LLaMA…
• Imagen: Dalle, Midjourney, Stable Diffusion…
- ¿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
- Introducción a las Bases de datos SQL.
- Programación en Python con SQLite.
- Bases de datos NoSQL: Clave-Valor, Columnares, Documentales y de Grafos
- Bases de Datos NoSQL Documentales: MongoDB (PyMongo)
6) Módulo 6: Procesamiento Distribuido
- Funcionamiento de un sistema Big Data de Procesamiento Distribuido: Ingestión, Almacenamiento, Gestión de Recursos, Cálculo Distribuido…
- Hadoop
- Introducción a Spark: pySpark y DataFrame API
- Machine Learning con Spark ML
- PySpark Pandas
7) Módulo 7: Algoritmos de Machine Learning y su implementación
- ¿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…)
7) Módulo 7: Deep Learning (Opcional)
- 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
- Redes Generativas Adversarias (GAN)
- Deep Reinforcement Learning (DRL)
- Deep Learning Frameworks: Keras, TensorFlow, Pytorch…
8) Módulo 8: Procesamiento de Lenguaje Natural (Opcional)
- 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…
9) Módulo9: TFM (Opcional)
- 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.
- Una vez aprobada la propuesta el alumno lo realizará
- Al entregarlo el docente dará su feedback y si este es positivo el alumno tendrá una mención especial en su diploma y prioridad en nuestra bolsa de empleo.
Recibirás:
• Máster en Inteligencia Artificial
• Máster en Machine Learning y Deep Learning
• Iniciación a GNU/Linux
• Desarrollo en Python Avanzado
• Análisis de datos y visualización con Python
• Big Data Avanzado
• NPL Avanzado
No son necesarios requisitos académicos previos.
Información Adicional
• Prácticas en empresa
Colaboramos con cientos de empresas especializadas para que nuestros alumnos realicen prácticas (garantizadas)
• Bolsa de Empleo
Grupo Atrium es Agencia de Colocación de la Comunidad de Madrid, Además nuestros alumnos pasas a formar parte de nuestra bolsa de empleo y tienen acceso a talleres de búsqueda activa de empleo
• Metodología_Online con clases en directo
• Salidas Laborales_
• Trabajar como científico de datos especializado en Machine Learning
• Actuar como Ingeniero de Software y programador de Inteligencia Artificial en proyectos de ingeniería y consultoría.
• Liderar proyectos de datos como experto en Machine Learning y Big Data.
• Trabajar como Data Engineer y Data Analyst.
• Ser arquitecto y administrador de sistemas Big Data.
