El Máster se ha diseñado con la finalidad de proporcionar a los profesionales, líderes y ejecutivos una comprensión del impacto de la IA en el entorno empresarial actual. El mismo se ha orientado a quienes buscan aplicar la Inteligencia Artificial en sus organizaciones de forma estratégica, sin necesidad de tener experiencia técnica previa.
El Máster se ha destinado a profesionales que deseen perfeccionar sus habilidades empresariales, adquiriendo conocimientos en IA, una herramienta de gran ayuda en la actualidad.
I.- Artificial Intelligence (6 ECTS)
La primera asignatura del programa cubre distintas disciplinas que conforman la Inteligencia Artificial, incluyendo las técnicas más clásicas como los sistemas expertos hasta las técnicas más novedosas como los métodos generativos. Además, se abordan cuestiones como el uso responsable de la Inteligencia Artificial y múltiples ejemplos en distintos sectores de la industria. Finalmente, se tratan las principales herramientas de software y plataformas tecnológicas.
Contenidos:
1. Classical AI
2. Modern AI
3. Generative AI
4. Responsible AI
5. AI in Business
6. Software and Platforms
II.- Python Programming (6 ECTS)
La asignatura de Programación en Python proporciona los conocimientos básicos para que los alumnos puedan empezar a implementar soluciones inteligentes. El temario se inicia con la configuración del entorno de desarrollo y finaliza con la creación de funciones, clases y métodos. Gracias a estos contenidos, los alumnos adquieren las habilidades necesarias para escribir código eficiente y modular en el principal lenguaje de la Inteligencia Artificial.
Contenidos:
1. Entorno de desarrollo
2. Variables, tipos de datos y operadores
3. Estructura de datos
4. Entrada y salida de archivos
5. Funciones y modularidad
6. Clases y métodos
III.- Data Science (6 ECTS)
La asignatura Data Science sumerge a los alumnos en el fascinante mundo del análisis de datos. Múltiples técnicas, desde el uso de estadísticas básicas hasta visualizaciones complejas, son utilizadas para realizar el análisis exploratorio de datos univariantes y multivariantes. Además, técnicas como la ingeniería de variables y la reducción de la dimensionalidad, proporciona una visión completa de la disciplina, permitiendo a los alumnos adaptar las características de los datos originales a las especificaciones necesarias para la resolución de los problemas de negocio.
Contenidos:
1. Estadística básica
2. Transformación de datos
3. Análisis univariante
4. Análisis multivariante
5. Visualización de datos
6. Reducción de la dimensionalidad
IV.- Machine Learning (6 ECTS)
La asignatura Machine Learning introduce a los alumnos en el corazón de la toma de decisiones automatizada. Los principales enfoques de aprendizaje automático son analizados en profundidad, incluyendo las ventajas e inconvenientes de los principales algoritmos. Gracias a ejemplos de programas desarrollados en Python, los alumnos podrán implementar múltiples sistemas inteligentes que resuelvan problemáticas de negocio.
Contenidos:
1. Conceptos básicos
2. Aprendizaje Supervisado
3. Aprendizaje No Supervisado
4. Aprendizaje Semi-Supervisado
5. Aprendizaje por Refuerzo
6. Frameworks de desarrollo
V.- Deep Learning (6 ECTS)
La asignatura de Deep Learning profundiza en el mundo de las redes neuronales complejas. Las principales arquitecturas de redes neuronales son analizadas, incluyendo las redes neuronales convolucionales, las redes generativas adversarias y los transformers. Transfer Learning también es un enfoque clave en los contenidos, ya que permite a los alumnos reaprovechar modelos preentrenados para tareas específicas.
Contenidos:
1. Conceptos básicos de redes neuronales
2. Frameworks de Deep Learning
3. Redes Neuronales Convolucionales
4. Redes Generativas Adversarias
5. Transfer Learning
6. Transformers
VI.- Time Series (6 ECTS)
La asignatura Time Series proporciona los conocimientos necesarios para comprender y analizar datos temporales. El contenido de la asignatura abarca desde los conceptos fundamentales de las series temporales hasta las técnicas avanzadas de machine learning y deep learning aplicadas a este contexto. Gracias a estas técnicas, los alumnos pueden aprovechar el potencial predictivo de los datos temporales en diversas aplicaciones del mundo real.
Contenidos:
1. Conceptos básicos de series temporales
2. Preparación de datos para análisis de series temporales
3. Exploración y visualización de series temporales
4. Machine Learning en el contexto de series temporales
5. Deep Learning para series temporales
6. Aplicaciones
VII.- Natural Language Processing (6 ECTS)
Esta asignatura se centra en el procesamiento de lenguaje natural. A lo largo del temario, se analizan las complejidades y desafíos de la comprensión y generación automática de texto, abarcando desde los conceptos más introductorios hasta la implementación de modelos complejos basados en técnicas de atención. Gracias al NLP, los alumnos adquieren los conocimientos esenciales para el desarrollo de asistentes virtuales y mucho más.
Contenidos:
1. Introducción a NLP
2. Flujo de trabajo con textos
3. Representación de textos
4. Modelos de texto recurrentes y secuenciales
5. Modelos de texto basados en mecanismos de atención
6. Aplicaciones
VIII.- Computer Vision (6 ECTS)
La asignatura Computer Vision proporciona a los alumnos los conocimientos necesarios para implementar sistemas capaces de interpretar información de forma visual. Diferentes arquitecturas de redes neuronales son utilizadas para reflejar tareas propias de la visión por computador como son el procesamiento de los datos visuales, la clasificación de imágenes y la detección de objetos, entre otros.
Contenidos:
1. Fundamentos de Computer Vision
2. Procesamiento de imágenes
3. Reconocimiento y clasificación de Objetos
4. Yolov8 y Datasets de entrenamiento
5. Servicios de desarrollo
6. Aplicaciones
IX.- Recommendation Systems (6 ECTS)
La asignatura Recommendation Systems aborda, desde un punto de vista teórico y práctico, los fundamentos de los motores de recomendación, la tipología de éstos y las estrategias de optimización. Gracias a estos contenidos, los alumnos adquieren un conocimiento esencial en la era de la información y la personalización.
Contenidos:
1. Fundamentos de Motores de Recomendación
2. Tipos de Motores
3. Optimizaciones
4. Estrategias
5. Frameworks de desarrollo
6. Aplicaciones
X.- Generative AI (6 ECTS)
La asignatura Generative AI se adentra en el emocionante mundo de la generación de contenido artificial. Gracias a los modelos fundacionales, los alumnos pueden construir múltiples aplicaciones para la generación de textos e imágenes. Además, se detallan los diferentes modelos en función de los requisitos del sistema. Finalmente, se describen las numerosas aplicaciones construidas en este ámbito.
Contenidos:
1. Fundamentos de la IAG
2. Modelos Fundacionales
3. Grandes modelos de texto
4. Pequeños modelos de texto
5. Modelos de generación de imagen
6. Aplicaciones
XI.- AI Platforms (6 ECTS)
La última asignatura está relacionada con la infraestructura esencial para implementar soluciones de Inteligencia Artificial a escala. El contenido abarca desde los fundamentos de la computación en la nube hasta los principales servicios de plataformas como Amazon Web Services, Microsoft Azure y Google Cloud.
Contenidos:
1. Computación en la nube
2. Arquitectura de referencia
3. Principales servicios
4. Amazon Web Services
5. Microsoft Azure
6. Google Cloud
XII.- Capstone Project (8 ECTS)
El Trabajo fin de Máster es el último paso para obtener el título del programa formativo. Consiste en la realización de un trabajo académico en el que se apliquen o desarrollen conocimientos adquiridos a lo largo del programa formativo.
Máster en Inteligencia Artificial Aplicada.
Se requiere titulación universitaria para acceder a este curso.
Información Adicional
Salidas profesionales
Otros cursos
