Tendrás la posibilidad de realizar prácticas en empresas lo que te preparará para acceder a este entorno laboral con experiencia. Te convertirás en un experto altamente demandado y abre las puertas a un sinfín de oportunidades laborales.
La formación se ha destinado a toda persona interesada en la inteligencia artificial.
1) Módulo 1: Introducción a los sistemas Informáticos y tecnologías Big Data (6 sesiones)
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 (12 sesiones)
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 (5 sesiones)
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 (2 sesiones)
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 (3 sesiones)
¿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 (5 sesiones)
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 (4 sesiones)
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 (9 sesiones)
¿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) (11 sesiones)
[Si se realiza proporciona al alumno un título extra en Deep Learning]
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) (5 sesiones)
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…
10) Módulo10: TFM (Opcional) (3 meses)
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.
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
Cuando la formación haya llegado a su fin, vas a recibir 6 titulaciones.
No son necesarios requisitos académicos previos.
Información Adicional
Modalidad: Online con clases en Directo
Prácticas en Empresas: Garantizadas en empresas tecnológicas
Descuentos y Becas disponibles.
Bolsa de Empleo Incluida: Acceso a bolsa de empleo y a taller de búsqueda de empleo impartido por expertos de recursos humanos especializados en contratación de perfiles tecnológicos.
Salidas Laborales
Además , gracias nuestra formación en Python podrás optar a más empleos
