Máster en Data Science e Inteligencia Artificial

Recursos complementarios: Lecturas, presentaciones, libros, manuales, cuestionarios, ejercicios, foros de dudas, repositorio documental, etc.
Interacción con otros alumnos: Durante las clases, en la preparación de los casos prácticos (opcional), en la elaboración del proyecto final (opcional) y por chat grupal/individual en la intranet.

Modalidad Online Flexible:

Información: Los alumnos cuentan con acceso a un campus virtual donde encuentran las grabaciones de las clases junto a los demás recursos propios de la formación. Además, se ofrecen tutorías grupales por videoconferencia e individuales bajo demanda para resolver cualquier tipo de consulta.

Tutor personal: Disponible durante todo el curso
Recursos complementarios: Lecturas, presentaciones, libros, manuales, cuestionarios, ejercicios, foros de dudas, repositorio documental, etc.
Interacción con otros alumnos: Durante las tutorías, en la preparación de los casos prácticos (opcional), en la elaboración del proyecto final (opcional) y por chat grupal/individual en la intranet.

Ayudas económicas:

Formación bonificable a través de FUNDAE (debe ser coordinado desde tu empresa) o solicita información sobre nuestro programa de becas.

Temario:

MÓDULO I. PROGRAMACIÓN Y COMPUTACIÓN PARA LA CIENCIA DE DATOS

Tema 1 - Programación Python

En esta primera asignatura, se abordarán los fundamentos de la programación en Python, un lenguaje esencial para el análisis de datos. Desde la instalación del software hasta la creación de funciones y estructuras de datos, este módulo te proporcionará las herramientas necesarias para trabajar con datos de manera eficiente. El contenido incluye:

Instalación
Herramientas básicas
Jupyter Notebook
Tipos de datos
Estructuras condicionales
Estructuras iterativas
Funciones
Estructuras de datos
Programación vectorial con Numpy
Manipulación de datos con Pandas
Graficación básica con Matplotlib

Tema 2 - Programación en R

En este tema, exploraremos los fundamentos de la programación en R, otro lenguaje ampliamente utilizado en el ámbito del Data Science. Con R, podrás realizar análisis estadísticos complejos, crear visualizaciones atractivas y trabajar con una variedad de tipos de datos. Los temas desarrollados incluirán:

Instalación
Herramientas básicas
R Studio
Tipos de datos
Estructuras condicionales
Estructuras iterativas
Funciones
Estructuras de datos
Uso de apply, lapply y sapply
Dataframes
El universo Tidyverse
Manipulación de datos con dplyr
Graficación básica con ggplot2

MÓDULO II. MATEMÁTICAS Y ESTADÍSTICA PARA LA CIENCIA DE DATOS

Tema 3 - Fundamentos estadísticos

La estadística constituye uno de los pilares fundamentales sobre los cuales se sustenta la estructura del Data Science. En este tema, expondremos los conceptos estadísticos esenciales que resultan primordiales para la interpretación y el análisis efectivo de datos. Mediante la comprensión de estos fundamentos, adquirirás la capacidad de discernir patrones, identificar correlaciones significativas y extraer información valiosa de conjuntos de datos complejos. Este conocimiento estadístico proporciona una base sólida para el desarrollo de habilidades analíticas y la toma de decisiones fundamentadas en el ámbito del Data Science.

Estadística descriptiva
Probabilidad
Variables aleatorias
Covarianza y correlación
Muestra y población
Distribuciones normales
Distribuciones de Poisson
Otro tipo de distribuciones

Tema 4 - Estadística aplicada a la ciencia de datos

Profundizaremos en la aplicación de la estadística en el ámbito del Data Science. Explorarás la realización de pruebas estadísticas, la interpretación de resultados y la utilización de técnicas para extraer información relevante de los datos. Durante el desarrollo de la asignatura, se enfatizará en cómo la estadística se convierte en una herramienta vital para descubrir patrones, tendencias y relaciones significativas dentro de conjuntos de datos complejos. Se abordarán casos prácticos que ilustran la aplicación de los conceptos estadísticos en la resolución de problemas del mundo real en el ámbito del Data Science.

Principales tests estadísticos
significancia estadística
P-value
Interpretación de las principales métricas
Principal Component Analysis (PCA)
Estadística inferencial
Regresiones lineales
Regresiones logísticas

MÓDULO III. BIG DATA

Tema 5 - Fundamentos del Big Data

En esta asignatura nos adentraremos en el mundo del Big Data, abordando la gestión y el análisis de vastos conjuntos de datos. Exploraremos los desafíos y oportunidades inherentes al Big Data, así como las tecnologías fundamentales para su tratamiento. Al comprender las implicaciones y aplicaciones del Big Data, lestarás preparado para enfrentarte a los retos que plantea la era de la información masiva y aprovechar las oportunidades que ofrece este vasto campo de estudio y aplicación.

La necesidad del Big Data
Introducción al Big Data
Qué no es el Big Data
Desafíos del Big Data
Fuentes de datos
Tipos de datos
Volumen, Velocidad y Variedad
Tecnologías de Almacenamiento

Tema 6 - Introducción a las bases de datos

Las bases de datos son fundamentales en el ámbito del Data Science, ya que proporcionan un medio para almacenar y gestionar grandes volúmenes de información. En este tema introductorio, exploraremos los conceptos básicos de las bases de datos, su importancia en el contexto de la ciencia de datos y su aplicación en diversos escenarios.

Conceptos básicos de Bases de Datos
Bases de datos SQL
Bases de datos NoSQL
Modelos no relacionales

Tema 7 - Arquitecturas

En esta sección, exploraremos las principales arquitecturas de los sistemas Big Data, comprendiendo cómo se almacenan y procesan los vastos conjuntos de datos en estas plataformas. Se abordará en detalle la estructura y el funcionamiento de estas arquitecturas, así como las tecnologías clave que las respaldan. Al comprender estos aspectos fundamentales, dispondrás del conocimiento para enfrentarte a los desafíos y aprovechar las oportunidades que ofrece el entorno del Big Data en la actualidad.

Sistemas de almacenamiento distribuidos
Sistemas de almacenamiento en la nube
Bases de Datos NoSQL
Apache Hadoop
Cloudera
Apache YARN
MapReduce
Orquestación de procesos

Tema 8 - Cloud computing

El Cloud Computing ha supuesto una revolución en la forma en que las empresas almacenan, procesan y acceden a los datos. En este tema, exploraremos los conceptos fundamentales del Cloud Computing,el por qué de su importancia en la ciencia de datos y sus diversas aplicaciones.

Definición de Cloud Computing
Modelos de servicio: IaaS, PaaS, SaaS
Proveedores de Cloud
Beneficios y desafíos

Tema 9 - Principales herramientas

En el mundo real, los datos son diversos en términos de calidad, formato y estructura. Por lo tanto, es crucial saber identificar y manejar adecuadamente si nuestros datos son estructurados, no estructurados o semiestructurados. Aprenderás a trabajar con cada tipo de dato de manera eficiente, lo que te permitirá comprender las características únicas de cada uno de ellos y aplicar las estrategias adecuadas para su procesamiento y análisis. Al dominar estas habilidades, estarás mejor preparado para enfrentar los desafíos y aprovechar las oportunidades que presentan los datos del mundo real en el ámbito del análisis de datos y el Data Science.

Hadoop Ecosystem
Apache Hive
Apache Spark
PySpark
Apache Airflow
Apache Kafka

MÓDULO IV. OBTENCIÓN, PREPARACIÓN Y ALMACENAMIENTO DE DATOS

Tema 10 - Naturaleza de los datos

En el mundo real, los datos son diversos en términos de calidad, formato y estructura. Por lo tanto, es crucial saber identificar y manejar adecuadamente si nuestros datos son estructurados, no estructurados o semiestructurados. Los estudiantes aprenderán a trabajar con cada tipo de dato de manera eficiente, lo que les permitirá comprender las características únicas de cada uno y aplicar las estrategias adecuadas para su procesamiento y análisis. Al dominar estas habilidades, los estudiantes estarán mejor preparados para enfrentar los desafíos y aprovechar las oportunidades que presentan los datos del mundo real en el ámbito del análisis de datos y el Data Science.

Principales tipos atómicos
Datos cualitativos y cuantitativos
Datos continuos y discretos
Datos estructurados y no estructurados
Datos temporales

Tema 11 - Técnicas de recogidas de datos

La capacidad de confeccionar conjuntos de datos propios es una habilidad fundamental para expandir la capacidad como Data Scientist. En este tema, se exploran las diversas técnicas para recopilar datos, como el uso de APIs, el web scraping y la extracción de datos de redes sociales. Aprenderás a evaluar y seleccionar la técnica más apropiada para cada caso, lo que te permitirá obtener datos relevantes y de alta calidad para sus análisis y proyectos de Data Science.

Orígenes de los datos
Redes sociales
Web Scraping
Datos en tiempo real
Tendencias en la obtención de datos

Tema 12 - Bases de datos avanzadas

En este tema profundizaremos más en el uso de las Bases de Datos. Veremos cómo hay un amplio abanico de de posibilidades que hay que saber distinguir en qué caso se adecúan a nuestras necesidades.

Indexación avanzada
Particionamiento de datos
Optimización de rendimiento
Alta disponibilidad
Tolerancia a fallos

Tema 13 - Preprocesamiento y Data Quality

El preprocesamiento de los datos se considera una de las etapas más importantes y laboriosas en una Pipeline de Ciencia de Datos. Te enseñaremos a preparar los datos para su análisis, incluyendo la limpieza, la transformación y la normalización. Además, aprenderás a evaluar la calidad de los datos y a corregir errores. Esta habilidad es crucial para garantizar la fiabilidad y la precisión de los análisis y modelos de Machine Learning.

Calidad del dato
Análisis exploratorio de datos
Detección y tratamiento de outliers
Tratamiento de valores perdidos
Tratamiento de problemas desbalanceados
Transformación de variables
Normalización de variables numéricas

MÓDULO V. ANALÍTICA AVANZADA E INTELIGENCIA ARTIFICIAL

Tema 14 - Analítica avanzada de datos

En este tema se brinda un contexto sobre los orígenes de la Analítica Avanzada, los desafíos iniciales que enfrentaba y su evolución hasta el día de hoy. Se exploran los fundamentos históricos y conceptuales que han dado forma al campo de la Analítica Avanzada, así como las innovaciones tecnológicas y metodológicas que han permitido su desarrollo y expansión.

Introducción a la Analítica Avanzada
Extracción del conocimiento
Procesos de analítica avanzada de datos
Principales aplicaciones

Tema 15 - Minería de datos

Descubrirás los diferentes tipos de problemas a los que puedes enfrentarte, así como sus principales características y cómo abordarlos. Aprenderás a validar la calidad de sus modelos desde un enfoque crítico y objetivo, lo que te permitirá evaluar la eficacia y la precisión de sus resultados. Mediante el análisis y la evaluación de la bondad de los modelos, estarás mejor preparado para tomar decisiones informadas y optimizar sus procesos de análisis de datos y modelado predictivo.

Problemas supervisados
Problemas no supervisados
Problemas semi supervisados
Inferencia vs predicción
Overfitting vs Underfitting
Bias vs Variance
Validación de modelos

Tema 16 - Machine Learning

Este tema aborda de manera práctica las principales técnicas de Machine Learning, desde los fundamentos que sustentan esta área hasta los algoritmos que actualmente representan el estado del arte. Exploraremos las metodologías esenciales de aprendizaje automático, así como los algoritmos más avanzados utilizados en una variedad de aplicaciones. A través de ejercicios prácticos y estudios de casos, se fomentará la comprensión profunda de cómo aplicar estas técnicas para resolver problemas del mundo real y aprovechar al máximo el potencial del Machine Learning en diversas áreas y sectores.

Introducción al machine learning
Técnicas de clasificación
Técnicas de regresión
Técnicas de clustering
Algoritmos avanzados
Estado del arte

Tema 17 - Deep Learning

El Deep Learning es un campo que está transformando los límites de las capacidades de la Inteligencia Artificial. En este tema, aprenderás de manera práctica los fundamentos que impulsan el funcionamiento de las Redes Neuronales, así como sus evoluciones más avanzadas. Se explorarán los principios subyacentes de las redes neuronales y se profundizará en las técnicas y conceptos avanzados del Deep Learning. A través de ejercicios prácticos y proyectos aplicados, adquirirás las habilidades necesarias para diseñar, implementar y optimizar modelos de Deep Learning para una variedad de aplicaciones en el mundo real.

Intuición detrás del Deep Learning
Redes Neuronales Simples
Redes Neuronales Recurrentes
Redes Neuronales Convolucionales
Transformers
Redes Neuronales GenerativasAdversarias

MÓDULO VI. NARRACIÓN BASADA EN EL DATOS, VISUALIZACIÓN AVANZADA & STORYTELLING

Tema 18 - Visualización avanzada de datos

En este tema, entenderás que no solo es crucial dominar la creación de modelos avanzados capaces de extraer información valiosa, sino que también es fundamental saber comunicar este conocimiento a través de visualizaciones de datos atractivas e informativas. Las visualizaciones efectivas no solo hacen que los datos sean más comprensibles, sino que también destacan patrones, tendencias y relaciones importantes de manera clara y accesible.

Gráficos avanzados
Visualización multivariable
Visualización de texto
Visualización de series temporales
Diseño y estética
Consejos para realizar mejores gráficos

Tema 19 - Business Intelligence y cuadros de mando

A través de ejemplos prácticos y casos de estudio, desarrollarás habilidades para identificar patrones, tendencias y oportunidades de mejora en los datos empresariales, lo que te permitirá tomar decisiones informadas y estratégicas para el éxito organizacional.

Introducción al Business Intelligence
Cálculo de métricas clave
Cuadros de mando
Funciones y beneficios
KPI
Componentes avanzados
Tableau
Power BI

Tema 20 - Tableau

Tableau es una poderosa herramienta de visualización de datos que permite crear visualizaciones interactivas y paneles de control dinámicos a partir de conjuntos de datos complejos. En este tema, introduciremos los conceptos básicos de Tableau y cómo utilizarlo para analizar y comunicar datos de manera efectiva.

Interfaz
Ventajas y desventajas
Tipos de visualizaciones
Creación de dashboards
Importación de datos
Construcción de visualizaciones

Tema 21 - Powerbi

Power BI es una plataforma de análisis de datos de Microsoft que permite a los usuarios visualizar y compartir datos de manera intuitiva y efectiva. En este tema, explicaremos los conceptos básicos de Power BI y cómo utilizarlo para crear informes interactivos, paneles de control dinámicos y análisis de datos avanzados.

Interfaz
Ventajas y desventajas
Tipos de visualizaciones
Creación de dashboards
Importación de datos
Construcción de visualizaciones

Tema 22 - Storytelling

En este tema, descubrirás cómo comunicar los resultados de sus análisis de datos de manera efectiva. Aprenderás a crear historias convincentes que transmitan tus ideas a la audiencia de manera clara y concisa. Se explorarán técnicas para estructurar y presentar la información de manera coherente y persuasiva, utilizando visualizaciones, narrativas y ejemplos prácticos.

Definición
La importancia del Storytelling
Estructura narrativa
Informes
Consejos
Selección de datos significativos
Identificación de audiencia
Elaboración de un Storytelling efectivo

MÓDULO VII. REGULACIONES Y ÉTICA

Tema 23 - La legislación en la ciencia de datos

Con los avances acelerados de la Inteligencia Artificial, la legislación en este ámbito está adquiriendo una relevancia cada vez mayor. En este tema, se presentan las bases que justifican la importancia de esta área y se analiza el estado actual de la legislación sobre Inteligencia Artificial. Se exploran los desafíos éticos, legales y sociales que surgen con el desarrollo y la implementación de sistemas de IA, así como las regulaciones y políticas en evolución destinadas a abordarlos.

Privacidad
Protección de datos y LOPD
Tratamiento de datos
Conservación y borrado de datos
Ejercicio de derechos

Tema 24 - Sostenibilidad

El despunte de la Inteligencia Artificial está teniendo como consecuencia el uso cada vez más intensivo de recursos computacionales. Esto, junto a otros factores, hace que la sostenibilidad sea un tema cada vez más a tener en cuenta en el mundo del Data Science.

Importancia de la sostenibilidad
Estado actual
Desafíos

Tema 25 - Ética en la Inteligencia Artificial

En este tema, aprenderás sobre los principales desafíos éticos a los que nos enfrentamos en el desarrollo y la implementación de la Inteligencia Artificial. Se explorarán cuestiones como la privacidad, el sesgo algorítmico, la transparencia y la responsabilidad en el diseño y uso de sistemas de IA. Al comprender estos retos éticos, estarás mejor preparado para abogar por prácticas éticas y responsables en el desarrollo y aplicación de la Inteligencia Artificial, contribuyendo así a un futuro más justo y equitativo para todos.

Explicabilidad de la Inteligencia Artificial
Bias y Fairness
Ética de los Datos
Exploración de escenarios negativos
Gobernanza y cumplimiento
Sostenibilidad

MÓDULO VIII. PLANIFICACIÓN Y DIRECCIÓN DE PROYECTOS DE CIENCIA DE DATOS E IA

Tema 26 - Aplicaciones del Data Science y la IA

Aprenderás cómo estas tecnologías pueden beneficiar a las empresas al mejorar sus procesos y facilitar la toma de decisiones fundamentadas. Se analizarán casos de estudio y ejemplos prácticos que ilustran cómo el Data Science y la Inteligencia Artificial pueden ser aplicados en sectores como la salud, el comercio electrónico, las finanzas, la manufactura y muchos otros.

Situación actual y nivel de adopción
Evolución del sector
Aplicaciones en los diferentes sectores
El futuro de la industria

Tema 27 - Planificación de proyectos de Inteligencia Artificial

En este tema, se abordará el ciclo de vida para la planificación y ejecución de proyectos de Inteligencia Artificial. Aprenderás a definir los objetivos del proyecto, seleccionar las herramientas adecuadas y gestionar el equipo de trabajo de manera efectiva. Se explorarán las diferentes etapas del ciclo de vida del proyecto, desde la concepción hasta la implementación y el mantenimiento, centrándose en las mejores prácticas para garantizar el éxito del proyecto.

Diseño de soluciones
Selección y gestión de recursos
Presupuestos
Planificación
Ejecución
Control y seguimiento
Cierre de proyecto
Experiencias reales

Tema 28 - Metodologías Ágiles

Aprenderás a utilizar metodologías como Scrum y Kanban para trabajar de forma eficiente y adaptable. Se explorarán los principios y prácticas fundamentales de estas metodologías, así como su aplicación en proyectos de Inteligencia Artificial. Adquirirás habilidades para gestionar equipos, establecer prioridades y adaptarse a los cambios de manera ágil y efectiva, lo que te permitirá llevar a cabo proyectos de IA de manera exitosa en entornos dinámicos y exigentes.

Introducción a las metodologías Ágiles
Ventajas y limitaciones
Kanban
Scrum
Adopción de las metodologías Ágiles

Titulación:

Doble Titulación:

Al finalizar la formación, los estudiantes recibirán dos títulos, uno emitido por nuestra Escuela de Negocios (EBIS) y el otro por la Universidad de Vitoria Gazteiz (EUNEIZ).

Duración:

1 año académico

Fechas:

Modalidad Live Streaming:
- Fecha de inicio y fin: 21 de Octubre de 2024 – 17 de Julio de 2025
- Horarios disponibles: Lunes y Miércoles de 18:30 a 21:00h (zona horaria UCT+1, Madrid)

Modalidad Online Flexible:
- Fecha de inicio: Inicio flexible
- Duración: 9 meses
- Dedicación: Flexible