La Ciencia de Datos es un campo en constante evolución que se centra en el análisis, la interpretación y la extracción de conocimiento de grandes conjuntos de datos. En la actualidad, debido a la creciente cantidad de datos, está cada vez más presente la necesidad del desarrollo de profesionales en las Ciencias de Datos. La capacidad de aprovechar esta enorme fuente de información y emplearla en el aprendizaje automático es una herramienta increíblemente potente.
Este Máster en Ciencia de Datos y Aprendizaje Automático proporciona una formación sólida y completa con un enfoque práctico y teórico. El Master brinda a los estudiantes las habilidades necesarias para abordar los desafíos del análisis de datos y el aprendizaje automático en diversos contextos.
El Máster en Ciencia de Datos y Aprendizaje Automático está dirigido tanto a profesionales con conocimientos previos, técnicos de informática, como a aquellos que deseen actualizar sus habilidades en estas áreas en respuesta a la creciente demanda de profesionales en el campo de la ciencia de datos. Teniendo en cuenta a estudiantes de esta rama que quieran profundizar.
Objetivos
– Repasar la programación estructurada.
– Ver la elaboración y diseño de interfaces de usuario.
– Estudiar el acceso a bases de datos, así como su uso, aprovechamiento y gestión.
– Entender los puntos principales del Data Mining.
– Ahondar en el desempeño de la Inteligencia Artificial.
– Tipificar los valores del Machine Learning y aprendizaje Profundo.
Salidas Profesionales
Los perfiles del Máster en Ciencia de Datos y Aprendizaje Automático tienen una amplia gama de oportunidades laborales. Pueden desempeñarse como científicos de datos, analistas de datos, ingenieros de aprendizaje automático o consultores de análisis de datos en empresas de diferentes sectores, como tecnología, finanzas y económica, salud y marketing.
Entidades primitivas para el diseño de instrucciones
Programación estructurada. Métodos para la elaboración de algoritmos
Técnicas para la formulación de algoritmos
Estructuras algorítmicas básicas
Arrays. Operaciones
Cadenas de caracteres. Definición, función, manipulación.
Módulos
Confección de algoritmos básicos.
Análisis de algoritmos.
Manejo de memoria
Estructuras lineales estáticas y dinámicas:
Recursividad.
Estructuras no lineales estáticas y dinámicas
Algoritmos de ordenación.
Métodos de búsqueda.
Tipos abstractos de datos.
El entorno de desarrollo de programación.
Lenguaje estructurado
Herramientas de depuración.
La reutilización del software.
Herramientas de control de versiones.
Evolución de las interfaces en el software de gestión.
Características de las Interfaces, interacción hombre-máquina.
Interface gráficas de usuario
Normalización y estándares
User Access), CDE (Common Desktop Environment), etc.
Guías de estilos.
Normas CUA (Common User Access)
Arquitectura y herramientas para el desarrollo de GUI:
Diseño y desarrollo de interfaces de gestión:
Evaluación del diseño
Interfaces gráficas de usuario
Herramientas para el desarrollo de interfaces gráficas de usuario
Técnicas de usabilidad.
Rendimiento de interfaces.
Notación Húngara.
Estructura de un programa GUI
El procedimiento de ventana
Menús.
Fichero de recursos.
Los cajas de diálogo
Controles básicos.
El Interfaz de dispositivos gráficos (GDI)
El cliente del SGBD. Usuarios y privilegios.
El lenguaje SQL.
Objetos de la base de datos.
Integridad y seguridad de los datos
Sentencias del lenguaje estructurado para operar sobre las bases de datos.
APIs de acceso a bases de datos.
Integración de los objetos de la base de datos en el lenguaje de programación estructurado.
Conexiones para el acceso a datos
Realización de consultas SQL desde un programa estructurado
Creación y eliminación de bases de datos.
Creación y eliminación de tablas.
Manipulación de datos contenidos en una base de datos:
Objetos de Acceso a Datos (DAO)
Herramientas de acceso a datos proporcionadas por el entorno de programación.
Fundamentos y objetivos de las pruebas.
Tipos de errores y coste de corrección.
Planificación de las pruebas
Proceso de pruebas. Las pruebas en las distintas fases.
Tipos de pruebas
Herramientas.
Normas de calidad del software
Documentación de pruebas
Funciones y características.
Empaquetamiento, instalación y despliegue
Herramientas de documentación: características.
Herramientas para generación de ayudas.
Documentación de una aplicación, características, tipos
Concepto de base de datos relacional.
Ejemplificación.
Concepto de modelos de datos. Funciones y sublenguajes (DDL y DML).
Clasificación los diferentes tipos de modelos de datos de acuerdo al nivel abstracción
Enumeración de las reglas de Codd para un sistema relacional.
Concepto de Relaciones y sus propiedades.
Concepto de Claves en el modelo relacional.
Nociones de álgebra relacional.
Nociones de Cálculo relacional de tuplas para poder resolver ejercicios prácticos básicos.
Nociones de Calculo relacional de dominios.
Teoría de la normalización y sus objetivos
Proceso de realización de diagramas de entidad-relación y saberlo aplicar.
Elementos
Diagrama entidad relación entendidos como elementos para resolver las carencias de los diagramas Entidad-Relación simples.
Elementos
Desarrollo de diversos supuestos prácticos de modelización mediante diagramas de entidad relación.
Contextualización del modelo orientado a objeto dentro del modelado UML.
Comparación del modelo de clases con el modelo-entidad relación.
Diagrama de objetos como caso especial del diagrama de clases.
Enumeración de las ventajas e inconvenientes respecto a otros modelos.
Concepto de fragmentación y sus diferentes tipos
Enumeración de las reglas de corrección de la fragmentación.
Enumeración de las reglas de distribución de datos.
Descripción de los esquemas de asignación y replicación de datos.
Relación de estos elementos con tablas, vistas e índices.
Consecuencias practicas de seleccionar los diferentes objetos de almacenamientos.
Diferentes métodos de fragmentación de la información en especial para bases de datos distribuidas.
Conceptos básicos, nociones y estándares.
Lenguaje de definición de datos (DDL SQL) y aplicación en SGBD actuales.
Discriminación de los elementos existentes en el estándar SQL-92 de otros elementos existentes en bases de datos comerciales.
Sentencias de creación: CREATE
Nociones sobre el almacenamiento de objetos en las bases de datos relacionales.
Nociones sobre almacenamiento y recuperación de XML en las bases de datos relacionales
Conceptos fundamentales.
Identificación de los problemas de la concurrencia.
Actualizaciones perdidas.
Lecturas no repetibles.
Lecturas ficticias.
Nociones sobre Control de la concurrencia
Conocimiento de las propiedades fundamentales de las transacciones.
ACID
Análisis de los niveles de aislamiento
Serializable.
- Desarrollo de un supuesto práctico en el que se ponga de manifiesto la relación y las implicaciones entre el modelo lógico de acceso y definición de datos y el modelo físico de almacenamiento de los datos.
Descripción de los diferentes fallos posibles (tanto físicos como lógicos) que se pueden plantear alrededor de una base de datos.
Enumeración y descripción de los elementos de recuperación ante fallos lógicos que aportan los principales SGBD estudiados.
Distinción de los diferentes tipos de soporte utilizados para la salvaguarda de datos y sus ventajas e inconvenientes en un entorno de backup.
Concepto de RAID y niveles más comúnmente utilizados en las empresas
Servidores remotos de salvaguarda de datos.
Diseño y justificación de un plan de salvaguarda y un protocolo de recuperación de datos para un supuesto de entorno empresarial.
Tipos de salvaguardas de datos
Definición del concepto de RTO (Recovery Time Objective) y RPO (Recovery Point Objective).
Empleo de los mecanismos de verificación de la integridad de las copias de seguridad.
Definición de SGBD distribuido. Principales ventajas y desventajas.
Características esperadas en un SGBD distribuido.
Clasificación de los SGBD distribuidos según los criterios
Enumeración y explicación de las reglas de DATE para SGBD distribuidos.
Replicación de la información en bases de datos distribuidas.
Procesamiento de consultas.
Descomposición de consultas y localización de datos.
Conceptos de seguridad de los datos: confidencialidad, integridad y disponibilidad.
Normativa legal vigente sobre datos
Seguimiento de la actividad de los usuarios
Introducción básica a la criptografía
Desarrollo de uno o varios supuestos prácticos en los que se apliquen los elementos de seguridad vistos con anterioridad.
Descripción de las herramientas para importar y exportar datos
Clasificación de las herramientas
Muestra de un ejemplo de ejecución de una exportación e importación de datos.
Migración de datos entre diferentes SGBD
Ventajas e inconvenientes de las baes de datos
Conceptos generales
El modelo entidad-relación
El modelo entidad-relación extendido
Restricciones de integridad
Estructura del modelo relacional
Claves en el modelo relacional
Restricciones de integridad
Teoría de la normalización
Diseño de una base de datos relacional
Tipos de lenguajes relacionales
Características de SQL
Sistemas de Gestión de Bases de Datos con soporte SQL
Sintaxis en SQL
Especificación de restricciones de integridad
Caracterísiticas de MySQL
Tipos de datos
Sisntaxis SQL para MySQL
Posibles fallos en una base de datos
Elementos de recuperación
Tipos de soporte
RAID
Servidores remotos de salvaguarda de datos
Diseño de un plan de salvaguarda y protocolo de recuperación de datos
Tipos de salvaguardas de datos
RTO (Recovery Time Objective) y RPO (Recovery Point Objective)
Mecanismos de verificación de la integridad de las copias de seguridad
Definición de SGBD distribuido. Principales ventajas y desventajas
Características esperadas en un SGBD distribuido
Clasificación de los SGBD distribuidos
Enumeración y explicación de las reglas de DATE para SGBD distribuidos
Replicación de la información en bases de datos distribuidas
Procesamiento de consultas
Descomposición de consultas y localización de datos
Conceptos de seguridad de los datos: confidencialidad, integridad y disponibilidad
Normativa legal vigente sobre datos
Supuestos prácticos
Herramientas para importar y exportar datos
Clasificación de las herramientas
Ejemplo de ejecución de una exportación e importación de datos
Migración de datos entre diferentes SGBD
Inconvenientes al traspasar datos entre distintos SGBD
Introducción a la minería de datos y el aprendizaje automático
Proceso KDD
Modelos y Técnicas de Data Mining
Áreas de aplicación
Minería de textos y Web Mining
Data mining y marketing
Introducción a R
¿Qué necesitas?
Tipos de datos
Estadística Descriptiva y Predictiva con R
Integración de R en Hadoop
Obtención y limpieza de los datos (ETL)
Inferencia estadística
Modelos de regresión
Pruebas de hipótesis
Inteligencia Analítica de negocios
La teoría de grafos y el análisis de redes sociales
Presentación de resultados
¿Qué es Hadoop?
El sistema de archivos HDFS
Algunos comandos de referencia
Procesamiento MapReduce con Hadoop
El concepto de los clusters en Hadoop
¿Qué es Weka?
Técnicas de Data Mining en Weka
Interfaces de Weka
Selección de atributos
Fundamentos de inteligencia artificial
- Evolución de la inteligencia artificial
- Principales Enfoques de la inteligencia artificial
- Implementación de la inteligencia artificial
- Retos y perspectivas de futuro de la inteligencia artificial
Machine Learning: Principios y Aplicaciones
- Historia del Machine Learning
- Algoritmos de Machine Learning
- Modelos de aprendizaje en Machine Learning
Deep Learning: arquitecturas y entrenamiento
- Arquitectura de redes neuronales profundas
Inteligencia Artificial Generativa (GenAI)
- Tipos de inteligencia artificial generativa
- Usos de la inteligencia artificial generativa
Procesamiento del Lenguaje Natural (NLP)
- Historia de los sistemas NLP
- Definición y alcance del NLP
- Inteligencias artificiales dedicadas al NLP
- Principales problemas y desafíos en el campo del NLP
Chatbots y su integración en empresas
- Historia de los chatbots
- Definición y tipos de chatbot
- Funcionamiento de un chatbot
Transformers: arquitectura y aplicaciones
- Funcionamiento
- Principales arquitecturas de transformers
- Aplicaciones de los transformers
- Ventajas de los transformers
- Problemas y desafíos de los transformers
Visión Artificial
- Definición de visión artificial
- Historia de la visión artificial
- Proceso de visión artificial
- Algoritmos de visión artificial
- Arquitecturas de visión artificial
- Uso de sistemas de visión artificial
- Problemas y desafíos de la visión artificial
Ética y responsabilidad en Inteligencia Artificial
- Consideraciones éticas en el uso de la inteligencia artificial generativa y consejos para mantenerlas
- Consideraciones éticas del procesamiento del lenguaje natural
- Consideraciones éticas de los chatbots
- Consideraciones éticas de la visión artificial
Concepto de aprendizaje profundo
- Diferencias existentes entre el aprendizaje profundo y el aprendizaje automático
Evolución e historia del aprendizaje profundo
- Cronología histórica
- Pioneros del campo del aprendizaje profundo
Ventajas del aprendizaje profundo
- Principales ventajas del aprendizaje profundo
Redes neuronales
Redes profundas y redes poco profundas
Aprendizaje profundo
Entorno de Deep Learning con Python
Aprendizaje automático y profundo
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
Concepto de aprendizaje profundo por refuerzo
Los elementos que componen un modelo de aprendizaje profundo por refuerzo
El funcionamiento del aprendizaje profundo por refuerzo
- Recompensas vs penalizaciones
- Algoritmos a utilizar
- La ecuación de Bellman
Posibilidades del aprendizaje profundo por refuerzo
Las posibilidades futuras del aprendizaje profundo
Principales usos en la actualidad
Aprendizaje profundo e IoT
- El concepto de IoT
Aplicaciones en el entorno empresarial
Titulación
Titulación de Máster de Formación Permanente en Ciencia de Datos y Aprendizaje Automático con 1500 horas y 60 ECTS expedida por UTAMED – Universidad Tecnológica Atlántico Mediterráneo.
Ir al contenido 
Optimized by Seraphinite Accelerator