El Master en Matemática Computacional es de suma relevancia a nivel mundial debido al creciente papel que juegan las matemáticas y la computación en diversos campos de la ciencia, la tecnología y la industria. En el contexto actual, donde la generación y análisis de grandes cantidades de datos se ha vuelto fundamental, la capacidad de utilizar herramientas matemáticas y computacionales para resolver problemas complejos se ha convertido en una necesidad. Ofrecemos una formación integral en áreas clave como el álgebra lineal, la estadística y el pensamiento computacional, brindando a los estudiantes las habilidades necesarias para abordar desafíos actuales y futuros en campos como la inteligencia artificial, el aprendizaje automático, la biomedicina y la investigación científica.
El Master en Matemática Computacional está dirigido a profesionales y estudiantes en matemáticas, ciencias de la computación, ingeniería y disciplinas relacionadas que deseen ampliar y fortalecer sus conocimientos en matemáticas y computación aplicadas. También es adecuado para los interesados en áreas emergentes como la inteligencia artificial y el análisis de datos.
Objetivos
– Repasar los fundamentos del álgebra lineal.
– Revisar los conceptos necesarios de la estadística.
– Estudiar el significado del pensamiento computacional y sus aplicaciones a ciencia e ingeniería.
– Emplear las herramientas de R y Python para el análisis de Datos y la programación estadística.
– Introducir el Machine Learning.
– Ahondar en el punto anterior con el Deep Learning.
Salidas Profesionales
El Master en Matemática Computacional te proporciona un perfil de salida altamente demandado y atractivo en el mercado laboral actual. Podrás trabajar como científico de datos, analista de datos, investigador en matemáticas aplicadas, consultor en tecnologías de la información, desarrollador de software o profesor/investigador en instituciones académicas.
Proceso, conceptos y actitudes del pensamiento computacional
Proceso de simulación
Concepto y procesos de paralelismo automatización
Trabajo en equipo en el pensamiento computacional
Abstracción en pensamiento computacional
Descomprimir los elementos
Proceso de evaluación de pensamiento computacional
Posibles problemas
Datos relacionados con de entrada y salida en el pensamiento
Solución al problema
Aprendizaje profundo
Entorno de Deep Learning con Python
Aprendizaje automático y profundo
Redes neuronales
Redes profundas y redes poco profundas
Perceptrón de una capa y multicapa
Ejemplo de perceptrón
Tipos de redes profundas
Trabajar con TensorFlow y Python
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
Introducción, concepto y funciones de la estadística
Estadística descriptiva
Estadística inferencial
Medición y escalas de medida
Variables: clasificación y notación
Distribución de frecuencias
Representaciones gráficas
Propiedades de la distribución de frecuencias
Medidas de posición
Medidas de dispersión
Medidas de forma
Curva de Lorenz, coeficiente de Gini e índice de Theil
Medidas de tendencia central
Medidas de posición
Medidas de variabilidad
Índice de asimetría de Pearson
Puntuaciones típicas
Introducción al análisis conjunto de variables
Asociación entre dos variables cualitativas
Correlación entre dos variables cuantitativas
Regresión lineal
Conceptos previos de probabilidad
Variables discretas de probabilidad
Distribuciones discretas de probabilidad
Distribución normal
Distribuciones asociadas a la distribución normal
Conceptos previos
Métodos de muestreo
Principales indicadores
Introducción a las hipótesis estadísticas
Contraste de hipótesis
Contraste de hipótesis paramétrico
Tipologías de error
Contrastes no paramétricos
Introducción a los modelos de regresión
Modelos de regresión: aplicabilidad
Variables a introducir en el modelo de regresión
Construcción del modelo de regresión
Modelo de regresión lineal
Modelo de regresión logística
Factores de confusión
Interpretación de los resultados de los modelos de regresión
Modelos de medidas repetidas
Estadística no paramétrica. Conceptos básicos
Características de las pruebas
Ventajas y desventajas del uso de métodos no paramétricos
Identificación de las diferentes pruebas no paramétricas
Titulación
Titulación de Máster de Formación Permanente en Matemática Computacional con 1500 horas y 60 ECTS expedida por UTAMED – Universidad Tecnológica Atlántico Mediterráneo.
Ir al contenido 
Optimized by Seraphinite Accelerator