1) Módulo 1: Introducción a los sistemas Informáticos y tecnologías Big Data - 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

- 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

- 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

- 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

- ¿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

- 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

- 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

- ¿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)

- 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)

- 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) Módulo 10: TFM (Opcional)

- 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