¿Qué quieres aprender?

Máster en Data Science

Máster en Data Science

IMMUNE Technology Institute

Máster presencial

Madrid

Descuento Lectiva
8.500 € 6.800

Duración : 6 Meses

Máster en colaboración con BigML con la que estarás preparado para la certificación profesional de ingeniero de datos.

Dirigido a profesionales de cualquier disciplina que deseen adquirir el conocimiento tecnológico y analítico en Data Science. Domina las claves de la inteligencia artificial y toma decisiones en base a datos.

De la mano de expertos referentes de IBM, Indra, BBVA, CEPSA entre otros.

¿Quieres hablar con un asesor sobre este curso?

Sedes

Localización

Fecha inicio

Madrid
Octubre 2021

Objetivos

Prepararte como: Data Analyst, Data Scientist, Data Engineer o Business Analyst. Utilizar los datos para crear información relevante y hacer predicciones para la toma de decisiones con criterio. Emprender proyectos de big data. Analizar datasets con diferentes metodologías usando Python y conocimientos básicos en R. Entender y aplicar la IA en diferentes industrias.

A quién va dirigido

- Profesionales que trabajan en el área de datos y quieran adquirir los conocimientos técnicos y analíticos de data science. - Profesionales que quieran redirigir su carrera profesional hacia el área de data science, con mayor proyección y demanda del sector. - Estudiantes que quieran complementar sus estudios y especializarse en el área de datos o complementar su carrera con una disciplina tecnológica en auge. - Matemáticos, ingenieros, estadísticos que quieran especializarse en el área de datos.

Requisitos

Recomendamos una base matemática y estadística sólida, así como conocimientos básicos de programación en Python. Aún así, incluimos en nuestro programa académico una introducción a Python para aprovechar al máximo el curso.

Temario completo de este curso

1:INTRODUCCIÓN A PYTHON Y ENTORNO

Introducción a la programación: Conceptos básicos de codificación.

Variables, loops, secuencias.

Funciones y complex data.

Gestión de archivos y parseo.

Introducción a la orientación por objetos.

Módulos y librerías externas.


2: INTRODUCCIÓN A LA IA Y CLAVE DE MATEMÁTICAS PARA LA IA

Introducción y conceptos matemáticos claves.

Álgebra lineal.

Probabilidad y estadística para Machine Learning.

Análisis de correlaciones.

Análisis exploratorio (correlación, análisis de varianza, estadística descriptiva).


3. MANIPULACIÓN Y ANÁLISIS DE DATOS

Manipulación y Análisis de datos (databases, sql, no sql, apis, webservices, scripting).

Procesamiento de datos (limpieza y manipulación). principales conceptos en Python y R (panda, numpy).


4. MACHINE LEARNING SUPERVISADO. CLASIFICACIÓN Y REGRESIÓN

Clasificación:

Modelo probabilístico (Naive Bayes y Regresión Logística)

K-NN , Decision trees & Random forest

XGBoost

Linear and non-linear regression.

Resampling Methods, cross validation.

Overfitting & Bias.


5. MACHINE LEARNING NO SUPERVISADO

Agrupación y detección de anomalías

Asociación de mining

Modelos de variables latentes y reducción dimensional


6.VISUALIZACIÓN DE DATOS

Visualización de conceptos de claves

librerías más relevantes en Python y R: (matplotlib, ggplot2, plotly, seaborn, bokeh).

haciendo uso de gráficas 3D con nvd3 de Python.

Grafos usando Python NetworkX y PySpark GraphFrames.

Clave de código abierto y herramientas comerciales.


7.DEEP LEARNING Y REDES NEURONALES

Introducción al Deep Learning

Cómo construir una red neuronal

Conectar densamente una red

Red Neuronal Convolucional (CNN)

Red Neuronal Recurrente (RNN)


8.CICLO DE VIDA DE LA IA Y HERRAMIENTAS COMERCIALES

Ciclo de vida de la IA.

Sesgos, regulación y tendencias futuras.

Herramientas o frameworks comerciales de IA (IBM, BIGML…)

Ver más