El programa se estructura en bloques progresivos que reproducen el flujo completo de trabajo de un científico de datos profesional, desde los fundamentos de programación hasta el despliegue de modelos de inteligencia artificial en producción.

Módulo 0. Módulo de nivelación (acceso previo al inicio)

• Introducción a la programación: lógica computacional y algoritmos básicos.

• Fundamentos de Python: sintaxis, tipos de datos, estructuras de control, funciones.

• Introducción al control de versiones con Git y GitHub.

• Conceptos básicos de matemáticas para Data Science: álgebra lineal, cálculo y probabilidad aplicados.

Bloque 1. Programación en Python para Data Science

• Python avanzado: programación orientada a objetos, gestión de errores, módulos y entornos virtuales.

• NumPy: arrays multidimensionales, operaciones vectorizadas, álgebra lineal computacional.

• Pandas: DataFrames, manipulación, limpieza y transformación de datos.

• Buenas prácticas de desarrollo: código limpio, reutilizable, documentación y testing.

• Control de versiones con Git aplicado a proyectos de datos.

Bloque 2. Bases de datos y SQL

• Modelos de datos: bases relacionales y no relacionales (NoSQL).

• SQL: consultas básicas y avanzadas, joins, subconsultas, funciones de ventana.

• Bases de datos NoSQL: MongoDB, Redis, casos de uso.

• Diseño y modelado de bases de datos para proyectos de analítica.

• Integración de datos desde APIs, ficheros y procesos ETL.

Bloque 3. Estadística y matemáticas aplicadas

• Estadística descriptiva: medidas de tendencia central, dispersión, distribuciones.

• Estadística inferencial: estimación, intervalos de confianza, pruebas de hipótesis.

• Probabilidad y distribuciones (normal, binomial, Poisson) aplicadas al análisis de datos.

• Test A/B y experimentación en entornos de negocio.

• Álgebra lineal y cálculo aplicados a algoritmos de machine learning.

Bloque 4. Visualización de datos y storytelling

• Visualización con Matplotlib, Seaborn y Plotly.

• Construcción de dashboards con Power BI y Tableau.

• Principios de diseño visual: claridad, jerarquía, color, accesibilidad.

• Storytelling con datos: cómo traducir análisis técnicos en narrativas de negocio.

• Casos prácticos sobre datasets reales.

Bloque 5. Machine Learning

• Fundamentos del machine learning: aprendizaje supervisado y no supervisado.

• Algoritmos de regresión: lineal, polinómica, regularización (Ridge, Lasso).

• Algoritmos de clasificación: regresión logística, árboles de decisión, Random Forest, XGBoost, SVM.

• Aprendizaje no supervisado: K-Means, clustering jerárquico, DBSCAN.

• Reducción de dimensionalidad: PCA, t-SNE, UMAP.

• Sistemas de recomendación: filtrado colaborativo y basado en contenido.

• Evaluación de modelos: métricas, validación cruzada, control de overfitting.

• Feature engineering: selección y creación de variables predictivas.

Bloque 6. Deep Learning y redes neuronales

• Fundamentos de redes neuronales: perceptrón, backpropagation, funciones de activación.

• Frameworks de deep learning: TensorFlow, Keras y PyTorch.

• Redes neuronales convolucionales (CNN) aplicadas a visión por computador.

• Redes recurrentes (RNN, LSTM, GRU) y arquitecturas Transformer.

• Procesamiento del lenguaje natural (NLP): tokenización, embeddings, análisis de sentimiento, clasificación de texto.

• Series temporales: análisis y predicción.

Bloque 7. Big Data y procesamiento distribuido

• Fundamentos de Big Data: 5 V’s, casos de uso y arquitecturas modernas.

• Ecosistema Hadoop: HDFS, MapReduce, YARN.

• Apache Spark: RDDs, DataFrames, Spark SQL y MLlib.

• PySpark: procesamiento distribuido con Python.

• Streaming de datos: Kafka y procesamiento en tiempo real.

• Data lakes, data warehouses y arquitecturas Lakehouse.

Bloque 8. Inteligencia Artificial Generativa y LLMs aplicados

• Fundamentos de IA generativa: arquitecturas Transformer y modelos de lenguaje.

• Uso de LLMs comerciales (ChatGPT, Claude, Gemini) y modelos open source (Llama, Mistral).

• Prompt engineering avanzado para tareas de análisis y procesamiento de datos.

• Retrieval-Augmented Generation (RAG): conexión de LLMs a bases de conocimiento propias.

• Frameworks de desarrollo: LangChain y LlamaIndex.

• Fine-tuning de modelos para casos de uso específicos.

• Desarrollo de agentes inteligentes con acceso a herramientas y APIs.

Bloque 9. Cloud Computing y MLOps

• Fundamentos de cloud computing: AWS, Azure y Google Cloud Platform.

• Servicios cloud para Data Science: almacenamiento, cómputo, bases de datos gestionadas.

• MLOps: ciclo de vida del modelo, versionado, CI/CD aplicado a machine learning.

• Despliegue de modelos en producción: APIs REST, contenedores Docker.

• Monitorización y mantenimiento de modelos: drift, retraining, observabilidad.

• Automatización de pipelines de datos y modelos.

Bloque 10. Ética, gobernanza y normativa de datos

• RGPD y LOPDGDD aplicados al trabajo con datos personales.

• AI Act europeo y su impacto en proyectos de inteligencia artificial.

• Sesgos algorítmicos: detección, mitigación y modelos explicables (XAI).

• Gobierno del dato y calidad: data lineage, data catalog, governance frameworks.

• Privacidad y seguridad en proyectos de datos.

Bloque 11. Trabajo Fin de Máster + Empleabilidad

• Desarrollo de un proyecto integrador end-to-end: desde la captura del dato hasta el despliegue del modelo y la presentación ejecutiva.

• Defensa del proyecto ante tribunal con feedback profesional.

• Acompañamiento del Career Advisor: revisión de CV y LinkedIn, preparación de entrevistas técnicas, simulacros de pruebas técnicas y casos de negocio.

• Acceso a la bolsa de empresas partner y a procesos reales de selección.