1) Módulo 1: Nociones teóricas iniciales

- Desambiguación de términos: ¿Machine Learning? ¿Deep Learning? ¿Data Science? ¿Big Data?

- Evolución histórica de la Inteligencia Artificial

- Machine Learning: Aprendizaje supervisado, no supervisado y por refuerzo

- Aprendizaje supervisado: Regresión y clasificación

2) Módulo 2: Herramientas básicas

- Primeros pasos con R

- Programación en Python

- Linux Shell essentials

- Introducción al ecosistema Big Data

- Introducción a la programación distribuida

- Programación distribuida: Py-Spark

- Visión general del ecosistema de bases de datos NoSQL (Clave-valor, Columnares, Documentales y de Grafos)

- NoSQL: MongoDB con PyMongo

- Herramientas y técnicas de visualización

- Visión general de las herramientas Cloud disponibles

3) Módulo 3: 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 (gridsearch, randomsearch, crossvalidation…)

- Modelos Ensemble y Sistemas multi-agente

- Ecosistema Data Science en Python: Skit Learn, Pandas, Numpy, Matplotlib…

- Pre-procesamiento de datos numéricos (Normalización, discretización, estandarización…)

4) Módulo 4: Deep Learning

- Introducción a los sistemas cognitivos y al aprendizaje profundo

- Perceptronesmulti 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…

5) Módulo 5: Procesamiento de Lenguaje Natural

- Pre-procesamiento de texto y creación de corpus (tokenización, lematización, separación de oraciones…)

- Conceptos clave de análisis a nivel de documento (TF-IDF, BoW…)

- TopicModeling (LDA y LSI)

- Análisis morfológico y morfosintáctico (PoSTagging)

- 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…

6) Módulo 6: 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.