¿Qué quieres aprender?

MÁSTER EN INTELIGENCIA ARTIFICIAL

MÁSTER EN INTELIGENCIA ARTIFICIAL

Grupo Atrium

Máster online


2.547
¿Quieres hablar con un asesor sobre este curso?

Objetivos

1. Adquirirás una visión integradora de la Inteligencia Artificial y el dominio de técnicas avanzadas de Machine Learning, Deep Learning, Natural, Language Processing (NLP), Artificial Vision… 2. Conocerás los procesos de diseño, desarrollo e implementación de sistemas inteligentes por medio del uso de técnicas de Inteligencia Artificial y computación en la nube. 3. Pondrás en práctica los conocimientos teóricos con las herramientas y librerías de software más utilizadas en la industria: Python (Pandas, Numpy, Matplotlib, Skit-Learn…),TensorFlow, Keras, Anaconda, Jupyter Notebooks… 4. Aprenderás qué es la Inteligencia Artificial de una forma práctica mediante casos reales y utilizarás las herramientas y técnicas algorítmicas más punteras en el estado del arte para resolverlos.

A quién va dirigido

Los perfiles pueden ser de tres tipos: - Perfiles TIC: Personas con conocimientos en informática y programación, ya sea que tengan conocimientos en el área y estén buscando su primer empleo o que ya estén trabajando en el sector TI y quieran especializarse en Inteligencia Artificial. - Perfiles cuantitativos: Graduados en carreras con un componente cuantitativo fuerte, como estadística, matemáticas, ingenierías, física…que quieran dedicarse a la inteligencia artificial profesionalmente. - Perfiles de negocio: Graduados y profesionales en diferentes áreas de empresa y economía que quieran especializarse en dirigir equipos, liderar proyectos y vender proyectos de Inteligencia Artificial. Este máster les permitirá adquirir un background técnico sólido en esta área.

Temario completo de este curso

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.

Ver más