Máster online
Este Master of Science in Machine Learning, M.Sc es para los científicos de datos, para los empresarios y para los estadísticos, la herramienta más poderosa a su disposición, una herramienta que les permite lograr resultados predictivos de un nivel sin precedentes.
Emagister S.L. (responsable) tratará tus datos personales con la finalidad de gestionar el envío de solicitudes de información y comunicaciones promocionales de formación con tu consentimiento. Ejerce tus derechos de acceso, supresión, rectificación, limitación, portabilidad y otros, según se indica en nuestra política de privacidad.
Objetivos
El objetivo general de este Master of Science in Machine Learning, M.Sc., es ofrecer múltiples vías para satisfacer las necesidades de los estudiantes con múltiples antecedentes, tanto a profesionales en ciencia de datos como aquellos que ya trabajan en roles como analistas de datos senior, científicos de bioinformática, estadísticos o analistas de negocios.
A quién va dirigido
Titulados universitarios en ciencias de la computación, matemáticas, estadística, economía o física.
Requisitos
Las acciones formativas están diseñadas para propiciar el fomento de las habilidades, conocimientos y experiencias relevantes para el desarrollo profesional dentro del ámbito de la temática del Master of Science in Machine Learning, M.Sc.
Temario completo de este curso
CICLO PRIMERO: APRENDIZAJE AUTOMÁTICO I
MML101 Machine Learning
MML102 Tipos de sistemas
MML103 Algoritmos supervisados
MML104 Aprendizaje supervisados
MML105 Clasificación de salida múltiple
MML106 Capacitar un modelo
MML107 Complejidad computacional
MML108 Combinaciones de diferentes modelos
MML109 Evaluación.
CICLO SEGUNDO: APRENDIZAJE AUTOMÁTICO II
MML201 Aprendizaje automático profundo
MML202 Agrupación en Python
MML203 Big Data para empresas
MML204 Redes neuronales profundas
MML205 Aprendizaje automático con Python
MML206 Sistemas de aprendizaje automático
MML207 Métodos de reducción de dimensión
MML208 Algoritmos de agrupación
MML209 Evaluación.
CICLO TERCERO: APRENDIZAJE AUTOMÁTICO III
MML301 Minería de datos
MML302 Validación de resultados
MML303 Evaluación de resultados
MML304 Extracción de atributos
MML305 Selección de atributos
MML306 Métodos no supervisados
MML307 Métodos supervisados
MML308 Combinación de clasificadores
MML309 Evaluación.
CICLO CUARTO: APRENDIZAJE AUTOMÁTICO IV
MML401 Inteligencia artificial avanzada
MML402 Recomendadores y agrupamientos
MML403 Extracción y selección de atributos
MML404 Clasificación y optimización
MML405 Ciencia de los datos
MML406 Análisis de datos
MML407 Almacenamiento de datos
MML408 Visualización de datos
MML409 Proyecto final.
Acceso a TDR (Contenido Digital en Formato PDF) desde el Campus Virtual de Cambridge International University.