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
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
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 (grid search, random search, cross validation…)
•	Modelos Ensemble y Sistemas multi-agente
•	Ecosistema Data Science en Python: Skit Learn, Pandas, Numpy, Matplotlib…
•	Pre-procesamiento de datos numéricos (Normalización, discretización, estandarización…)
Módulo 4: Deep Learning
•	Introducción a los sistemas cognitivos y al aprendizaje profundo
•	Perceptrones multi 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…
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…)
•	Topic Modeling (LDA y LSI)
•	Análisis morfológico y morfosintáctico (PoS Tagging)
•	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…
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.

ACCESO A BOLSA DE EMPLEO 

Dirigido a:
Este programa está dirigido a personas de diferentes perfiles que quieran orientarse hacia profesiones emergentes relacionadas con la Inteligencia Artificial. 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.

Salidas Laborales
•	Data Scientist
•	Experto en Inteligencia Artificial
•	Experto en Deep Learning
•	Experto en NLP
•	Experto en Visión Artificial o
•	Experto en dirección de proyectos de Ciencia de Datos e Inteligencia Artificial.

Prácticas: Prácticas en empresas especializadas (opcionales). Disponemos de una red de empresas colaboradoras para que puedas cursar tus prácticas.