Repaso de los fundamentos de estadística necesarios para dominar la ciencia de los datos.

Python como framework del especialista de data science. Desarrollo de notebook, uso de pandas, numpy, matplotlib. Procesamiento de datos de fuentes estructuradas (CSV, REST, HSQL, Logs) y no estructuradas (Web, Spark, Cassandra).

El manejo avanzado de datos gestiona fuentes de datos, procesos ETL y arquitecturas tanto por lotes como de streaming, utilizando bases de datos estructuradas y no estructuradas.

Introducción al análisis de series temporales, revisión de los mejores algoritmos disponibles. Desarrollo de casos de uso de detección de anomalías y predicción de series.

Introducción a los problemas de clasificación y clusterización. ¿Cómo evaluar los resultados? ¿Cómo construir los datasets? Revisión de los principales algoritmos y su aplicación.

Visión general de los conceptos fundamentales de las soluciones Big Data. Se repasarán arquitecturas de referencia y modelos de adopción con las principales tecnologías actuales, incluyendo procesos de ingesta, análisis y visualización de datos en tiempo real.

Principales bases de datos y el lenguaje SQL, aprendizaje de las últimas técnicas de almacenaje, manipulación y extracción de datos en BBDD.

Se estudiará el ciclo de MLOps de manera práctica, tanto a nivel de desarrollo como a nivel de modelos en producción.

Desarrollo de un proyecto final para poner en práctica con un caso real los conocimientos adquiridos en Data Science y Big Data.

Descubrirás técnicas y algoritmos, explorando aplicaciones prácticas con énfasis en la implementación de modelos utilizando herramientas como TensorFlow y PyTorch.

Conceptos fundamentales de las técnicas de visión por computador. Se realizará un recorrido teórico práctico de las principales técnicas desde filtros de procesamiento básico a técnicas de reconocimiento de patrones mediante redes neuronales convolucionales.

Conceptos fundamentales de los mecanismos empleados para la comunicación entre personas y máquinas por medio del lenguaje natural.

Perspectiva global del proceso de creación, financiación y posibles éxitos de una startup. Herramientas para proyectos de emprendimiento.

Aprendizaje no supervisado. Métodos de clustering, selección de componentes principales, etc.

Conocer las formas de calcular medias y promedios móviles, procesos de decisión de Markov, programación dinámica, métodos de aproximación

Técnicas avanzadas de Machine Learning. Revisión del estado del arte actual y el futuro del machine learning

Escogerás y desarrollarás un reto para medirte con los mejores profesionales del mundo y así valorar lo que has aprendido. 

Descubre los pilares fundamentales de la Inteligencia Artificial Generativa, incluyendo modelos de atención, transformers y arquitecturas de Large Language Models (LLM).

Desarrollo de un proyecto final para poner en práctica con un caso real los conocimientos adquiridos en las asignaturas del apartado de Deep Learning