Máster en Inteligencia Artificial del centro Grupo ATRIUM

Descripción

Sé un experto en inteligencia artificial (IA), desarrollando todo tu potencial profesional al ser capaz de crear técnicas informáticas que le ayuden a las computadoras a tener determinadas habilidades propias de la inteligencia humana.

A quién va dirigido

• 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.

Objetivos

• Estudia y compender la Inteligencia Artificial y el dominio de técnicas avanzadas de Machine Learning, Deep Learning, Natural, Language Processing (NLP), Artificial Vision…
• Estudiar y aplicar diversos procesos de diseño, desarrollo e implementación de sistemas inteligentes por medio del uso de técnicas de Inteligencia Artificial y computación en la nube.
• Usar de forma 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.
• 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.

Temario

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.

Titulación obtenida

Al culminar la formación el alumno obtendrá la certificación de máster en inteligencia artificial.

Requisitos

Se le recomienda al participante tener conocimientos en este sector o tener conocimientos en aéreas afines.

Información Adicional

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.

Otros Datos:

Profesores Expertos, Formación online tutorizada, Clases/Tutorías en directo, Formación basada en la práctica y en el desarrollo de ejercicios, Programa De Becas Personalizadas y Acceso a Bolsa de Empleo.

Prácticas:

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