Maestría Virtual en Inteligencia Artificial Aplicada

Itinerario Académico en IA Aplicada.

Itinerario Académico en IA AplicadaI.- Artificial Intelligence (6 ECTS)

Exploraremos diversas disciplinas de la Inteligencia Artificial, como el uso ético de la IA, con ejemplos de aplicaciones en distintos sectores, y se introducen las principales herramientas y plataformas tecnológicas.

• Classical AI
• Modern AI
• Generative AI
• Responsible AI
• AI in Business
• Software and Platforms

II.- Python Programming (6 ECTS)

Los estudiantes adquieren habilidades para escribir código eficiente y modular, dominando el lenguaje clave en Inteligencia Artificial.

• Entorno de desarrollo
• Variables, tipos de datos y operadores
• Estructura de datos
• Entrada y salida de archivos
• Funciones y modularidad
• Clases y métodos

III.- Data Science (6 ECTS)

Los estudiantes analizarán datos utilizando técnicas estadísticas, visualización avanzada y análisis exploratorio de datos univariantes y multivariantes.

• Estadística básica
• Transformación de datos
• Análisis univariante
• Análisis multivariante
• Visualización de datos
• Reducción de la dimensionalidad

IV.- Machine Learning (6 ECTS)

Esta asignatura introduce a los estudiantes en los fundamentos de la toma de decisiones automatizada, explorando los algoritmos más comunes, sus pros y contras.

• Conceptos básicos
• Aprendizaje Supervisado
• Aprendizaje No Supervisado
• Aprendizaje Semi-Supervisado
• Aprendizaje por Refuerzo
• Frameworks de desarrollo

V.- Deep Learning (6 ECTS)

Los estudiantes se desarrollarán en redes neuronales avanzadas, como las convolucionales, generativas adversarias y transformers. Además, aprenderán sobre Transfer Learning, que optimiza el aprendizaje al utilizar modelos pre entrenados para tareas específicas.

• Conceptos básicos de redes neuronales
• Frameworks de Deep Learning
• Redes Neuronales Convolucionales
• Redes Generativas Adversarias
• Transfer Learning
• Transformers

VI.- Time Series (6 ECTS)

Los estudiantes adquieren habilidades para analizar datos temporales, cubriendo desde conceptos básicos hasta técnicas avanzadas de machine learning y deep learning.

• Conceptos básicos de series temporales
• Preparación de datos para análisis de series temporales
• Exploración y visualización de series temporales
• Machine Learning en el contexto de series temporales
• Deep Learning para series temporales
• Aplicaciones

VII.- Natural Language Processing (6 ECTS)

Esta materia se enfoca en el procesamiento de lenguaje natural (NLP), abordando desde conceptos básicos hasta la implementación de modelos avanzados con técnicas de atención.

• Introducción a NLP
• Flujo de trabajo con textos
• Representación de textos
• Modelos de texto recurrentes y secuenciales
• Modelos de texto basados en mecanismos de atención
• Aplicaciones

VIII.- Computer Vision (6 ECTS)

Los estudiantes aprenderán a utilizar redes neuronales para tareas de visión por computadora, como el procesamiento de datos visuales, clasificación de imágenes y detección de objetos.

• Fundamentos de Computer Vision
• Procesamiento de imágenes
• Reconocimiento y clasificación de Objetos
• Yolov 8 y Datasets de entrenamiento
• Servicios de desarrollo
• Aplicaciones

IX.- Recommendation Systems (6 ECTS)

Obtendrás una visión teórica y práctica de los motores de recomendación, sus tipos y estrategias de optimización, esencial para comprender la personalización y su impacto en la era digital.

• Fundamentos de Motores de Recomendación
• Tipos de Motores
• Optimizaciones
• Estrategias
• Frameworks de desarrollo
• Aplicaciones

X.- Generative AI (6 ECTS)

Los estudiantes aprenderán a desarrollar aplicaciones para generar textos e imágenes, adaptando modelos según los requisitos del sistema y descubriendo diversas aplicaciones en este campo.

• Fundamentos de la IAG
• Modelos Fundacionales
• Grandes modelos de texto
• Pequeños modelos de texto
• Modelos de generación de imagen
• Aplicaciones

XI.- AI Platforms (6 ECTS)

Esta materia se enfoca en la infraestructura necesaria para implementar soluciones de IA a gran escala, abarcando desde la computación en la nube hasta los principales servicios de plataformas como AWS, Microsoft Azure y Google Cloud.

• Computación en la nube
• Arquitectura de referencia
• Principales servicios
• Amazon Web Services
• Microsoft Azure
• Google Cloud

XII.- Capstone Project (8 ECTS)

El Trabajo fin de Máster es el último paso para obtener el título del programa formativo. Consiste en la realización de un trabajo académico en el que se apliquen o desarrollen conocimientos adquiridos a lo largo del programa formativo.