El Máster en Inteligencia Artificial y Ciencia de Datos de la Escuela de Organización Industrial (EOI) ofrece la formación matemática, estadística e informática para sacarle todo el partido a los datos de una empresa. El título tiene una duración de doce meses y se cursa en línea.
· Dirigido a: cualquier persona que desee especializarse en ciencia de datos, pero es recomendable el manejo de lenguajes de programación, SQL.
· Duración: 12 meses (450 horas +
proyecto).
· Modalidad: en línea y una semana
presencial en Madrid.
· Precio: 12.000 €.
· Inicio: 23 de octubre.
Más Información: Escuela de Organización Industrial
Inscríbete aquí
La sociedad digital se sustenta en datos. Las múltiples aplicaciones que se ponen en marcha para cualquier proceso generan un volumen de información enorme. La cuestión radica en saber interpretar esos datos y poder aprovechar todo su potencial. Para conseguir esta puesta en valor de la información, nada mejor que contar con una formación avanzad en ciencia de datos y en modelos de inteligencia artificial. Una preparación que facilite el diseño de procesos de inteligencia empresarial que conduzcan a facilitar la toma de decisiones.
Qué ofrece el Máster en Inteligencia Artificial y Ciencia de Datos de la EOI
Uno de los posgrados más avanzados en este campo es el Máster en Inteligencia Artificial y Ciencia de Datos, ofertado por la EOI. Este título pone al alcance de su alumnado las técnicas estadísticas, matemáticas y de programación, para recolectar, analizar e interpretar grandes conjuntos de datos.
A lo largo del máster, el alumnado trabajará a fondo todas las fases que comportan el trabajo con un volumen de datos elevado. Así, se profundiza en la recolección de datos, y más concretamente en la integración y el almacenamiento de la información; en la limpieza y preparación de datos, paso fundamental para el análisis, en el que se eliminan errores o datos incompletos; en el modelado y análisis de datos, con modelos estadísticos y algoritmos; en la visualización y la comunicación de los datos, para crear representaciones visuales de los análisis y facilitar la comprensión por parte de los destinatarios de esa información; y en la toma de decisiones basada en datos, donde se aplican los conocimientos extraídos en el proceso de estudio de la información.
Plan de estudios del máster
BLOQUE 1. INTRODUCCIÓN E INTEGRACIÓN DE DATOS
FUNDAMENTOS DE BIG DATA E INTELIGENCIA ARTIFICIAL
- Definición, Componentes y Tipología de Sistemas de Inteligencia de Negocio.
- Contextualización y Diseño de Sistemas de Inteligencia de Negocio.
- Fuentes y Calidad de los Datos.
INTRODUCCIÓN AL TRATAMIENTO Y ANÁLISIS DE DATOS CON PYTHON
- El lenguaje de programación Python.
- Captación, fuentes de datos y formatos. Procesos ETL: Archivos, bases de datos
- Acceso a datos Web
- Servicios Web y APIs
DISEÑO Y EXPLOTACIÓN DE BASES DE DATOS RELACIONALES
- Nociones básicas del modelo relacional:
- Modelo conceptual, modelo lógico y modelo físico
- Introducción al lenguaje de consultas estructurado SQL: DDL, DML, DCL
- Análisis de datos con SQL
TECNOLOGÍAS DE ALMACENAMIENTO ESCALABLE
- Introducción a las bases de datos NoSQL: origen, evolución y contexto histórico
- Persistencia poliglota: escoger el modelo de datos más adecuado para cada problema.
- Modelos de Agregación: características, tipos (clave-valor, documental y orientado a columnas) consideraciones de diseño y casos de uso.
- Modelos en grafo: características, consideraciones de diseño y casos de uso.
- Sistemas distribuidos: definición, tipos (cliente/servidor, peer-to-peer…), estrategias de
- distribución (fragmentación y replicación) y consistencia de datos (ACID vs BASE).
- Ejercicios y ejemplos usando bases de datos NoSQL: MongoDB y Neo4J.
BLOQUE 2. INTEGRACIÓN DE DATOS
PROCESAMIENTO DISTRIBUIDO CON APACHE SPARK
- Framework de computación en cluster Apache Spark
- Spark SQL
- Spark Streaming
- Spark MLib
BLOQUE 3. EXPLOTACIÓN DE DATOS. VISUALIZACIÓN DE DATOS
VISUALIZACIÓN DE DATOS & DATA STORYTELLING
- Fundamentos de la visualización de datos
- Aprender los fundamentos de la visualización que deben guiar nuestras historias basadas en datos
- Primeros pasos con las herramientas de visualización de datos: Tableau
- Conocer los aspectos clave a tener en cuenta para comunicar nuestro mensaje con efectividad: Data Storytelling
VISUALIZACIÓN DE DATOS CON POWERBI
- Visualizando datos con PowerBI
- Conectando a orígenes de datos
- PowerQuery: El lenguanje M
- Modelando datos con DAX
- Creando y publicando informes
BLOQUE 4. EXPLOTACIÓN DE DATOS. ANALÍTICA AVANZADA
INTRODUCCIÓN A LA ESTADÍSTICA CON R
- Introducción a la estadística: Análisis y descripción de datos
- Contrastes de hipótesis
- Estimación de intervalos de confianza
- Entrenamiento con R
INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO
- Aprendizaje supervisado y no supervisado.
- Clustering y clasificación. Técnicas y medidas de calidad.
- Herramientas de aprendizaje automático, visualización.
- El ciclo de la minería de datos.
SISTEMAS RECOMENDADORES DE PRODUCTOS
- Introducción a los sistemas de recomendación
- Sistemas de recomendación clásicos: “El carrito de la compra”
- Sistema de recomendación personalizados
- Caso de uso real
INTRODUCCIÓN AL NLP. IA Aplicada a los procesos de negocio
- Introducción a los conceptos básicos del NLP.
- Carga, preprocesado y modelización de corpus de textos.
- Uso de librerías de Deep Learning para tareas de clasificación de documentos, análisis de sentimientos, generación automática de resúmenes, etc.
- Aplicaciones prácticas
- Ingeniería de prompts
- Herramientas (GPT-X, Gemini, Midjourney, etc.)
DEEP LEARNING: TEORÍA DE REDES NEURONALES
- Historia y evolución del Deep Learning.
- Aplicaciones y casos de éxito en la industria y la investigación.
- Estructura y componentes de una red neuronal.
- Propagación hacia adelante y hacia atrás.
- Descenso del gradiente y optimización.
- Implementación de las Redes Neuronales Artificiales: Tensorflow y Keras.
- Otras arquitecturas de Redes Neuronales. (CNN, RNN, autoencoders)
- Arquitecturas de transformers
MODELOS SECUENCIALES
- Introducción a los modelos secuenciales
- Diferencias entre modelos secuenciales y tradicionales
- Redes neuronales recurrentes (RNNs) y sus variantes:
- LSTM
- GRU
- Desafíos en los modelos secuenciales
BLOQUE 5. CASOS DE USO
CASO ANALÍTICA EN EL SECTOR AGROALIMENTARIO
- Introducción de la tecnología aplicada en el sector
- Aplicación del IoT, gamificación, etc. en la operativización
- Análisis de datos predictivos para la toma de las decisiones
CASO ANALÍTICA DE MARKETING
- Aplicación al Marketing Digital
- Campañas con públicos seleccionados
- Selección de Clientes mediante Modelos de Propensión
CASO ANALÍTICA FINANCIERA
- Conceptos financieros y de riesgos
- Aplicación práctica de BI y BIGDATA a la visión financiera/riesgos
- Obtención y preparación de datos financieros y de riesgos
- Modelos estadísticos para maximizar el RAR (Rentabilidad ajustada al Riesgo) y para inferir el riesgo de operaciones financieras.
EXPLORANDO LA CAJA NEGRA: INTERPRETABILIDAD Y EXPLICABILIDAD EN MODELOS DE DEEP LEARNING
- Introducción a la interpretabilidad y explicabilidad.
- Métodos de interpretación en redes Fully Connected
- Métodos de interpretabilidad en modelos de imagen.
- Métodos de interpretabilidad en modelos recurrentes.
- Modelos de Deep learning con explicabilidad incorporada
- Evaluación y comparación de métodos de interpretabilidad de modelos Deep Learning.
MLOps
- Introducción a MLOps y Ciclo de Vida de Modelos de Machine Learning
- Gestión de Datos y Versionado
- Automatización de Pipelines de Machine Learning
- Monitoreo y Mantenimiento de Modelos en Producción
- Estudios de Caso y Mejores Prácticas
GESTIÓN Y GOBIERNO DE DATOS
- Introducción a la gestión de datos
- Gobierno de datos: Índice de madurez del dato
- Gestión de la Calidad del dat
- Gestión de Metadatos
- Definiendo e Implementado un programa de gobierno en la organización
PROYECTO FIN DE MÁSTER
El proyecto consiste en la realización de un trabajo de aplicación práctico en grupo (4/5 alumnos) y tiene una duración estimada de 200 horas.
Qué capacidades adquiere el alumnado de este máster sobre ciencia de datos e IA
El Máster en Inteligencia Artificial y Ciencia de Datos basa su modelo de trabajo en una combinación entre la teoría y la práctica aplicada, con las que se asegura que el estudiantado no solo entienda los principios que hay detrás de estas tecnologías, sino que también tengan la capacidad para implementar soluciones innovadoras propias en el ámbito de los datos.
En el fondo, el objetivo de este máster es a formación de profesionales que sean capaces de liderar la transformación digital, y lo hagan con la aplicación de las herramientas propias de la ciencia de datos y la inteligencia artificial.
A qué puestos da acceso este máster de la EOI
El Máster en Inteligencia Artificial y Ciencia de Datos de la EOI ofrece una preparación para trabajar como analista de datos o en departamentos relacionados con la inteligencia de negocio.
El acceso a estos puestos es posible gracias a que con este título se aprende a medir y evaluar indicadores clave del negocio; a gestionar y diseñar arquitecturas para problemas de big data; a aplicar modelos analíticos y predictivos a situaciones de negocio; y a entender el papel de los diferentes modelos de bases de datos.
Quiénes pueden cursar este posgrado sobre IA y datos
El máster está abierto a cualquier persona que desee especializarse en el campo de la ciencia de datos, y es recomendable el manejo de lenguajes de programación, SQL o herramientas de visualización de datos.
Las clases se desarrollan en línea, durante un año completo, con un formato que facilita la participación. Además, esa fase a distancia se completa con una semana presencial en Madrid, donde se llevarán a cabo ponencias, conferencias, mesas redondas, talleres y trabajo en equipo. Los estudios se completan con un trabajo final en grupo.
El Máster en Inteligencia Artificial y Ciencia de Datos de la EOI cuenta con una plantilla docente integrada por académicos y profesionales, que trasladan al alumnado unos contenidos actualizados. La inserción laboral es muy elevada.
