Máster en Formación Permanente en Ciencia de Datos y Aprendizaje Automático
100% Online
12 meses
2195€
Matricularme
Máster en Formación Permanente en Ciencia de Datos y Aprendizaje Automático
    Máster en Formación Permanente en Ciencia de Datos y Aprendizaje Automático

    Máster en Formación Permanente en Ciencia de Datos y Aprendizaje Automático

    100% Online
    60 ECTS
    12 meses
    2195€
    Matricularme
    Seguridad y confianza en tus pagos online.

    Presentación

    La Ciencia de Datos es un campo en constante evolución que se centra en el análisis, la interpretación y la extracción de conocimiento de grandes conjuntos de datos. En la actualidad, debido a la creciente cantidad de datos, está cada vez más presente la necesidad del desarrollo de profesionales en las Ciencias de Datos. La capacidad de aprovechar esta enorme fuente de información y emplearla en el aprendizaje automático es una herramienta increíblemente potente. Este Máster en Ciencia de Datos y Aprendizaje Automático proporciona una formación sólida y completa con un enfoque práctico y teórico. El Master brinda a los estudiantes las habilidades necesarias para abordar los desafíos del análisis de datos y el aprendizaje automático en diversos contextos.
    Qs World University Rankings

    Universidades colaboradoras

    Para qué te prepara
    Este Máster en Ciencia de Datos y Aprendizaje Automático prepara a los estudiantes para aplicar técnicas y métodos avanzados en la ciencia de datos y el aprendizaje automático. A través de la programación estructurada, el diseño de interfaces y el acceso a bases de datos, los estudiantes adquieren habilidades prácticas para desarrollar aplicaciones y sistemas robustos. Además, aprenden técnicas para garantizar la calidad de sus proyectos.
    Objetivos
    - Repasar la programación estructurada. - Ver la elaboración y diseño de interfaces de usuario. - Estudiar el acceso a bases de datos, así como su uso, aprovechamiento y gestión. - Entender los puntos principales del Data Mining. - Ahondar en el desempeño de la Inteligencia Artificial. - Tipificar los valores del Machine Learning y aprendizaje Profundo.
    A quién va dirigido
    El Máster en Ciencia de Datos y Aprendizaje Automático está dirigido tanto a profesionales con conocimientos previos, técnicos de informática, como a aquellos que deseen actualizar sus habilidades en estas áreas en respuesta a la creciente demanda de profesionales en el campo de la ciencia de datos. Teniendo en cuenta a estudiantes de esta rama que quieran profundizar.
    Salidas Profesionales
    Los perfiles del Máster en Ciencia de Datos y Aprendizaje Automático tienen una amplia gama de oportunidades laborales. Pueden desempeñarse como científicos de datos, analistas de datos, ingenieros de aprendizaje automático o consultores de análisis de datos en empresas de diferentes sectores, como tecnología, finanzas y económica, salud y marketing.
    Temario

    MÓDULO 1. PROGRAMACIÓN ESTRUCTURADA

    UNIDAD DIDÁCTICA 1. DISEÑO DE ALGORITMOS.

    1. Conceptos básicos. Definición de algoritmo.
    2. Metodología para la solución de problemas
    3. Entidades primitivas para el diseño de instrucciones
    4. Programación estructurada. Métodos para la elaboración de algoritmos
    5. Técnicas para la formulación de algoritmos
    6. Estructuras algorítmicas básicas
    7. Arrays. Operaciones
    8. Cadenas de caracteres. Definición, función, manipulación.
    9. Módulos
    10. Confección de algoritmos básicos.

    UNIDAD DIDÁCTICA 2. ESTRUCTURAS DE DATOS.

    1. Análisis de algoritmos.
    2. Manejo de memoria
    3. Estructuras lineales estáticas y dinámicas:
    4. Recursividad.
    5. Estructuras no lineales estáticas y dinámicas
    6. Algoritmos de ordenación.
    7. Métodos de búsqueda.
    8. Tipos abstractos de datos.

    UNIDAD DIDÁCTICA 3. PROGRAMACIÓN EN LENGUAJES ESTRUCTURADOS.

    1. El entorno de desarrollo de programación.
    2. Lenguaje estructurado
    3. Herramientas de depuración.
    4. La reutilización del software.
    5. Herramientas de control de versiones.

    MÓDULO 2. ELABORACIÓN DE INTERFACES DE USUARIO

    UNIDAD DIDÁCTICA 1. DISEÑO DE INTERFACES DE USUARIO.

    1. Evolución de las interfaces en el software de gestión.
    2. Características de las Interfaces, interacción hombre-máquina.
    3. Interface gráficas de usuario
    4. Normalización y estándares
    5. User Access), CDE (Common Desktop Environment), etc.
    6. Guías de estilos.
    7. Normas CUA (Common User Access)
    8. Arquitectura y herramientas para el desarrollo de GUI:
    9. Diseño y desarrollo de interfaces de gestión:
    10. Evaluación del diseño

    UNIDAD DIDÁCTICA 2. INTERFACES Y ENTORNOS GRÁFICOS.

    1. Interfaces gráficas de usuario
    2. Herramientas para el desarrollo de interfaces gráficas de usuario
    3. Técnicas de usabilidad.
    4. Rendimiento de interfaces.
    5. Notación Húngara.
    6. Estructura de un programa GUI
    7. El procedimiento de ventana
    8. Menús.
    9. Fichero de recursos.
    10. Los cajas de diálogo
    11. Controles básicos.
    12. El Interfaz de dispositivos gráficos (GDI)

    MÓDULO 3. ACCESO A BASES DE DATOS

    UNIDAD DIDÁCTICA 1. ACCESO A BASES DE DATOS Y OTRAS ESTRUCTURAS.

    1. El cliente del SGBD. Usuarios y privilegios.
    2. El lenguaje SQL.
    3. Objetos de la base de datos.
    4. Integridad y seguridad de los datos
    5. Sentencias del lenguaje estructurado para operar sobre las bases de datos.
    6. APIs de acceso a bases de datos.
    7. Integración de los objetos de la base de datos en el lenguaje de programación estructurado.
    8. Conexiones para el acceso a datos
    9. Realización de consultas SQL desde un programa estructurado
    10. Creación y eliminación de bases de datos.
    11. Creación y eliminación de tablas.
    12. Manipulación de datos contenidos en una base de datos:
    13. Objetos de Acceso a Datos (DAO)
    14. Herramientas de acceso a datos proporcionadas por el entorno de programación.

    MÓDULO 4. ELABORACIÓN DE PRUEBAS E INSTALACIÓN Y DESPLIEGUE DE APLICACIONES

    UNIDAD DIDÁCTICA 1. PRUEBAS DEL SOFTWARE.

    1. Fundamentos y objetivos de las pruebas.
    2. Tipos de errores y coste de corrección.
    3. Planificación de las pruebas
    4. Proceso de pruebas. Las pruebas en las distintas fases.
    5. Tipos de pruebas
    6. Herramientas.
    7. Normas de calidad del software
    8. Documentación de pruebas

    UNIDAD DIDÁCTICA 2. HERRAMIENTAS DE GENERACIÓN DE PAQUETES.

    1. Funciones y características.
    2. Empaquetamiento, instalación y despliegue

    UNIDAD DIDÁCTICA 3. DOCUMENTACIÓN DE APLICACIONES.

    1. Herramientas de documentación: características.
    2. Herramientas para generación de ayudas.
    3. Documentación de una aplicación, características, tipos

    MÓDULO 5. BASES DE DATOS RELACIONALES Y MODELADO DE DATOS

    UNIDAD DIDÁCTICA 1. BASES DE DATOS RELACIONALES.

    1. Concepto de base de datos relacional.
    2. Ejemplificación.
    3. Concepto de modelos de datos. Funciones y sublenguajes (DDL y DML).
    4. Clasificación los diferentes tipos de modelos de datos de acuerdo al nivel abstracción
    5. Enumeración de las reglas de Codd para un sistema relacional.

    UNIDAD DIDÁCTICA 2. ANÁLISIS DEL MODELO RELACIONAL Y DE LOS ELEMENTOS QUE LO INTEGRAN.

    1. Concepto de Relaciones y sus propiedades.
    2. Concepto de Claves en el modelo relacional.
    3. Nociones de álgebra relacional.
    4. Nociones de Cálculo relacional de tuplas para poder resolver ejercicios prácticos básicos.
    5. Nociones de Calculo relacional de dominios.
    6. Teoría de la normalización y sus objetivos

    UNIDAD DIDÁCTICA 3. DESCRIPCIÓN Y APLICACIÓN DEL MODELO ENTIDAD-RELACIÓN PARA EL MODELADO DE DATOS.

    1. Proceso de realización de diagramas de entidad-relación y saberlo aplicar.
    2. Elementos
    3. Diagrama entidad relación entendidos como elementos para resolver las carencias de los diagramas Entidad-Relación simples.
    4. Elementos
    5. Desarrollo de diversos supuestos prácticos de modelización mediante diagramas de entidad relación.

    UNIDAD DIDÁCTICA 4. MODELO ORIENTADO A OBJETO.

    1. Contextualización del modelo orientado a objeto dentro del modelado UML.
    2. Comparación del modelo de clases con el modelo-entidad relación.
    3. Diagrama de objetos como caso especial del diagrama de clases.

    UNIDAD DIDÁCTICA 5. MODELO DISTRIBUIDO Y LOS ENFOQUES PARA REALIZAR EL DISEÑO.

    1. Enumeración de las ventajas e inconvenientes respecto a otros modelos.
    2. Concepto de fragmentación y sus diferentes tipos
    3. Enumeración de las reglas de corrección de la fragmentación.
    4. Enumeración de las reglas de distribución de datos.
    5. Descripción de los esquemas de asignación y replicación de datos.

    MÓDULO 6. LENGUAJES DE DEFINICIÓN Y MODIFICACIÓN DE DATOS SQL

    UNIDAD DIDÁCTICA 1. ANÁLISIS DE LOS OBJETOS Y ESTRUCTURAS DE ALMACENAMIENTO DE LA INFORMACIÓN PARA DIFERENTES SGBD.

    1. Relación de estos elementos con tablas, vistas e índices.
    2. Consecuencias practicas de seleccionar los diferentes objetos de almacenamientos.
    3. Diferentes métodos de fragmentación de la información en especial para bases de datos distribuidas.

    UNIDAD DIDÁCTICA 2. LENGUAJES DE DEFINICIÓN, MANIPULACIÓN Y CONTROL.

    1. Conceptos básicos, nociones y estándares.
    2. Lenguaje de definición de datos (DDL SQL) y aplicación en SGBD actuales.
    3. Discriminación de los elementos existentes en el estándar SQL-92 de otros elementos existentes en bases de datos comerciales.
    4. Sentencias de creación: CREATE
    5. Nociones sobre el almacenamiento de objetos en las bases de datos relacionales.
    6. Nociones sobre almacenamiento y recuperación de XML en las bases de datos relacionales

    UNIDAD DIDÁCTICA 3. TRANSACCIONALIDAD Y CONCURRENCIA.

    1. Conceptos fundamentales.
    2. Identificación de los problemas de la concurrencia.
    3. Actualizaciones perdidas.
    4. Lecturas no repetibles.
    5. Lecturas ficticias.
    6. Nociones sobre Control de la concurrencia
    7. Conocimiento de las propiedades fundamentales de las transacciones.
    8. ACID
    9. Análisis de los niveles de aislamiento
    10. Serializable.
      1. - Desarrollo de un supuesto práctico en el que se ponga de manifiesto la relación y las implicaciones entre el modelo lógico de acceso y definición de datos y el modelo físico de almacenamiento de los datos.

    MÓDULO 7. SALVAGUARDA Y SEGURIDAD DE LOS DATOS

    UNIDAD DIDÁCTICA 1. SALVAGUARDA Y RECUPERACIÓN DE DATOS.

    1. Descripción de los diferentes fallos posibles (tanto físicos como lógicos) que se pueden plantear alrededor de una base de datos.
    2. Enumeración y descripción de los elementos de recuperación ante fallos lógicos que aportan los principales SGBD estudiados.
    3. Distinción de los diferentes tipos de soporte utilizados para la salvaguarda de datos y sus ventajas e inconvenientes en un entorno de backup.
    4. Concepto de RAID y niveles más comúnmente utilizados en las empresas
    5. Servidores remotos de salvaguarda de datos.
    6. Diseño y justificación de un plan de salvaguarda y un protocolo de recuperación de datos para un supuesto de entorno empresarial.
    7. Tipos de salvaguardas de datos
    8. Definición del concepto de RTO (Recovery Time Objective) y RPO (Recovery Point Objective).
    9. Empleo de los mecanismos de verificación de la integridad de las copias de seguridad.

    UNIDAD DIDÁCTICA 2. BASES DE DATOS DISTRIBUIDAS DESDE UN PUNTO DE VISTA ORIENTADO A LA DISTRIBUCIÓN DE LOS DATOS Y LA EJECUCIÓN DE LAS CONSULTAS.

    1. Definición de SGBD distribuido. Principales ventajas y desventajas.
    2. Características esperadas en un SGBD distribuido.
    3. Clasificación de los SGBD distribuidos según los criterios
    4. Enumeración y explicación de las reglas de DATE para SGBD distribuidos.
    5. Replicación de la información en bases de datos distribuidas.
    6. Procesamiento de consultas.
    7. Descomposición de consultas y localización de datos.

    UNIDAD DIDÁCTICA 3. SEGURIDAD DE LOS DATOS.

    1. Conceptos de seguridad de los datos: confidencialidad, integridad y disponibilidad.
    2. Normativa legal vigente sobre datos
    3. Seguimiento de la actividad de los usuarios
    4. Introducción básica a la criptografía
    5. Desarrollo de uno o varios supuestos prácticos en los que se apliquen los elementos de seguridad vistos con anterioridad.

    UNIDAD DIDÁCTICA 4. TRANSFERENCIA DE DATOS.

    1. Descripción de las herramientas para importar y exportar datos
    2. Clasificación de las herramientas
    3. Muestra de un ejemplo de ejecución de una exportación e importación de datos.
    4. Migración de datos entre diferentes SGBD

    MÓDULO 8. CREACIÓN Y GESTIÓN DE BASES DE DATOS SQL

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LAS BASES DE DATOS

    UNIDAD DIDÁCTICA 2. EL MODELO DE BASES DE DATOS RELACIONAL

    UNIDAD DIDÁCTICA 3. LENGUAJE DE CONSULTA SQL

    UNIDAD DIDÁCTICA 4. MYSQL COMO SISTEMA GESTOR DE BASES DE DATOS RELACIONALES

    UNIDAD DIDÁCTICA 5. SALVAGUARDA Y RECUPERACIÓN DE DATOS

    UNIDAD DIDÁCTICA 6. BASES DE DATOS DISTRIBUIDAS

    UNIDAD DIDÁCTICA 7. SEGURIDAD DE LOS DATOS

    UNIDAD DIDÁCTICA 8. TRANSFERENCIA DE DATOS

    MÓDULO 9. DATA MINING

    UNIDAD DIDÁCTICA 1. MINERÍA DE DATOS.

    1. Conceptos básicos, técnicas y sistemas
    2. Implantación en la empresa
    3. Definición de la necesidad
    4. Objetivos
    5. Costes
    6. Áreas de aplicación

    UNIDAD DIDÁCTICA 2. FASE DE SELECCIÓN EN MINERÍA DE DATOS.

    UNIDAD DIDÁCTICA 3. FASE DE EXPLORACIÓN EN MINERÍA DE DATOS.

    UNIDAD DIDÁCTICA 4. FASE DE LIMPIEZA Y TRANSFORMACIÓN EN MINERÍA DE DATOS.

    UNIDAD DIDÁCTICA 5. FASE DE ANÁLISIS DE DATOS.

    UNIDAD DIDÁCTICA 6. TÉCNICAS DE APLICACIÓN.

    1. Redes neuronales de modelización predictiva
    2. Algoritmos matemáticos
    3. Árboles de decisión
    4. Técnicas de visualización de datos
    5. Elección de la técnica
    6. Explotación de datos según las necesidades de las diferentes áreas del negocio
    7. Ventajas

    UNIDAD DIDÁCTICA 7. TÉCNICAS PREDICTIVAS DE MODELIZACIÓN.

    UNIDAD DIDÁCTICA 8. TÉCNICAS DESCRIPTIVAS Y PREDICTIVAS DE CLASIFICACIÓN.

    UNIDAD DIDÁCTICA 9. TÉCNICAS DE EVALUACIÓN.

    UNIDAD DIDÁCTICA 10. TÉCNICAS.

    1. Segmentación
    2. Clasificación y segmentación de clientes
    3. Ofertas
    4. Fidelizar clientes
    5. Operaciones básicas para descubrir la información oculta
    6. Estructurar la información

    UNIDAD DIDÁCTICA 11. CAMPAÑAS: OFERTAS JUST-IN-TIME.

    1. Herramientas para la fidelización
    2. Entornos transaccionales
    3. Acciones promocionales puntuales
    4. Utilidad del conocimiento
    5. Reportes estándares, simulaciones ad-hoc y procesamiento de la información LOPD

    MÓDULO 10. INTELIGENCIA ARTIFICIAL

    UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE INTELIGENCIA ARTIFICIAL

    UNIDAD DIDÁCTICA 2. MACHINE LEARNING: PRINCIPIOS Y APLICACIONES

    UNIDAD DIDÁCTICA 3. DEEP LEARNING: ARQUITECTURAS Y ENTRENAMIENTO

    UNIDAD DIDÁCTICA 4. INTELIGENCIA ARTIFICIAL GENERATIVA (GENAI)

    UNIDAD DIDÁCTICA 5. PROCESAMIENTO DE LENGUAJE NATURAL (NLP)

    UNIDAD DIDÁCTICA 6. CHATBOTS Y SU INTEGRACIÓN EN EMPRESAS

    UNIDAD DIDÁCTICA 7. TRANSFORMERS: ARQUITECTURA Y APLICACIONES

    UNIDAD DIDÁCTICA 8. VISIÓN ARTIFICIAL

    UNIDAD DIDÁCTICA 9. ÉTICA Y RESPONSABILIDAD EN INTELIGENCIA ARTIFICIAL

    MÓDULO 11. MACHINE LEARNING

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING.

    UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING.

    UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN.

    UNIDAD DIDÁCTICA 4. CLASIFICACIÓN.

    UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING.

    UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN.

    UNIDAD DIDÁCTICA 7. PROCESAMIENTO DE LENGUAJE NATURAL.

    MÓDULO 12. APRENDIZAJE PROFUNDO

    UNIDAD DIDÁCTICA 1. ¿QUÉ ES EL APRENDIZAJE PROFUNDO?

    1. Concepto de aprendizaje profundo
      1. - Diferencias existentes entre el aprendizaje profundo y el aprendizaje automático
    2. Evolución e historia del aprendizaje profundo
      1. - Cronología histórica
      2. - Pioneros del campo del aprendizaje profundo
    3. Ventajas del aprendizaje profundo
      1. - Principales ventajas del aprendizaje profundo

    UNIDAD DIDÁCTICA 2. SISTEMAS NEURONALES

    1. Redes neuronales
    2. Redes profundas y redes poco profundas

    UNIDAD DIDÁCTICA 3. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW

    1. Aprendizaje profundo
    2. Entorno de Deep Learning con Python
    3. Aprendizaje automático y profundo

    UNIDAD DIDÁCTICA 4. ESTRATEGIAS DE APRENDIZAJE

    1. Entrada y salida de datos
    2. Entrenar una red neuronal
    3. Gráficos computacionales
    4. Implementación de una red profunda
    5. El algoritmo de propagación directa
    6. Redes neuronales profundas multicapa

    UNIDAD DIDÁCTICA 5. EL APRENDIZAJE PROFUNDO POR REFUERZO

    1. Concepto de aprendizaje profundo por refuerzo
    2. Los elementos que componen un modelo de aprendizaje profundo por refuerzo
    3. El funcionamiento del aprendizaje profundo por refuerzo
      1. - Recompensas vs penalizaciones
      2. - Algoritmos a utilizar
      3. - La ecuación de Bellman
    4. Posibilidades del aprendizaje profundo por refuerzo

    UNIDAD DIDÁCTICA 6. APLICACIONES DEL APRENDIZAJE PROFUNDO

    1. Las posibilidades futuras del aprendizaje profundo
    2. Principales usos en la actualidad
    3. Aprendizaje profundo e IoT
      1. - El concepto de IoT
    4. Aplicaciones en el entorno empresarial

    MÓDULO 13. PROYECTO FIN DE MÁSTER

    Titulación
    Titulación Universitaria:
    Diploma Universidad Católica de Murcia
    Solicitar información