Master en Inteligencia Artificial y Ciencia de Datos (Online)

VER FOLLETO

Contenidos

INTRODUCCIÓN: MANEJO DE HERRAMIENTAS DIGITALS

• Presentación del Máster
• Aprendizaje y manejo de herramientas Online. Web 2.0

BLOQUE I. DEL ENTORNO AL DATO: FUNDAMENTOS TÉCNICOS Y ANALÍTICOS

Este bloque construye la base sobre la que se apoya todo el programa. Comienza con la puesta en marcha del entorno de trabajo del científico de datos —herramientas, terminal, control de versiones y contenedores— y avanza de forma progresiva hacia el lenguaje de programación más utilizado en el sector, Python, para después asentar los fundamentos matemáticos y estadísticos imprescindibles para cualquier análisis riguroso. El bloque cierra con el diseño y explotación de bases de datos relacionales con SQL, completando así el kit esencial que el alumno necesita antes de abordar cualquier problema real con datos.

MÓDULO 1. LA CAJA DE HERRAMIENTAS DEL ANALISTA

• Elementos de un ordenador: CPU, memoria, almacenamiento y red aplicados al análisis de datos.
• El sistema de archivos y la terminal: comandos esenciales de Unix/Linux para el científico de datos.
• Intérpretes vs. compiladores: cómo se ejecuta el código y por qué importa en el ecosistema de datos.
• Entorno de desarrollo: qué es un IDE vs. Code, extensiones esenciales y Google Colab como entorno en la nube.
• Control de versiones con Git y GitHub: repositorios, commits, ramas y flujos de trabajo colaborativo. 
• Contenedores y máquinas virtuales: docker aplicado a proyectos de datos.
• Introducción a la cultura MLOps: CI/CD/buenas prácticas, por qué el entorno importa.

MÓDULO 2. INTRODUCCIÓN AL TRATAMIENTO 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.

MÓDULO 3. ALGEBRA PARA ANALISTAS Y CIENTÍFICOS/AS DE DATOS

• Vectores y matrices: nuestros aliados para representar los datos. Similitudes y distancias.
• Transformaciones y proyecciones lineales.
• Comprimiendo nuestros datos: la maldición de la dimensionalidad, autovalores y autovectores, descomposición en valores singulares (SVD) y análisis de componentes principales (PCA).

MÓDULO 4. INTRODUCCIÓN A LA ESTADÍSTICA

• Estadística descriptiva: análisis y descripción de datos.
• Conceptos básicos de teoría de la probabilidad.
• Estadística inferencial: intervalos de confianza.
• Estadística inferencial: contraste de hipótesis.

MÓDULO 5. 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 y DCL.
• Análisis de datos con SQL.

BLOQUE 2. IA GENERATIVA Y AGENTES INTELIGENTES

Este bloque introduce al alumno en el nuevo paradigma que está transformando la profesión. Se parte de los fundamentos del procesamiento del lenguaje natural y la IA generativa para avanzar hacia los grandes modelos de lenguaje —RAG, fine-tuning, multimodalidad y agentes— y culminar con la automatización de procesos reales mediante flujos de trabajo inteligentes. El enfoque es eminentemente práctico: el alumno no solo entiende cómo funcionan estas tecnologías, sino que aprende a utilizarlas como palancas de productividad en su trabajo diario.

MÓDULO 6. INTRODUCCIÓN AL NLP: IA GENERATIVA E IA AGÉNTICA

• 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.).
• Fundamentos de los modelos de lenguaje.
• Arquitecturas de Transformers.

MÓDULO 7. GRANDES MODELOS DEL LENGUAJE (LLMs)

• Prompting avanzado e interacción estructurada con LLMs.
• Recuperación y generación aumentada RAG.
• Agentes basados en LLMs, uso de herramientas externas y automatización de acciones.
• Personalización mediante fine-tuning y otros enfoques de adaptación.
• Multimodalidad: trabajo con texto, imagen, audio, documentos e interfaces visuales.
• Harness engineering: trabajo asistido con LLMs sobre código, datos, documentos, navegador, archivos y herramientas.
• Evaluación, verificación y buenas prácticas para el uso profesional de LLMs.

MÓDULO 8: AUTOMATIZACIÓN DE PROCESOS

• Introducción al concepto de automatización y herramientas disponibles en el mercado.
• Flujos de Make: nodos, workflows, triggers y ejecución.
• Conectores clave: LLMs, Google, Webhooks, bases de datos.
• Manejo de datos: JSON, transformación, variables, filtros y expresiones.
• Caso de uso: creación de un chatbot.

BLOQUE 3. ARQUITECTURA Y PROCESAMIENTO DE DATOS A GRAN ESCALA

Este bloque aborda los retos técnicos que surgen cuando los datos crecen en volumen, variedad y velocidad. Partiendo de los principios de la inteligencia de negocio y las arquitecturas de datos, el alumno progresa hacia tecnologías relacionales modernas como PostgreSQL, el procesamiento distribuido con Apache Spark y los modelos de almacenamiento NoSQL —documental, columnar, clave-valor y en grafo—. El hilo conductor es siempre el mismo: entender qué arquitectura es la más adecuada para cada problema y saber construir soluciones escalables, eficientes y preparadas para entornos de datos complejos y heterogéneos.

MÓDULO 9. ARQUITECTURAS DE DATOS 101

• 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.

MÓDULO 10. ARQUITECTURA DE DATOS RELACIONALES MODERNAS CON POSTGRESQL

• Fundamentos y PostgreSQL como plataforma moderna.
• Time Series y TigerData (TimeScaleDB).
• JSONB, Full-Text Search y Clave-Valor.
• Bases de datos vectoriales e IA.
• Arquitecturas completas y escalabilidad.

MÓDULO 11. PROCESAMIENTO DISTRIBUIDO CON APACHE SPARK

• Introducción a Spark y conceptos básicos.
• Tipos de datos y funciones SQL.
• Operaciones avanzadas con DataFrames.
• Análisis avanzado y casos prácticos.
• Optimización y proyecto final.

MÓDULO 12. 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, consideraciones de diseño y casos de uso.
• Modelos en grafo: características, consideraciones de diseño y casos de uso.
• Sistemas distribuidos: definición, tipos,  estrategias de distribución  y consistencia de datos (ACID vs. BASE).
• Ejercicios y ejemplos usando bases de datos NoSQL: MongoDB y Neo4J.

BLOQUE 4. APRENDIZAJE AUTOMÁTICO

Este bloque profundiza en las técnicas y algoritmos que permiten a las máquinas aprender a partir de los datos. Se parte de los modelos clásicos de machine learning —aprendizaje supervisado y no supervisado, clustering y clasificación— para avanzar hacia arquitecturas más complejas como las redes neuronales y el aprendizaje profundo. El bloque culmina con los sistemas de recomendación, un caso de uso real y de alto impacto que integra de forma natural las técnicas trabajadas a lo largo del programa. El enfoque combina la comprensión teórica de los algoritmos con su implementación práctica en herramientas como TensorFlow y Keras.

MÓDULO 13. INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)

• 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.

MÓDULO 14. SISTEMAS RECOMENDADORES DE PRODUCTOS.

• Introducción a los sistemas de recomendación.
• Sistemas de recomendación clásicos: “el carrito de compra”.
• Sistema de recomendación personalizados.
• Caso de uso real.

MÓDULO 15. 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).

BLOQUE 5. VISUALIZACIÓN Y COMUNICACIÓN EFECTIVA DE DATOS

Este bloque aborda las competencias necesarias para transformar datos en conocimiento comprensible y visualmente impactante. Se trabajan la herramienta líder en visualización que en estos momentos es Power BI, junto con técnicas de modelado de datos (DAX, Power Query) y buenas prácticas de diseño visual. Además, se introducen los principios del Data Storytelling, para estructurar narrativas visuales que comuniquen insights de forma clara, persuasiva y adaptada a la audiencia. El objetivo es capacitar al estudiante para construir informes y dashboards que no solo informen, sino que generen impacto y acción.

MÓDULO 16. VISUALIZACIÓN Y MODELADO DE DATOS CON POWERBI

• Visualizando datos con PowerBI.
• Conectando a orígenes de datos.
• PowerQuery: El lenguaje M.
• Modelando datos con DAX.
• Creando y publicando informes.

Fase Proyecto

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. Los tutores del proyecto son profesores especialistas en los temas a desarrollar en cada proyecto.