Máster Data Science con IA

Te familiarizarás con el entorno de aprendizaje y las herramientas de la plataforma, facilitando tu integración en la comunidad y el uso de los recursos a lo largo del máster.

¿Qué es el Data Science?
Comprenderás qué es la ciencia de datos y su importancia en el contexto actual. Al conocer la relevancia del Data Science, podrás apreciar cómo esta disciplina impacta en diversos sectores.
Evolución del Data Science
Explorarás cómo ha evolucionado la ciencia de datos a lo largo del tiempo. Tendrás una perspectiva amplia sobre la evolución tecnológica, lo que te permitirá entender mejor las tendencias futuras.
Palabras clave en Data Science
Diferenciarás entre conceptos clave como Inteligencia Artificial, Machine Learning y Data Science. Estarás preparado para utilizar estos términos correctamente en tus proyectos y en discusiones técnicas.
Introducción al Machine Learning
Aprenderás la diferencia entre algoritmos tradicionales y Machine Learning. Serás capaz de elegir los enfoques adecuados para cada problema, optimizando tus soluciones.
Metodología CRISP-DM
Conocerás la metodología más usada en proyectos de Data Science. Tendrás una guía clara y efectiva para estructurar tus futuros proyectos.
Ejemplos de la vida real
Estudiarás casos prácticos, como la optimización de precios y la segmentación de clientes. Comprenderás cómo aplicar el Data Science para resolver problemas reales, mejorando tu empleabilidad.
Perfil del Data Scientist
Conocerás las habilidades y herramientas que utilizan los Data Scientists en su día a día. Identificarás las competencias clave que necesitarás desarrollar para destacar en esta profesión.
Roles en Data Science
Descubrirás con quién colaboran los Data Scientists en un entorno laboral.Entenderás mejor la dinámica de trabajo en equipos multidisciplinares, mejorando tu capacidad de colaboración.

Introducción y setup
Configurarás tu entorno de programación y te familiarizarás con los conceptos básicos de Python para trabajar de manera eficiente. Manejarás diferentes tipos de datos como números, cadenas de texto y booleanos para manipular datos en Python, mejorando tus habilidades de codificación desde el inicio.
Control flow
Implementarás estructuras condicionales y bucles para controlar el flujo de tu código. Podrás automatizar tareas y crear scripts más eficientes.
Data structures
Trabajarás con listas, tuplas, diccionarios y conjuntos para organizar y manipular datos. Tendrás las habilidades necesarias para trabajar con datos estructurados, fundamentales en proyectos de Data Science.
Manejo de errores, funciones y librerías
Aprenderás a manejar errores y usar funciones y librerías, mejorando la modularidad y escalabilidad de tu código. Escribirás código más potente y reutilizable, reduciendo el tiempo necesario para corregir posibles errores.

DS Setup
Aprenderás a trabajar con grandes volúmenes de datos de manera eficiente y a configurar entornos de trabajo como Google Colab. Gestiona librerías y entornos en IDEs como VSCode. Estarás preparado para trabajar en modelos de desarrollo profesionales, facilitando la transición al mundo laboral.
Numpy
Crearás y manipularás arrays de gran tamaño y eficiencia para gestionar grandes volúmenes de datos. Podrás realizar cálculos y manipulaciones de datos con mayor velocidad y precisión.
Pandas
Trabajarás con DataFrames, seleccionando y filtrando datos, tratando valores faltantes y duplicados. Optimizarás tus habilidades de análisis de datos, permitiéndote preparar datasets para su análisis.
Matplotlib & Seaborn
Aprenderás a utilizar dos de las bibliotecas más potentes para la visualización de datos en Python: Matplotlib y Seaborn. A través de este módulo, desarrollarás las habilidades necesarias para crear gráficos informativos y visualmente atractivos que te permitan comunicar eficazmente los resultados de tus análisis de datos.
Panda Profiling
Descubrirás cómo usar esta herramienta para generar perfiles completos de un conjunto de datos, que incluyen estadísticas descriptivas y gráficos visuales que resumen la distribución y las relaciones entre las variables. Podrás realizar un análisis exploratorio de datos de manera automatizada y rápida, lo que te permitirá detectar problemas como valores faltantes, duplicados o distribuciones anómalas con facilidad.
PandasAI
Entrarás en PandasAI, una extensión avanzada de Pandas que utiliza Inteligencia Artificial para obtener insights automáticamente a partir de los datos. Esta herramienta te permitirá automatizar la generación de ideas y análisis a partir de los datos, acelerando la creación de proyectos de ciencia de datos con insights valiosos y accionables.

Probabilidad
Entenderás los conceptos fundamentales de probabilidad y su relevancia en la ciencia de datos, especialmente en la validación de modelos. Te permitirá calcular la precisión, recall y accuracy de modelos predictivos, mejorando la capacidad para interpretar y evaluar tu rendimiento.
Estadística
Este módulo te guiará en los conceptos estadísticos fundamentales esenciales para cualquier análisis de datos. Te ayudará a estructurar mejor tus estudios y análisis de datos, además de a modelar adecuadamente la variabilidad inherente en los datos. Podrás medir y comunicar de manera efectiva la dispersión y distribución de tus datos.
Medidas de similitud
Te familiarizarás con diferentes métodos para medir la similitud entre conjuntos de datos. Estas métricas son esenciales para identificar relaciones entre variables.

Introducción y Setup
Inicia tu dominio de las bases de datos relacionales comprendiendo los principios básicos de SQL y sus tipos de datos. Configurarás tu propia base de datos local, un paso esencial para construir y gestionar sistemas de información que potenciarán tu perfil profesional en el ámbito de la ciencia de datos.
SQL basics
Te iniciarás en las consultas SQL básicas para extraer y manipular datos de bases de datos relacionales, aprendiendo a escribir dichas consultas para obtener datos. Desarrollarás una habilidad crucial para trabajar con grandes volúmenes de datos de manera eficiente.
Bases de Datos
Desarrollarás habilidades avanzadas en el diseño y administración de bases de datos. Aprenderás a optimizar el almacenamiento y asegurar la integridad de los datos, capacidades críticas que te diferenciarán en el mercado laboral tecnológico.
Advanced SQL
Ampliarás tus conocimientos en SQL mediante consultas avanzadas y participación en competiciones de análisis de datos para mejorar tu rapidez y precisión en la manipulación de grandes datasets.
Conectando Python a DB
Aprenderás a integrar Python con bases de datos para automatizar la recopilación y análisis de datos. Esta habilidad es crucial para implementar soluciones de análisis de datos que mejoran la toma de decisiones y ofrecen ventajas competitivas en diversas industrias.

Data formats
Aprenderás cómo estructurar, almacenar y gestionar grandes cantidades de datos a través de sistemas de almacenamiento de datos. Explora JSON, CSV, Parquet, y otros formatos usados para optimizar la gestión de datos en proyectos a gran escala.
Tipos de bases de datos
Aprenderás a diseñar y trabajar con bases de datos relacionales, lo que te facilitará su organización y acceso rápido.
Relational Databases
Dominarás la estructuración de bases de datos relacionales a través de ejercicios prácticos de definición de esquemas. Este conocimiento es fundamental para diseñar almacenes de datos eficientes que faciliten el análisis avanzado y la generación de insights valiosos.
ETL (Extract, Transform, Load)
Desarrollarás habilidades para extraer, transformar y cargar datos desde diferentes fuentes. Eso te permitirá integrar y preparar datos para proyectos de análisis de gran escala.

Visualization
Te especializarás en la visualización de datos usando herramientas como Tableau y PowerBI, aprendiendo a comunicar de manera efectiva los resultados de tus análisis. Configurarás estas herramientas para crear informes dinámicos, creando visualizaciones profesionales que faciliten la toma de decisiones basada en datos.

Overview
Aprenderás los conceptos fundamentales del aprendizaje automático (machine learning) y su aplicación. Te familiarizarás con sus conceptos básicos para entender cómo estructurar un proyecto dentro de ese ámbito desde cero.

Este módulo te permitirá realizar análisis exploratorios de datos (EDA). Aprenderás a limpiar, transformar y estructurar datasets para análisis más efectivo. Mejorarás la calidad de los datos que utilizarás en modelos predictivos.

Definición
Entenderás los conceptos fundamentales de la clasificación, incluyendo cómo funcionan esos modelos y en qué contextos se aplican. Aprenderás qué es la clasificación y cuándo es adecuado utilizarla en tus proyectos.
Algoritmos
Conocerás los principales algoritmos de clasificación y aprenderás a implementarlos y entrenarlos con conjuntos de datos. Experimenta con diferentes algoritmos para entender cuál se adapta mejor al data.
Métricas de evaluación
Entenderás cómo seleccionar y aplicar las métricas más adecuadas para evaluar el rendimiento de los modelos de clasificación. Serás capaz de evaluar con precisión qué tan bien está funcionando tu modelo y cómo mejorarlo.

Descripción
Aprenderás a construir y evaluar modelos de regresión, una técnica esencial en Machine Learning que se utiliza para predecir valores continuos. Comprende los fundamentos de la regresión, sus aplicaciones y en qué se diferencia de la clasificación. El objetivo es que sepas interpretar la predicción de precios, ventas o cualquier valor continuo beneficioso para un proyecto.
Algoritmos
Estudiarás e implementarás los algoritmos más utilizados en este ámbito para ser capaz de elegir e implementar el algoritmo de regresión que mejor se adapte a tu caso, optimizando las predicciones.
Métricas de evaluación
Descubrirás cómo interpretar y aplicar estas métricas para determinar la precisión de tus predicciones. El objetivo es que seas capaz de evaluar si tus modelos de regresión son precisos y cómo mejorarlos para minimizar los errores de predicción.

Definición
El módulo de Clustering te enseñará a identificar grupos o patrones. Aprenderás sus aplicaciones y cuándo es adecuado utilizarlo para tu estrategia de Data Science.
Algoritmos
Practicarás con diferentes algoritmos de clustering, adaptando cada uno a los conjuntos de datos. Serás capaz de seleccionar el algoritmo más adecuado según la naturaleza de los datos, optimizando la detección de grupos y patrones.
Métricas de evaluación
Descubrirás cómo utilizar estas métricas para determinar si los grupos formados por el algoritmo son coherentes y representativos. Podrás medir y optimizar el rendimiento de los modelos de clustering, asegurando que los patrones detectados sean relevantes y útiles para la toma de decisiones. Las métricas de evaluación te permitirán validar la calidad de los grupos detectados, mejorando la precisión de tus análisis.

Este módulo te preparará para analizar y predecir series temporales utilizando modelos especializados. Podrás predecir eventos futuros basados en datos históricos con el objetivo de mejorar tu capacidad para hacer predicciones precisas a largo plazo.

Aprenderás a interpretar los resultados de los modelos de Machine Learning, asegurándote de que sean comprensibles y justificados.

Multilayer Perceptron (MLP)
Aprenderás los fundamentos de las redes neuronales multicapa (MLP) y cómo implementarlas manualmente y con código automatizado, profundizando en el ajuste de hiperparámetros para optimizar el rendimiento de los modelos.
Deep Learning Context
Te sumergirás en las diferencias entre aprendizaje supervisado, no supervisado y las distintas arquitecturas que se utilizan en Deep Learning. Serás capaz de preparar y organizar los datos de manera más eficiente para el entrenamiento de modelos.
Attention/Transformers/Auto-regressive/ChatGPT
Profundizarás en los modelos de atención y transformers, aprendiendo cómo funcionan modelos avanzados como GPT. Podrás entender y aplicar los conceptos detrás de los modelos generativos modernos. Aprende a entrenar un modelo GPT para generar texto de manera efectiva y dominar una de las técnicas más avanzadas en procesamiento de lenguaje, acelerando el desarrollo de proyectos y aprovechando modelos preentrenados para obtener resultados más rápidos.
Fine-tuning
Aprenderás a ajustar modelos preentrenados a tareas específicas, optimizando su rendimiento para contextos concretos de forma que se adapten a las necesidades de tus proyectos.
Prompting
Aprenderás a utilizar prompting y trucos para maximizar el rendimiento de los modelos de lenguaje, mejorando su desempeño en tareas específicas.
Retrieval Augmented Generation (RAG)
Te familiarizarás con RAG, una técnica que combina la generación de texto con la búsqueda de información relevante. Podrás mejorar la precisión y relevancia de las respuestas generadas por los modelos de lenguaje.
Diffusion
Aprenderás cómo funcionan los modelos de difusión, utilizados en la generación de imágenes y otros tipos de datos. Perfeccionarás el uso de prompts para generar contenido de alta calidad.
Reinforcement Learning
Explorarás el aprendizaje por refuerzo (reinforcement learning) y cómo se utiliza para tomar decisiones secuenciales en entornos dinámicos. Además, descubrirás de qué manera la Inteligencia Artificial puede mejorar este proceso.

From Colab to Docker
Aprenderás cómo migrar tus proyectos desde Google Colab a entornos Docker, lo que te permitirá escalar y gestionar de manera eficiente los modelos en producción, llevando tus proyectos de aprendizaje automático a entornos productivos de manera rápida y eficiente, mejorando la portabilidad y la colaboración en equipo.
From Docker to Replicate
Te familiarizarás con Replicate, una herramienta que permite versionar y desplegar modelos de manera sencilla desde Docker. Podrás mantener un control de versiones claro y efectivo sobre tus modelos, lo que es esencial para trabajar en entornos colaborativos y garantizar la reproducibilidad de tus resultados.
AI Orchestration
Sabrás cómo coordinar modelos de IA en un entorno productivo, asegurando que diferentes componentes trabajen juntos de manera sincronizada y eficiente. El objetivo es mejorar la escalabilidad y eficiencia de tus sistemas de IA, asegurando que los modelos puedan ejecutarse a gran escala sin problemas de rendimiento.
Tool for easy Orchestration
Aprenderás a utilizar, de forma sencilla, herramientas que facilitan la orquestación de modelos de IA, reduciendo la complejidad en la gestión de proyectos a gran escala. Podrás automatizar tareas complejas en proyectos de Inteligencia Artificial, mejorando tu rendimiento y eficiencia operativa.

A lo largo de esta formación, tendrás la oportunidad de asistir a masterclasses impartidas por expertos en activo del sector. Estos profesionales compartirán su experiencia y conocimientos prácticos en temas clave como la innovación tecnológica, aplicaciones reales de modelos de IA y tendencias actuales dentro del sector del Data Science.

Desarrolla una estrategia de Data Science con Inteligencia Artificial que te ayude a dar forma a toda la teoría aprendida para que puedas aplicar todo tu conocimiento a un proyecto.