Máster Data Science con IA

Introducción al Data Science
Comprenderás una visión integral del campo del Data Science, desde sus fundamentos hasta sus aplicaciones prácticas. Comienza con una introducción al concepto y evolución del Data Science, abordando términos clave como Inteligencia Artificial, Machine Learning, Big Data y Data Analytics. Se exploran los tipos de algoritmos de aprendizaje automático, la metodología CRISP-DM para estructurar proyectos, y se presentan casos reales como la optimización de precios y la segmentación de clientes.

Data Thinking I
Descubrirás qué es el pensamiento analítico aplicado al mundo de los datos y cómo utilizarlo para generar valor en proyectos reales. A través de casos prácticos, aprenderás a identificar los distintos tipos de análisis dentro del machine learning y a desarrollar una mentalidad orientada a la toma de decisiones basada en datos.

Introducción a Python
Aprenderás a programar desde cero utilizando Python, comprendiendo cómo funciona el código y cómo se interpreta. Explorarás Google Colab como entorno de desarrollo para escribir, ejecutar y compartir tus scripts de forma sencilla. Crearás variables, trabajarás con distintos tipos de datos y aplicarás funciones básicas para interactuar con el usuario.

Control flow
Aprenderás a controlar el flujo en Python utilizando estructuras condicionales y bucles. Verás cómo tomar decisiones dentro del código con condicionales simples y avanzadas, combinando operadores y expresiones ternarias para crear estructuras más eficientes.

Estructuras de datos
Explorarás las principales estructuras de datos en Pythony su aplicación en el análisis eficiente de la información. Trabajarás con listas, diccionarios, tuplas y conjuntos, comprendiendo cuándo utilizar cada una según el contexto y optimizando el rendimiento de tus programas en proyectos.

Manejo de errores, funciones y librerías
Aprenderás a gestionar errores mediante excepciones, a crear funciones modulares para organizar tus scripts y a integrar librerías externas especializadas para ampliar las capacidades de tus proyectos de análisis de datos.

MNumPy
Conocerás el funcionamiento de NumPy, la librería fundamental para el cálculo numérico en Python. Aprenderás a trabajar con arrays multidimensionales, realizar operaciones vectorizadas de alto rendimiento y aplicar funciones matemáticas avanzadas para optimizar grandes volúmenes de datos.

Pandas
Aprenderás a manipular, transformar y analizar conjuntos de datos con Pandas, la librería clave en Data Science. Dominarás estructuras como DataFrames y Series, realizarás operaciones de limpieza, filtrado y agrupación, y prepararás datos para su análisis exploratorio o modelado predictivo.

Matplotlib & Seaborn
Descubrirás cómo visualizar datos de forma clara y efectiva mediante las librerías Matplotlib y Seaborn. Crearás gráficos personalizados que te permitirán interpretar patrones, tendencias y relaciones en los datos, y aprenderás a elegir el tipo de visualización más adecuado.

Pandas profiling
Explorarás cómo generar análisis exploratorios automatizados con Pandas Profiling para obtener una visión rápida y detallada de tus datasets. Identificarás valores atípicos, datos faltantes, correlaciones y estadísticas clave que te ayudarán a tomar decisiones informadas en las etapas iniciales .

PandasAI
Conocerás cómo integrar inteligencia artificial generativa en tus análisis de datos. Aprenderás a realizar consultas en lenguaje natural sobre tus datasets, automatizar insights complejos y potenciar tus análisis sin necesidad de escribir código extenso.

Ecosistema de Anaconda
Descubrirás cómo Anaconda simplifica la gestión del entorno de trabajo en Data Science. Aprenderás a crear entornos virtuales, administrar librerías y optimizar flujos de desarrollo.

Automatización de proyectos en Python
Dominarás la automatización de tareas repetitivas con Python. Aprenderás a estructurar scripts eficientes, manejar flujos de trabajo y programar ejecuciones automáticas. Potenciarás tu productividad al integrar tus procesos con fuentes de datos, APIs y sistemas empresariales de forma ágil y segura.

Web Scraping
Explorarás cómo extraer información valiosa desde sitios web de forma automatizada. Aprenderás técnicas éticas y eficientes de Web Scraping para recopilar, limpiar y estructurar datos. Conocerás estrategias de parsing y almacenamiento que impulsan proyectos de análisis y Machine Learning.

Ecosistema de Python: scripts, terminal y scheduler
Aprenderás a dominar el ecosistema Python desde la terminal. Descubrirás cómo crear scripts modulares, gestionar ejecuciones programadas con schedulers y optimizar pipelines automatizados.

Cálculo en Data Science
Aprenderás a comprender y aplicar funciones matemáticas fundamentales para el
análisis de datos. Verás cómo se definen y utilizan distintos tipos de funciones
—lineales, cuadráticas, exponenciales, logarítmicas y aleatorias— para modelar
fenómenos reales como precios, temperaturas o crecimiento poblacional. Estudiarás
conceptos clave como variables independientes y dependientes, dominio, intervalos,
monotonía y extremos, y aprenderás a interpretarlos gráficamente. A través de
casos prácticos, analizarás el comportamiento de funciones específicas y su utilidad
en contextos científicos y económicos. Además, entenderás cómo el tamaño de los
datos y las variables afecta al rendimiento de los programas, y descubrirás
estrategias para optimizar el uso de recursos al trabajar con grandes volúmenes de
información.

Álgebra en Data Science
Aprenderás a trabajar con vectores y matrices, dos estructuras fundamentales para
representar y analizar datos en ciencia de datos. Verás cómo los vectores permiten modelar
relaciones complejas en espacios geométricos y cómo se aplican en contextos como
navegación, procesamiento de señales o embeddings de palabras. Explorarás las
propiedades y operaciones básicas de las matrices, como suma, multiplicación y
transposición, y entenderás su utilidad en el análisis de datos estructurados. También
aprenderás a representar estas estructuras en Python utilizando listas, diccionarios y arrays
de NumPy, comparando sus ventajas y limitaciones.

Enunciado Taller de Python
Practicarás los fundamentos esenciales de Python aplicados a retos reales de Data Science. Aprenderás a resolver problemas paso a paso, desarrollar scripts eficientes y mejorar tu lógica de programación. Fortalecerás tu dominio del lenguaje mediante ejercicios guiados y feedback continuo.

Soluciones Taller de Python
Analizarás en detalle las soluciones de los ejercicios del taller para consolidar tus conocimientos. Comprenderás distintas estrategias de resolución, buenas prácticas y optimización del código. Aprenderás a evaluar tu propio trabajo con una mentalidad analítica y orientada a la mejora continua.

Probabilidad
Aprenderás los fundamentos de la probabilidad y su aplicación en el análisis de datos e interpretación de modelos. Comenzarás entendiendo cómo calcular probabilidades básicas y condicionadas para cuantificar la incertidumbre en eventos aleatorios.

Estadística
Explorarás los conceptos fundamentales de la estadística y cómo aplicarlos para analizar, interpretar y comunicar datos de forma rigurosa. Entenderás qué es una población, qué es una muestra y cómo seleccionar datos de forma representativa para evitar sesgos.

Medidas de similitud
Descubrirás cómo medir la relación entre variables y comparar datos de forma cuantitativa, una habilidad clave en análisis exploratorio y machine learning. Comenzarás con las correlaciones de Pearson y Spearman para identificar relaciones lineales y monotónicas.

Introducción y setup
Conocerás los fundamentos de SQL y prepararás tu entorno para comenzar a gestionar bases de datos. Aprenderás a conectarte a bases de datos locales o en la nube, y entender la estructura relacional que permite organizar y consultar grandes volúmenes de información de forma eficiente.

Base de datos relacional
Aprenderás cómo se estructuran, almacenan y relacionan los datos dentro de una base de datos relacional. Profundizarás en conceptos clave como tablas, claves primarias y foráneas, esquemas y relaciones, sentando las bases para diseñar estructuras para su análisis posterior.

SQL básicos
Descubrirás cómo realizar consultas fundamentales en bases de datos utilizando SQL. Aprenderás a seleccionar, filtrar y ordenar datos con sentencias como SELECT, WHERE, ORDER BY y LIMIT.

SQL avanzado
Explorarás técnicas avanzadas de consulta para manipular y analizar datos de forma más potente y precisa. Dominarás subconsultas, uniones (JOIN), funciones agregadas, expresiones condicionales y vistas.

Conectando Python a DB
Identificarás cómo establecer conexiones entre Python y bases de datos para automatizar consultas y análisis de datos. Aprenderás a utilizar librerías para ejecutar sentencias SQL desde tus scripts, integrar resultados en tus flujos de trabajo y construir pipelines de análisis más eficientes.

Enunciado
Revisarás y aplicarás de forma práctica los conocimientos adquiridos a lo largo del máster, con casos integradores que combinan análisis, programación y visualización. Aprenderás a plantear soluciones completas, estructuradas y Data-driven en entornos profesionales reales.

Soluciones
Explorarás las soluciones detalladas del taller para afianzar conceptos clave y mejorar tu razonamiento analítico. Comprenderás distintas aproximaciones a un mismo problema, identificarás buenas prácticas y aprenderás a optimizar tus resultados en proyectos de Data Science complejos.

Enunciado
Aplicarás tus conocimientos de Python y SQL en un entorno Business Analytics real. Resolverás desafíos que combinan análisis de datos, métricas empresariales y toma de decisiones. Aprenderás a diseñar soluciones basadas en datos que generen impacto tangible en la estrategia corporativa.

Soluciones
Analizarás paso a paso las soluciones del taller para comprender cómo integrar Python y SQL en proyectos analíticos. Descubrirás enfoques eficientes, buenas prácticas y técnicas de optimización que potencian el valor del análisis de datos en entornos de negocio reales.

Tipos de bases de datos
Comprenderás las diferencias entre los principales tipos de bases de datos y su aplicación en entornos analíticos. Analizarás bases de datos relacionales, NoSQL, orientadas a columnas y en la nube, evaluando sus ventajas según el volumen, la velocidad y la variedad de los datos que se desean almacenar y procesar.

Data Warehousing
Comprenderás qué es un Data Warehouse y por qué es una pieza clave en la estrategia de datos de cualquier empresa. Verás cómo se diferencia de otras soluciones como los Data Lakes y aprenderás a identificar cuándo conviene usar uno u otro. Profundizarás en su arquitectura técnica y funcional, explorando sus componentes principales y cómo se integran para facilitar la toma de decisiones basada en datos.

Modelización de datos
Desarrollarás la capacidad de diseñar modelos de datos eficientes y escalables, fundamentales para estructurar la información en cualquier sistema analítico o transaccional. Comenzarás entendiendo los principios de la teoría relacional, incluyendo las reglas ACID, los tipos de relaciones entre entidades (1:1, 1:N, N:M) y el uso de claves primarias y foráneas. Aprenderás a construir modelos paso a paso, desde la identificación de requisitos hasta su implementación física.

ETL (Extract, Transform & Load)
Aprenderás a diseñar y entender procesos de integración de datos mediante las arquitecturas ETL y ELT, fundamentales para alimentar sistemas analíticos y Data Warehouses. Verás las diferencias entre ambos enfoques y cuándo conviene aplicar cada uno según el volumen de datos, los costes y el entorno tecnológico . Descubrirás cómo extraer datos desde múltiples fuentes, cargarlos en sistemas de almacenamiento para que sean útiles en la toma de decisiones.

Cloud
Conocerás los principales servicios en la nube utilizados para el almacenamiento, procesamiento y análisis de datos a gran escala. Conocerás plataformas como AWS, Google Cloud y Azure, explorando soluciones como BigQuery o Redshift, y comprendiendo cómo escalar tus proyectos de Data Science.

Data Warehousing recap & Deep Dive
Descubrirás los fundamentos del Data Warehousing y profundiza en su arquitectura avanzada. Comprenderás cómo diseñar entornos escalables, optimizar consultas y estructurar datos para análisis masivos.

Herramientas de ETL
Dominarás los procesos de extracción, transformación y carga de datos. Aprenderás a diseñar pipelines eficientes, automatizar tareas repetitivas y garantizar la calidad del dato, asegurando flujos consistentes que alimenten sistemas analíticos y modelos de Machine Learning con precisión.

Integración con GenAI
Explorarás cómo la Generative AI revoluciona la ingeniería de datos. Aprenderás a conectar modelos generativos con flujos de información, optimizar procesos de integración y potenciar la toma de decisiones mediante la combinación de automatización, datos y capacidades cognitivas avanzadas.

LinkedIn de un Data Scientist
Aprenderás a construir un perfil de LinkedIn profesional y atractivo orientado al mundo del Data Science. Descubrirás cómo comunicar tus proyectos, habilidades y logros para destacar ante recruiters, potenciar tu marca personal y generar oportunidades laborales en el entorno digital.

Introducción a Tableau
Aprenderás a utilizar Tableau como herramienta clave para transformar datos en visualizaciones interactivas y comprensibles. Te familiarizarás con la interfaz, la conexión a fuentes de datos y la creación de visualizaciones básicas, sentando las bases para construir dashboards dinámicos.

Filtros
Descubrirás cómo aplicar y personalizar filtros en Tableau para segmentar, explorar y analizar datos de forma dinámica. Aprenderás a utilizar filtros a nivel de hoja, dashboard y fuente de datos, así como a crear filtros contextuales e interactivos según las necesidades analíticas del usuario.

Cálculos avanzados
Explorarás técnicas de cálculo en Tableau para crear visualizaciones más potentes, dinámicas y orientadas a análisis profundo. Aprenderás a trabajar con cálculos de tabla, campos calculados, funciones lógicas y expresiones
personalizadas.

Gráficos avanzados
Aprenderás a construir visualizaciones complejas en Tableau que permiten representar relaciones, comparaciones y patrones con alto impacto visual. Dominarás gráficos como dispersión, mapas, gráficos combinados, gráficos de Gantt y bullet charts.

Dashboards
Aprenderás a diseñar dashboards profesionales que integren múltiples visualizaciones en una experiencia analítica unificada y funcional. Explorarás principios de diseño visual, interactividad, jerarquía informativa y navegación, creando paneles adaptados a diferentes audiencias y objetivos de negocio.

PowerBI
Aprende a transformar datos complejos en dashboards claros y atractivos con Power BI. Descubrirás cómo conectar múltiples fuentes, crear visualizaciones interactivas y comunicar insights de negocio de forma efectiva para apoyar decisiones estratégicas en tiempo real.

Exploración de datos usando Tableau
Descubrirás cómo transformar datos en insights visuales con Tableau. Aprenderás a explorar, filtrar y representar información de forma dinámica e interactiva. Comprenderás cómo crear dashboards efectivos que faciliten la toma de decisiones y comuniquen historias basadas en datos.

Estándares de visualización
Aprenderás los principios clave del Data Visualization profesional. Conocerás buenas prácticas de diseño, elección de gráficos y narrativa visual. Descubrirás cómo aplicar estándares que aseguran claridad, precisión y coherencia en la comunicación visual de resultados analíticos.

Enunciado
Aplicarás todo lo aprendido diseñando un entorno completo de Data Warehousing y visualización. Construirás un flujo de datos real, desde la extracción hasta la presentación, implementando modelos analíticos y dashboards que respondan a necesidades estratégicas concretas de negocio.

Soluciones
Aprenderás a plantear, documentar y resolver los retos del taller paso a paso. Analizarás cómo se estructuró el proceso, las decisiones técnicas tomadas y las métricas utilizadas, extrayendo conclusiones clave para mejorar la eficiencia y calidad de tus futuros proyectos..

Introducción
Descubrirás los fundamentos del Machine Learning y su papel dentro del ecosistema del Data Science. Conocerás los principales tipos de aprendizaje, los algoritmos más utilizados y el proceso completo de construcción de modelos.

EDA & Data preprocessing
Explorarás técnicas clave de análisis exploratorio y preparación de datos para garantizar la calidad y relevancia del dataset antes del modelado. Aprenderás a detectar valores atípicos, gestionar datos faltantes, transformar variables y normalizar información, utilizando Python.

Enunciado
Aplicarás tus conocimientos en limpieza y transformación de datos con ejercicios prácticos basados en escenarios reales. Aprenderás a detectar errores, tratar valores ausentes y estandarizar información. Desarrollará flujos eficientes que preparen los datos para el análisis y modelado.

Soluciones
Aprenderás a explorar y preparar datos antes del modelado para garantizar la calidad y relevancia del dataset. Detectarás outliers, tratarás datos faltantes, transformarás variables y normalizarás información para construir modelos predictivos sólidos usando Python.

Definición
Comprenderás en qué consiste la tarea de clasificación dentro del Machine Learning y cómo se aplica en distintos contextos reales. Analizarás casos de uso comunes, como la detección de fraude o la segmentación de clientes, y
conocerás las características que diferencian la clasificación binaria, multiclase y multilabel.

Algoritmos básicos
Aprenderás a implementar los algoritmos de clasificación más utilizados en Machine Learning. Trabajarás con modelos como K-Nearest Neighbors, Regresión Logística y Árboles de Decisión, entendiendo su lógica, ventajas y limitaciones, y aplicándolos con Python.

Algoritmos avanzados
Descubrirás algoritmos avanzados de clasificación que mejoran la precisión y capacidad predictiva en escenarios complejos. Aprenderás a trabajar con modelos como Random Forest, Gradient Boosting y Support Vector Machines, profundizando en su funcionamiento interno, ajuste de hiperparámetros y aplicación práctica con conjuntos de datos reales.

Métricas de evaluación
Aprenderás a evaluar el rendimiento de modelos de clasificación mediante un enfoque teórico y práctico. Comenzarás explorando las funciones de pérdida más utilizadas entendiendo cómo influyen en la optimización del modelo y cómo aplicarlas con Scikit-Learn.

Definición
Comprenderás qué es la regresión en Machine Learning y cómo se utiliza para predecir valores continuos a partir de datos históricos. Analizarás casos de uso como la predicción de precios, demanda o ingresos, y conocerás las
diferencias entre regresión lineal, múltiple y no lineal.

Algoritmos básicos
Aprenderás a aplicar los principales algoritmos de regresión utilizados en problemas de predicción numérica. Trabajarás con modelos como la Regresión Lineal Simple y Múltiple, k-Nearest Neighbors y Árboles de Decisión, comprendiendo su lógica, interpretación y aplicación práctica con Python.

Algoritmos avanzados
Explorarás algoritmos avanzados de regresión que mejoran la precisión predictiva en entornos complejos y con grandes volúmenes de datos. Aprenderás a implementar modelos como Random Forest, Gradient Boosting y Support Vector Regression, dominando técnicas de ajuste y evaluación para resolver desafíos reales con mayor robustez.

Métricas de evaluación
Evaluaras y optimizaras modelos de regresión mediante un enfoque práctico y riguroso. Comenzarás con el estudio de las funciones de pérdida más comunes, como el error
cuadrático medio (MSE) y el error absoluto medio (MAE), comprendiendo su impacto en la sensibilidad a outliers y su relación con el ajuste del modelo, junto con el coeficiente de
determinación (R²). A través de ejemplos prácticos, aplicarás estas métricas para interpretar el rendimiento de modelos de regresión lineal.

Definición
Aprenderás qué son las series temporales y cómo analizar datos que cambian en el tiempo. Identificarás sus componentes clave —tendencia, estacionalidad, ciclo y ruido— y aplicarás en predicciones, monitoreo o detección de anomalías.

Algoritmos básicos
Modela y predice datos secuenciales con algoritmos clave como Media Móvil, Suavizado Exponencial y ARIMA. Aprende a detectar patrones temporales y ajustar parámetros para mejorar la precisión de tus predicciones.

Algoritmos avanzados
Explorarás modelos avanzados para abordar problemas complejos de predicción temporal con mayor precisión y adaptabilidad con modelos como SARIMA, Prophet, XGBoost y LSTM, integrando múltiples variables, estacionalidades y tendencias no lineales.

Introducción al clustering
Descubrirás los fundamentos del clustering como técnica de aprendizaje no supervisado para agrupar datos sin etiquetas previas. Comprenderás su utilidad en la segmentación de clientes, detección de patrones y reducción de complejidad, y explorarás los primeros pasos del proceso.

Algoritmos clustering
Aprenderás a implementar los principales algoritmos de clustering para descubrir estructuras ocultas en los datos. Trabajarás con métodos como K-Means, DBSCAN y Clustering Jerárquico, entendiendo sus diferencias, parámetros clave y aplicaciones prácticas.

Reducción de dimensionalidad
Explorarás técnicas de reducción de dimensionalidad para simplificar conjuntos de datos complejos manteniendo su estructura esencial. Aprenderás a aplicar métodos como PCA y t-SNE para visualizar datos en 2D o 3D, eliminar redundancias y mejorar el rendimiento de modelos.

Evaluación
Evaluarás la calidad de tus clusters con métricas como silueta, inercia, Davies-Bouldin y varianza explicada. Aprenderás a validar coherencia y separación entre grupos sin etiquetas previas.

Casos de uso
Conocerás aplicaciones reales del aprendizaje no supervisado en distintos sectores y contextos de negocio. Analizarás cómo se utilizan técnicas como el clustering y la reducción de dimensionalidad en segmentación de clientes,
detección de anomalías, análisis de comportamiento y optimización de procesos.

Taller de Machine Learning
En este taller práctico de Machine Learning, trabajarás con cuatro tipos de problemas clave:
clasificación, regresión, clustering y series temporales. Cada ejercicio será planteado por el profesor, quien te guiará con consejos y estrategias para que puedas resolverlo de forma
autónoma utilizando datos reales de distintos ámbitos.

Introducción a la explicabilidad
Comprenderás la importancia de la explicabilidad en modelos de inteligencia artificial y su rol en entornos críticos y regulados. Analizarás la diferencia entre modelos interpretables y modelos caja negra, y descubrirás por qué la transparencia, la confianza y la trazabilidad son claves para aplicar soluciones de IA en contextos reales.

Explicabilidad global
Conocerás las técnicas que permiten interpretar el comportamiento general de modelos complejos de Machine Learning. Aprenderás a utilizar herramientas como SHAP, LIME y análisis de importancia de variables para entender cómo cada feature influye en las predicciones del modelo.

Explicabilidad local
Explorarás técnicas de explicabilidad local que permiten entender por qué un modelo ha tomado una decisión específica en un caso concreto. Aprenderás a aplicar herramientas para analizar predicciones individuales, visualizando el peso de cada variable.

Explicabilidad agrupada
Aprenderás a interpretar modelos de Machine Learning a nivel de grupos o segmentos específicos de datos. Utilizarás técnicas que permiten analizar patrones de comportamiento comunes dentro de clústeres, perfiles de usuario u otras agrupaciones relevantes.

Explicabilidad + GenAI
Descubrirás cómo aplicar principios de explicabilidad en modelos de inteligencia artificial generativa (GenAI). Aprenderás a interpretar outputs generados por modelos como LLMs y sistemas de generación de imágenes o texto.

Introducción al Deep Learning
Comprenderás los fundamentos del Deep Learning y cómo se diferencia del Machine Learning tradicional. Estudiarás el funcionamiento de las redes neuronales artificiales, sus componentes clave y su capacidad para aprender representaciones complejas.

Fundamentos de redes neuronales
Aprenderás la estructura y el funcionamiento interno de las redes neuronales artificiales, base del Deep Learning. Explorarás conceptos como neuronas, capas, funciones de activación, propagación hacia adelante y retropropagación.

Computer Vision
Descubrirás cómo aplicar técnicas de Deep Learning al procesamiento y análisis de imágenes. Aprenderás a utilizar redes convolucionales (CNNs) para tareas como clasificación, detección de objetos y segmentación.

Datos Secuenciales
Explorarás cómo tratar datos que tienen un orden temporal o secuencial utilizando modelos especializados de Deep Learning. Aprenderás a trabajar con redes neuronales recurrentes (RNN), LSTM y GRU para tareas como predicción, análisis de texto o procesamiento de lenguaje natural.

Aprendizaje por transferencia
Conocerás cómo reutilizar modelos preentrenados para acelerar el desarrollo de soluciones de Deep Learning en distintos dominios. Aprenderás a aplicar técnicas de fine-tuning y feature extraction, seleccionando arquitecturas ya entrenadas en grandes datasets para adaptarlas a tareas específicas con menos datos y menor coste computacional.

Natural Language Processing avanzado
Dominarás las técnicas más avanzadas de procesamiento del lenguaje natural. Aprenderás a construir modelos que comprenden, generan y resumen texto, aplicando embeddings contextuales, transformers y arquitecturas modernas para resolver problemas reales en comunicación, análisis y automatización.

Visión por computador aplicada
Explorarás cómo entrenar modelos capaces de interpretar imágenes y videos. Comprenderás las arquitecturas más utilizadas en visión artificial, su implementación práctica y las aplicaciones que transforman sectores como la salud, la industria, el retail y la seguridad inteligente.

Embeddings
Descubrirás cómo los embeddings representan la información de manera vectorial para que los modelos comprendan el contexto y la similitud entre datos. Aprenderás a aplicarlos en texto, imágenes y recomendaciones, optimizando la precisión y eficiencia de tus modelos.

Introducción a los LLMs
Comprenderás qué son los Large Language Models (LLMs) y cómo están transformando la inteligencia artificial generativa. Estudiarás su arquitectura básica, cómo aprenden a partir de enormes volúmenes de texto y qué los diferencia de otros modelos de procesamiento de lenguaje.

Prompting
Dominarás las técnicas de prompting para interactuar de forma efectiva con modelos de lenguaje como ChatGPT. Aprenderás a redactar instrucciones claras y precisas, explorando enfoques como zero-shot, few-shot y chain of thought para adaptar los prompts a distintos niveles de complejidad. Verás cómo evaluar el rendimiento de los modelos con métricas como Perplexity, BLEU o ROUGE, y cómo mejorar la calidad de las respuestas ajustando el diseño de tus instrucciones.

Fine-tuning
Descubrirás cómo adaptar un Large Language Model a tareas o dominios específicos mediante técnicas de fine-tuning como LoRA. Aprenderás a entrenar modelos sobre nuevos contextos, mejorando su rendimiento en aplicaciones concretas.

RAG
Explorarás cómo combinar generación de lenguaje con recuperación de información para crear sistemas más precisos y actualizados. Aprenderás a implementar arquitecturas RAG que integran bases de datos o documentos externos en tiempo real.

Agentes
Conocerás el funcionamiento de los agentes inteligentes basados en LLMs y su capacidad para ejecutar tareas de forma autónoma. Aprenderás a diseñar agentes que combinan razonamiento, planificación y acceso a herramientas externas (como APIs o bases de datos).

Evaluación de LLMs
Medirás el rendimiento, la coherencia y la utilidad de modelos de lenguaje con métricas como BLEU, ROUGE y perplexity, además de evaluaciones humanas y benchmarks. Aprenderás a analizar errores y elegir el modelo adecuado según los objetivos del proyecto.

Vibe coding
Aprenderás a desarrollar soluciones con LLMs de forma creativa, ágil y experimental, combinando código, intuición y exploración libre. Esta asignatura te invita a salir del enfoque académico tradicional para experimentar con prompts, herramientas y pequeños proyectos personales, cultivando una relación fluida y natural con la inteligencia artificial generativa.

Text-to-speech
Descubrirás cómo transformar texto en voz natural utilizando modelos de inteligencia artificial generativa. Aprenderás a implementar soluciones de TTS explorando casos de uso en asistentes virtuales, accesibilidad, contenidos audiovisuales y automatización de tareas.

Recomendadores
Aprenderás a diseñar, construir y evaluar sistemas de recomendación que personalizan la experiencia del usuario a partir de datos históricos y de comportamiento. Explorarás los principales enfoques, desde filtrado colaborativo y sistemas basados en contenido hasta modelos híbridos y
algoritmos impulsados por deep learning.

Data Thinking II
Profundizarás en cómo pensar con datos a través de casos de uso concretos, entendiendo la importancia de cada etapa del proceso que has recorrido en el máster. Además, recibirás orientación clave para afrontar con éxito tu Trabajo Final de Máster (TFM), conectando todo lo aprendido con una visión estratégica y aplicada.

Montando tu repositorio
Aprenderás a estructurar y documentar tu proyecto final como un Data Scientist profesional. Descubrirás cómo organizar tu repositorio, aplicar buenas prácticas de versionado y comunicar tu trabajo de forma clara, visual y atractiva en plataformas colaborativas como GitHub.

Trabajo Final de Máster
Desarrollarás un proyecto completo de Data Science con IA, aplicando todo lo aprendido. Definirás una problemática real, analiza datos, modela soluciones y entrega resultados documentados y reproducibles. Este trabajo será tu carta de presentación para el mundo profesional y tu oportunidad para demostrar tu dominio técnico, capacidad analítica y enfoque estratégico.

Conviértete en un Data Scientist con un HR
Descubrirás qué valora realmente un perfil de Recursos Humanos al contratar un Data Scientist. Aprenderás a comunicar tus competencias técnicas y soft skills, estructurar tu CV y destacar en entrevistas mostrando tu potencial analítico y capacidad de impacto en negocio.

Conviértete en un Data Scientist con un DS
Aprenderás de la experiencia directa de un Data Scientist en activo. Comprenderás cómo abordar proyectos reales, colaborar en equipos multidisciplinares y desarrollar pensamiento analítico. Descubrirás qué diferencia a un profesional técnico sobresaliente dentro del ecosistema de datos actual.

De notebooks a scripts
Aprenderás a transformar tus experimentos y pruebas en notebooks de Jupyter en scripts de Python listos para producción. Descubrirás buenas prácticas para estructurar el código, gestionar dependencias con Python Environments y automatizar ejecuciones.

Serving
Aprenderás a desplegar modelos de machine learning en entornos reales utilizando herramientas modernas como Docker y FastAPI. Comenzarás entendiendo los fundamentos de Docker y cómo crear contenedores para encapsular tus modelos y sus dependencias, asegurando portabilidad y escalabilidad. Luego, verás cómo guardar y cargar modelos entrenados en Python, para su uso en producción. Y, te introducirás en el mundo de las APIs.

MLFlow
Conocerás MLflow como herramienta para gestionar el ciclo de vida completo de proyectos de Machine Learning. Aprenderás a realizar seguimiento de experimentos, registrar métricas, gestionar versiones de modelos y automatizar su despliegue, integrando buenas prácticas de reproducibilidad y colaboración en tus flujos de trabajo de ciencia de datos e inteligencia artificial.

Airflow
Aprenderás a orquestar y automatizar pipelines de datos y modelos utilizando Apache Airflow. Descubrirás cómo definir tareas dependientes mediante DAGs (Directed Acyclic Graphs), programar ejecuciones periódicas y monitorizar procesos complejos de forma visual.

AIRBNB
Explorarás un caso práctico completo de Análisis Exploratorio de Datos (EDA) utilizando un dataset real de Airbnb. Aprenderás a limpiar, transformar y visualizar los datos para descubrir patrones relevantes sobre precios, ubicaciones y comportamiento de los usuarios, aplicando técnicas estadísticas y gráficas que te prepararán para afrontar proyectos reales desde una perspectiva analítica sólida.

MultiAgentes
Analizarás un caso práctico de implementación de sistemas multiagente basados en LLMs para la resolución de tareas complejas. Aprenderás cómo orquestar múltiples agentes con funciones complementarias —como planificación, ejecución y verificación— en un flujo colaborativo, utilizando herramientas actuales y buenas prácticas para simular comportamientos autónomos con coordinación efectiva.

Datos satelitales
Trabajarás con un caso real de análisis de datos satelitales para extraer información geoespacial relevante. Aprenderás a acceder, procesar y visualizar imágenes obtenidas por satélites, aplicando técnicas de análisis multiespectral, detección de cambios y uso de coordenadas geográficas, con aplicaciones en sectores como el medioambiente, la agricultura o la planificación urbana.