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. Además, se profundiza en el perfil
profesional del data scientist y los distintos roles que conforman un equipo de ciencia de
datos.

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. Dominarás operaciones matemáticas, manipulación de
texto y expresiones lógicas esenciales para resolver problemas reales. Además,
utilizarás herramientas de inteligencia artificial como Gemini y ChatGPT para
mejorar tu productividad como programador, y construirás una base sólida que te
permitirá avanzar hacia el análisis de datos, machine learning y proyectos más
complejos.

Control flow
Aprenderás a controlar el flujo de tus programas en Python utilizando estructuras
condicionales y bucles. Verás cómo tomar decisiones dentro del código con
condicionales simples y avanzadas, combinando operadores lógicos y expresiones
ternarias para crear estructuras más eficientes. Dominarás el uso de
bucles for y while para ejecutar tareas repetitivas, y entenderás cómo aplicar
técnicas como break y continue para gestionar mejor la lógica de tu código.
Además, explorarás el uso avanzado de bucles anidados y trabajarás con
estructuras de múltiples dimensiones, lo que te permitirá automatizar procesos
complejos y escribir código más dinámico y adaptable.

Estructuras de datos
Explorarás las principales estructuras de datos en Python y 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 de Data Science.

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 el procesamiento de 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 según cada
objetivo analítico.

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
de un proyecto de Data Science.

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

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.

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, utilizando ejemplos prácticos del mundo real. Luego, aplicarás estos
conceptos para evaluar el rendimiento de modelos de clasificación, explorando
métricas clave como precisión, recall y accuracy.

Estadística
Exploraras los conceptos fundamentales de la estadística y cómo aplicarlos para analizar,
interpretar y comunicar datos de forma rigurosa. Comenzarás entendiendo qué es una
población, qué es una muestra y cómo seleccionar datos de forma representativa para
evitar sesgos. Verás qué son las variables aleatorias y cómo se comportan a través de
funciones de distribución y densidad. Estudiarás distintos tipos de distribuciones —uniforme,
exponencial y normal— y comprenderás su utilidad en el modelado de fenómenos reales.
Además, dominarás los principales parámetros estadísticos como la media, varianza,
desviación estándar, asimetría y curtosis, y aprenderás a utilizar herramientas gráficas
como percentiles, cuartiles, IQR y boxplots para visualizar y comparar distribuciones.

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.
Luego, te adentrarás en métricas de distancia como la similitud del coseno, la distancia
euclidiana, Manhattan y Mahalanobis, entendiendo cómo se aplican en contextos como
reconocimiento de patrones, sistemas de recomendación o análisis de clientes.

Introducción y setup
Conocerás los fundamentos de SQL y prepararás tu entorno de trabajo para
comenzar a gestionar bases de datos. Aprenderás a instalar las herramientas
necesarias, 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.

SQL: bases de datos
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 de datos coherentes y optimizadas 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, dominando las
operaciones esenciales para explorar y extraer información relevante de
conjuntos de datos estructurados.

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, aplicándolas en
escenarios reales para extraer insights complejos de bases de datos
relacionales.

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.

Business Analytics con Python y SQL
Explorarás cómo combinar SQL y Python para resolver preguntas clave de negocio
a partir de los datos. A través de una serie de ejercicios prácticos, aprenderás a
transformar datos en respuestas accionables, como calcular ventas mensuales,
identificar tendencias o generar KPIs relevantes. Cada ejercicio parte de una
pregunta concreta y te guiará paso a paso en cómo resolverla utilizando consultas
SQL, procesamiento en Python y visualizaciones efectivas. Este enfoque te
permitirá desarrollar una mentalidad analítica orientada a negocio, dominando el
flujo completo desde la extracción de datos hasta la presentación de
insights.

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. Además, descubrirás cómo combinar Data Warehouses y Data
Lakes para lograr una infraestructura escalable, flexible y preparada para el análisis
avanzado en entornos empresariales complejos.

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. Además,
explorarás modelos analíticos como el modelo estrella y el copo de nieve,
comprendiendo cuándo y cómo aplicarlos para optimizar consultas y análisis en
entornos empresariales.

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 (on-
premise o cloud). Descubrirás cómo extraer datos desde múltiples fuentes, cargarlos
en sistemas de almacenamiento y transformarlos para que sean útiles en la toma de
decisiones. A lo largo del módulo, trabajarás con formatos como CSV, JSON y
Parquet, y aprenderás a limpiar, enriquecer y estandarizar la información para
convertirla en insights accionables.

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, Redshift o Snowflake, y comprendiendo cómo escalar tus
proyectos de Data Science en entornos cloud de forma segura y eficiente.

DBT (Data Build Tool)
Aprenderás a transformar datos de manera modular, escalable y mantenible
utilizando DBT, una de las herramientas clave en ingeniería de datos
moderna. Descubrirás cómo modelar datos en capas, aplicar pruebas
automatizadas, documentar transformaciones y versionar tus pipelines, todo
directamente sobre tu data warehouse.

Integración con GenAI
Explorarás cómo conectar pipelines de datos con modelos de inteligencia
artificial generativa para potenciar aplicaciones avanzadas. Aprenderás a
integrar arquitecturas de procesamiento de datos con LLMs y otros modelos
generativos. Esta asignatura te prepara para construir soluciones donde la
ingeniería de datos y la GenAI convergen en flujos inteligentes y productivos.

MongoDB
Aprenderás a trabajar con bases de datos NoSQL utilizando MongoDB, una
de las soluciones más populares para datos no estructurados y
semiestructurados. Descubrirás cómo modelar documentos, realizar
consultas con MongoDB Query Language (MQL), gestionar índices y escalar
colecciones, aplicando este enfoque flexible a casos como registros de
eventos, datos de sensores o contenido generado por usuarios.

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 que
faciliten la exploración y comunicación efectiva de insights en entornos
profesionales.

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 que permitan al usuario final navegar la
información según sus propias necesidades analíticas.

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, permitiéndote responder preguntas complejas y adaptar tus
dashboards a necesidades analíticas específicas.

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, entendiendo cuándo y cómo utilizarlos para
comunicar insights de forma clara, precisa y adaptada al contexto del análisis.

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.
También descubrirás cómo optimizar la usabilidad y el rendimiento de tus
dashboards en Tableau.

PowerBI
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.
También descubrirás cómo optimizar la usabilidad y el rendimiento de tus
dashboards en Tableau.

Introducción al Machine Learning
Descubrirás los fundamentos del Machine Learning y su papel dentro del
ecosistema del Data Science. Conocerás los principales tipos de aprendizaje
(supervisado, no supervisado y por refuerzo), los algoritmos más utilizados y
el proceso completo de construcción de modelos, desde la preparación de
datos hasta la evaluación de resultados y su puesta en producción.

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 herramientas de Python para extraer
patrones, relaciones y estructuras útiles para el desarrollo de modelos
predictivos.

Taller de Limpieza y Transformación de Datos
Dominarás las técnicas clave para preparar datos reales de forma eficaz,
garantizando su calidad antes del análisis o modelado. A través de ejercicios
prácticos, aprenderás a detectar y corregir errores, tratar valores faltantes,
normalizar formatos, eliminar duplicados y transformar variables según el
objetivo del proyecto. Este taller te permitirá adquirir una mentalidad analítica
orientada a la limpieza estructurada y al preprocesamiento inteligente de
datos, base de todo buen trabajo en Data Science.

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, sentando las bases para aplicar algoritmos específicos
en proyectos de predicción categórica.

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 para resolver problemas reales de
predicción y categorización de datos.

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 (XGBoost, LightGBM) y
Support Vector Machines (SVM), 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. Luego, profundizarás en la matriz de confusión y sus métricas asociadas —accuracy,
precisión, recall y F1-score—, tanto desde una perspectiva conceptual como mediante
ejercicios prácticos paso a paso. También descubrirás cómo interpretar y calcular las
métricas ROC y AUC, esenciales para evaluar la calidad de los modelos en distintos
umbrales de decisión. Además, abordarás los conceptos de overfitting y underfitting,
aprendiendo a identificarlos y prevenirlos con técnicas como la validación cruzada.

Descripción
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, preparando el terreno
para aplicar algoritmos de predicción cuantitativa con precisión.

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 sobre conjuntos de datos reales.

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
(XGBoost, LightGBM) y Support Vector Regression (SVR), 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. También descubrirás cómo mejorar tus
modelos mediante la optimización de hiperparámetros con GridSearch y
RandomizedSearch, y cómo validar su robustez utilizando técnicas de cross validation.
Además, explorarás el potencial de AutoML con PyCaret, una herramienta que automatiza
la selección y evaluación de modelos

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: definición del
número de clusters, análisis de similitud y evaluación de cohesión entre
grupos.

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 en segmentación, análisis
exploratorio y detección de anomalías.

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 (Análisis de Componentes
Principales) y t-SNE para visualizar datos en 2D o 3D, eliminar redundancias
y mejorar el rendimiento de modelos en tareas como clustering o clasificación.

Evaluación
Identificarás las métricas y métodos clave para evaluar la calidad de los
modelos de clustering. Aprenderás a utilizar indicadores como la silueta, la
inercia, el coeficiente de Davies-Bouldin o la varianza explicada, interpretando
los resultados para validar la coherencia interna y la separación entre grupos
sin necesidad de 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, comprendiendo su impacto estratégico en la toma de decisiones
basada en datos.

Definición
Comprenderás qué son las series temporales y cómo se utilizan para analizar
datos que evolucionan a lo largo del tiempo. Estudiarás sus componentes
clave —tendencia, estacionalidad, ciclo y ruido— y descubrirás en qué
contextos aplicarlas, desde la predicción de ventas hasta el monitoreo de
procesos o la detección de anomalías temporales.

Algoritmos básicos
Aprenderás a implementar los algoritmos fundamentales para el modelado y
la predicción de series temporales. Trabajarás con modelos como Media
Móvil (MA), Suavizado Exponencial y ARIMA, comprendiendo cómo capturan
patrones temporales y cómo ajustar sus parámetros para generar
predicciones precisas en datos secuenciales.

Algoritmos avanzados
Explorarás modelos avanzados para abordar problemas complejos de
predicción temporal con mayor precisión y adaptabilidad. Aprenderás a
aplicar técnicas como SARIMA, Prophet y modelos basados en aprendizaje
automático, como XGBoost o LSTM, integrando múltiples variables,
estacionalidades y tendencias no lineales en tus análisis.

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. Una vez finalizado tu trabajo, tendrás
acceso a una solución propuesta que te permitirá comparar enfoques y reforzar tus
habilidades. Este módulo está diseñado para que consolides tus conocimientos de forma
práctica, enfrentándote a desafíos reales que te prepararán para el entorno profesional.

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 de forma ética y efectiva 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,
mejorando la transparencia, confianza y justificación de decisiones basadas
en inteligencia artificial.

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 como LIME y SHAP para analizar predicciones
individuales, visualizando el peso de cada variable en resultados puntuales y
mejorando la confianza en modelos complejos ante usuarios finales o
auditorías.

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, identificando cómo varía la influencia de las
variables según el contexto y facilitando decisiones más precisas y
personalizadas.

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, explorando estrategias para analizar su comportamiento, identificar
sesgos y garantizar transparencia, trazabilidad y control en entornos donde la
creatividad algorítmica se combina con decisiones críticas.

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 —como capas, pesos y
funciones de activación— y su capacidad para aprender representaciones
complejas a partir de grandes volúmenes de datos, abriendo paso a
aplicaciones avanzadas en visión, texto y más.

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, comprendiendo cómo se entrenan estos modelos y cómo
capturan patrones complejos en los datos para resolver tareas como
clasificación o regresión usando Pytorch.

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,
explorando casos reales de visión por computadora.

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,
comprendiendo cómo capturar dependencias a lo largo del tiempo o de una
secuencia.

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 (como ResNet, BERT o GPT) para
adaptarlas a tareas específicas con menos datos y menor coste
computacional.

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, explorando sus
aplicaciones en tareas como generación de contenido, asistencia
conversacional y análisis semántico.

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.
Además, aprenderás a acceder a modelos de lenguaje de forma programática
mediante APIs, configurando entornos, enviando prompts y gestionando respuestas
estructuradas en formatos como JSON o tablas. A través de ejercicios prácticos,
trabajarás con datos tabulares, resolverás tareas de NLP como análisis de
sentimientos y descubrirás cómo aplicar prompting de forma estratégica en
proyectos reales.

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, permitiendo a los modelos generar respuestas
fundamentadas y contextualmente relevantes.

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), permitiéndoles interactuar
dinámicamente con entornos digitales y resolver flujos de trabajo complejos
sin intervención humana directa.

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
como compañera de desarrollo y pensamiento computacional.

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.

Evaluación de LLMs
Aprenderás a medir el rendimiento, la coherencia y la utilidad de modelos de
lenguaje grande en diferentes contextos de uso. Explorarás métricas
automáticas como BLEU, ROUGE o perplexity, junto con métodos cualitativos
como evaluaciones humanas, benchmarks estandarizados y análisis de
errores. Esta asignatura te permitirá seleccionar y ajustar modelos con
criterio, asegurando su fiabilidad y alineación con los objetivos del proyecto.

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.

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, preparándolos para su uso en
producción. A continuación, te introducirás en el mundo de las APIs, aprendiendo a
construir interfaces que permitan a otras aplicaciones interactuar con tus modelos.
Mediante FastAPI, crearás endpoints para enviar datos y recibir predicciones.

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, asegurando la eficiencia,
trazabilidad y escalabilidad de tus flujos de trabajo en proyectos de Data
Science y Machine Learning.

Conviértete en un Data Scientist
Aprenderás a cómo dar el salto del aprendizaje a la acción profesional, con los
mejores consejos y estrategias para convertirte en un Data Scientist preparado para
el mundo laboral. Descubrirás cómo presentar tu perfil, construir un portafolio sólido
y destacar en entrevistas técnicas.

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.

Proyecto
Aprenderás a crear, estructurar y gestionar un repositorio profesional para tu
proyecto final utilizando Git y GitHub. Te familiarizarás con el uso de GitHub
como plataforma de control de versiones, explorando tanto la interfaz gráfica
con GitHub Desktop como el trabajo desde la terminal. Dominarás las buenas
prácticas para documentar tu proyecto, versionar tu código y colaborar de
forma eficiente en entornos de ciencia de datos.

Datos satelitales

Trabajo final de máster
Aplicarás todos los conocimientos adquiridos a lo largo del máster en un
proyecto completo y profesional de Data Science con Inteligencia Artificial.
Definirás una problemática real, recopilarás y analizarás datos, aplicarás
técnicas de modelado y visualización, y desarrollarás una solución integral
con entregables bien 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.