Módulo 1: Nociones teóricas iniciales

• Desambiguación de términos: ¿Machine Learning? ¿Deep Learning? ¿Data Science? ¿Big Data?
• Evolución histórica de la Inteligencia Artificial
• Machine Learning: Aprendizaje supervisado, no supervisado y por refuerzo
• Aprendizaje supervisado: Regresión y clasificación

• Primeros pasos con R
• Programación en Python
• Linux Shell essentials
• Introducción al ecosistema Big Data
• Introducción a la programación distribuida
• Programación distribuida: Py-Spark
• Visión general del ecosistema de bases de datos NoSQL (Clave-valor, Columnares, Documentales y de Grafos)
• NoSQL: MongoDB con PyMongo
• Herramientas y técnicas de visualización
• Visión general de las herramientas Cloud disponibles

• ¿Qué es un modelo de machine learning? ¿Qué es el entrenamiento? ¿Cómo valido que mis modelos generalizan correctamente?
• Regresión Lineal
• Regresión Logística
• Algoritmos de agrupamiento (K-Means, Clustering espectral, Clustering jerárquico…)
• Support Vector Machines (SVM)
• Árboles de Decisión y Random Forests
• K Nearest Neighbors (KNN)
• Redes Bayesianas
• Modelos Ocultos de Markov
• Algoritmos de reducción de la dimensionalidad (PCA, t-SNE…)
• Algoritmos de selección de modelos y búsqueda inteligente de hiper parámetros (grid search, random search, cross validation…)
• Modelos Ensemble y Sistemas multi-agente
• Ecosistema Data Science en Python: Skit Learn, Pandas, Numpy, Matplotlib…
• Pre-procesamiento de datos numéricos (Normalización, discretización, estandarización…)

• Introducción a los sistemas cognitivos y al aprendizaje profundo
• Perceptrones multi capa (MLP)
• Aspectos prácticos en el entrenamiento de redes neuronales y computación en GPU/TPU
• Redes Convolucionales (CNN)
• Redes Recurrentes (RNN)
• Auto-Encoders
• Redes Generativas Adversarias (GAN)
• Deep Reinforcement Learning (DRL)
• Deep Learning Frameworks: Keras, TensorFlow, Pytorch…

• Pre-procesamiento de texto y creación de corpus (tokenización, lematización, separación de oraciones…)
• Conceptos clave de análisis a nivel de documento (TF-IDF, BoW…)
• Topic Modeling (LDA y LSI)
• Análisis morfológico y morfosintáctico (PoS Tagging)
• Named Entity Recognition
• Embeddings
• Deep Learning aplicado a NLP
• La revolución de los modelos Deep Learning de lenguaje basados en contexto (BERT, ELMo…)
• Modelos de generación de texto y agentes conversacionales
• Ecosistema NLP en Python: NLTK, gensim, spacy, rasa…

• El alumno presentará una propuesta de proyecto al docente, que utilice algoritmos y tecnologías vistos en este máster para la resolución de un problema real de negocio.
• Una vez aprobada la propuesta el alumno lo realizará
• Al entregarlo el docente dará su feedback y si este es positivo el alumno tendrá una mención especial en su diploma y prioridad en nuestra bolsa de empleo.