Máster en Data Science e Inteligencia Artificial Generativa

Unidad Didáctica 1. Conceptos Básicos y Organización de Datos

• Aspectos introductorios a la Estadística
• Concepto y funciones de la Estadística
• Medición y escalas de medida
• Variables: clasificación y notación
• Distribución de frecuencias
• Representaciones gráficas
• Propiedades de la distribución de frecuencias

Unidad Didáctica 2. Estadística Descriptiva Básica

• Estadística descriptiva
• Estadística inferencial

Unidad Didáctica 3. Medidas de Tendencia Central y Posición

• Medidas de tendencia central
• La media aritmética
• La mediana
• La moda
• Medidas de posición
• Medidas de variabilidad
• Índice de Asimetría de Pearson
• Puntuaciones típicas

Unidad Didáctica 4. Análisis Conjunto de Variables

• Introducción al análisis conjunto de variables
• Asociación entre dos variables cualitativas
• Correlación entre dos variables cuantitativas
• Regresión lineal

Unidad Didáctica 5. Distribuciones de Probabilidad

• Conceptos previos de probabilidad
• Variables discretas de probabilidad
• Distribuciones discretas de probabilidad
• Distribución Normal
• Distribuciones asociadas a la distribución Normal

Unidad Didáctica 6. Introducción a la Estadística en Programas Informáticos

• Introducción
• Cómo crear un archivo
• Definir variables
• Variables y datos
• Tipos de variables
• Recodificar variables
• Calcular una nueva variable
• Ordenar casos
• Seleccionar casos

Unidad Didáctica 7. Estadística Descriptiva

• Introducción
• Análisis de frecuencias
• Tabla de correlaciones
• Diagramas de dispersión
• Covarianza
• Coeficiente de correlación
• Matriz de correlaciones
• Contraste de medias

Unidad Didáctica 1. Introducción a Python

• Introducción de Python avanzado
• Comandos en Python
• Métodos y funcionamiento para Python
• Orden en Python
• Uso de conjuntos en Python

Unidad Didáctica 2. Creación de Módulos en Python

• Cómo crear un módulo para Python
• Cómo crear variables con Path de Python
• Uso de paquetes con Python

Unidad Didáctica 3. Creación de Bases de Datos en Python

• Unir MySQL en Python
• Añadir datos en una base de datos MySQL con Python
• Cómo leer datos de una base de datos MySQL con Python
• Borrar datos MySQL
• SQLite con Python
• Insertar, leer y borrar datos en SQLite

Unidad Didáctica 4. Uso de Interfaz Gráfica de Python

• wxPython con interfaz gráficas
• Crear una ventana para una app Python
• Estilo de una interfaz gráfica tamaño y utilización
• Posición de una ventana y posición del menú en Python
• Ventana de login en Python

Unidad Didáctica 5. Leer y Visualizar la Web con Python Zen de Python

• urllib2 y BeautifulSoup en Python
• Práctica de lectura en Python
• Zen de Python y conclusiones de Python

Unidad Didáctica 6. Python y el Análisis de Datos

• Introducción a Python
• ¿Qué necesitas?
• Librerías para el análisis de datos en Python
• MongoDB, Hadoop y Python. Dream Team del Big Data

Unidad Didáctica 7. Introducción e Instalación de Opencv

• Descripción general OpenCV
• Instalación OpenCV para Python en Windows
• Instalación OpenCV para Python en Linux
• Anaconda y OpenCV

Unidad Didáctica 8. Manejo de Ficheros, Cámaras e Interfaces Gráficas

• Manejo de archivos
• Leer una imagen con OpenCV
• Mostrar imagen con OpenCV
• Guardar una imagen con OpenCV
• Operaciones aritméticas en imágenes usando OpenCV
• Funciones de dibujo

Unidad Didáctica 9. Tratamiento de Imágenes

• Redimensión de imágenes
• Erosión de imágenes
• Desenfoque de imágenes
• Bordeado de imágenes
• Escala de grises en imágenes
• Escalado, rotación, desplazamiento y detección de bordes
• Erosión y dilatación de imágenes
• Umbrales simples
• Umbrales adaptativos
• Umbral de Otsu
• Contornos de imágenes
• Incrustación de imágenes
• Intensidad en imágenes
• Registro de imágenes
• Extracción de primer plano
• Operaciones morfológicas en imágenes
• Pirámide de imagen

Unidad Didáctica 10. Histogramas y Template Matching

• Analizar imágenes usando histogramas
• Ecualización de histogramas
• Template matching
• Detección de campos en documentos usando Template matching

Unidad Didáctica 11. Colores y Espacios de Color

• Espacios de color en OpenCV
• Cambio de espacio de color
• Filtrado de color
• Denoising de imágenes en color
• Visualizar una imagen en diferentes espacios de color

Unidad Didáctica 12. Detección de Caras y Extracción de Características

• Detección de líneas
• Detección de círculos
• Detectar esquinas (Método Shi-Tomasi)
• Detectar esquinas (método Harris)
• Encontrar círculos y elipses
• Detección de caras y sonrisas

Unidad Didáctica 13. Aprendizaje Automático

• Vecino más cercano (K-Nearest Neighbour)
• Agrupamiento de K-medias (K-Means Clustering)

Unidad Didáctica 1. Introducción a la Ciencia de Datos

• ¿Qué es la ciencia de datos?
• Herramientas necesarias para el científico de datos
• Data Science & Cloud Computing

Unidad Didáctica 2. Principales Perfiles en el Mundo del Data Science

• Data Engineer
• Data Scientist
• Data Analyst

Unidad Didáctica 3. Entorno de Trabajo de un Data Scientist

• Principales herramientas
• Tecnologías
• Lenguajes de programación y entornos de desarrollo

Unidad Didáctica 4. Bases de Datos Relacionales

• Introducción
• El modelo relacional
• Lenguaje de consulta SQL
• MySQL Una base de datos relacional

Unidad Didáctica 5. Bases de Datos Nosql y el Almacenamiento Escalable

• ¿Qué es una base de datos NoSQL?
• Bases de datos Relaciones Vs Bases de datos NoSQL
• Tipo de Bases de datos NoSQL Teorema de CAP
• Sistemas de Bases de datos NoSQL

Unidad Didáctica 6. Introducción a un Sistema de Base de Datos Nosql, Mongodb

• ¿Qué es MongoDB?
• Funcionamiento y usos de MongoDB
• Primeros pasos con MongoDB: Instalación y Shell de comandos
• Creando nuestra primera base de datos NoSQL: Modelo e inserción de datos
• Actualización de datos en MongoDB: Sentencias set y update
• Trabajando con índices en MongoDB para optimización de datos
• Consulta de datos en MongoDB

Unidad Didáctica 7. R Como Herramienta para Big Data

• Introducción a R
• ¿Qué necesitas?
• Tipos de datos
• Estadística Descriptiva y Predictiva con R
• Integración de R en Hadoop

Unidad Didáctica 8. Pre-procesamiento & Procesamiento de Datos

• Obtención y limpieza de los datos (ETL)
• Inferencia estadística
• Modelos de regresión
• Pruebas de hipótesis

Unidad Didáctica 1. el Modelo de Datos en Tres Capas

• Capa Raw: ingesta de datos en crudo
• Capa Master: principales filtros y agregaciones sobre los datos
• Capa de Consumo: limpieza final y feature engineering para consumo en dashboards y modelos de IA

Unidad Didáctica 2. Edición de Datos y Fórmulas

• Tipos de datos
• Introducción de datos
• Referencias a celdillas
• Presentación

Unidad Didáctica 3. Tablas y Listas de Datos

• Datos de partida
• Totalizar y resumir
• Filtrar y agrupar los datos
• Tablas dinámicas
• Tablas de datos

Unidad Didáctica 4. Gráficos y Diagramas

• Generación de gráficos
• Inserción de minigráficos
• Personalización de máximos y mínimos
• Inserción de formas
• Imágenes
• Elementos gráficos e interactividad
• SmartArt

Unidad Didáctica 5. Funciones Lógicas

• Relaciones y valores lógicos
• Toma de decisiones
• Anidación de expresiones y decisiones
• Operaciones condicionales
• Selección de valores de una lista

Unidad Didáctica 6. Búsqueda de Datos

• Manipulación de referencias
• Búsqueda y selección de datos
• Transponer tablas

Unidad Didáctica 7. Librerías para Data Science y la Visualización de Datos

• Tipos de visualizaciones de datos y cuándo usar cada tipo de visualización
• Principales librerías open source para visualización, con sus ventajas e inconvenientes:
• Matplotlib y Seaborn: principales librerías de visualización estática
• Plotly: librería para visualización dinámica

Unidad Didáctica 1. Análisis Exploratorio de Datos (eda)

• Introducción al EDA
• Técnicas básicas de visualización: gráficos de líneas, barras, histogramas
• Herramientas de visualización en Python: Matplotlib y Seaborn

Unidad Didáctica 2. Análisis de los Datos

• Inteligencia Analítica de negocios
• La teoría de grafos y el análisis de redes sociales
• Presentación de resultados

Unidad Didáctica 3. Business Intelligence y la Sociedad de la Información

• Definiendo el concepto de Business Intelligence y sociedad de la información
• Arquitectura de una solución de Business Intelligence
• Business Intelligence en los departamentos de la empresa
• Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
• Sistemas operacionales y Procesos ETL en un sistema de BI
• Ventajas y Factores de Riesgos del Business Intelligence

Unidad Didáctica 4. Minería de Datos o Data Mining y el Aprendizaje Automático

• Introducción a la minería de datos y el aprendizaje automático
• Proceso KDD
• Modelos y Técnicas de Data Mining
• Áreas de aplicación
• Minería de textos y Web Mining
• Data mining y marketing

Unidad Didáctica 5. Introducción a la Visualización de Datos

• ¿Qué es la visualización de datos?
• Importancia y herramientas de la visualización de datos
• Visualización de datos: Principios básicos

Unidad Didáctica 6. Tableau

• ¿Qué es Tableau? Usos y aplicaciones
• Tableau Server: Arquitectura y Componentes
• Instalación Tableau
• Espacio de trabajo y navegación
• Conexiones de datos en Tableau
• Tipos de filtros en Tableau
• Ordenación de datos, grupos, jerarquías y conjuntos
• Tablas y gráficos en Tableau

Unidad Didáctica 7. Powerbi

• Business Intelligence en Excel
• Herramientas Powerbi

Unidad Didáctica 1. Introducción Al Machine Learning

• Machine Learning
• Clasificación de algoritmos de aprendizaje automático
• Ejemplos de aprendizaje automático
• Diferencias entre el aprendizaje automático y el aprendizaje profundo
• Tipos de algoritmos de aprendizaje automático
• El futuro del aprendizaje automático

Unidad Didáctica 2. Extracción de Estructura de los Datos: Clustering

• Introducción
• Algoritmos

Unidad Didáctica 3. Sistemas de Recomendación

• Introducción
• Filtrado colaborativo
• Clusterización
• Sistemas de recomendación híbridos

Unidad Didáctica 4. Clasificación

• Clasificadores
• Algoritmos

Unidad Didáctica 5. Redes Neuronales y Deep Learning

• Componentes
• Aprendizaje

Unidad Didáctica 6. Sistemas de Elección

• Introducción
• El proceso de paso de DSS a IDSS
• Casos de aplicación

Unidad Didáctica 7. Deep Learning con Python, Keras y Tensorflow

• Aprendizaje profundo
• Entorno de Deep Learning con Python
• Aprendizaje automático y profundo

Unidad Didáctica 8. Sistemas Neuronales

• Redes neuronales
• Redes profundas y redes poco profundas

Unidad Didáctica 9. Estrategias de Aprendizaje

• Entrada y salida de datos
• Entrenar una red neuronal
• Gráficos computacionales
• Implementación de una red profunda
• El algoritmo de propagación directa
• Redes neuronales profundas multicapa

Unidad Didáctica 1. Introducción a la Inteligencia Artificial

• Introducción a la inteligencia
• Inteligencia de los seres vivos
• Inteligencia artificial
• Dominios de aplicación
• Problemas tratados por la Inteligencia Artificial

Unidad Didáctica 2. Introducción Al Pln

• ¿Qué es PLN?
• ¿Qué incluye el PLN?
• Ejemplos de uso de PLN
• Futuro del PLN

Unidad Didáctica 3. ¿qué Es un Chatbot?

• Aspectos introductorios
• ¿Qué es un chatbot?
• ¿Cómo funciona un chatbot?
• VoiceBots
• Desafíos para los Chatbots

Unidad Didáctica 4. Inteligencia Artificial y Chat Gpt

• ¿Qué es Chat GPT?
• ¿Cómo afecta la inteligencia artificial en Chat GPT?
• Versiones de Chat GPT y funcionalidades
• Usos de Chat GPT
• Beneficios de la IA y Chat GPT

Unidad Didáctica 5. Chat Gpt y Su Funcionamiento

• ¿Cómo funciona Chat GPT?
• Diferencias entre Chat GPT y otros chatbots
• Procesamiento del Lenguaje Natural (PLN)
• Aprendizaje por transferencia
• Cómo entrenar un modelo de Chat GPT

Unidad Didáctica 6. Creación de un Chatbot Básico con Chat Gpt

• Elección de la plataforma de desarrollo
• Configuración del entorno de desarrollo
• Preparación de los datos de entrenamiento
• Entrenamiento del modelo de Chat GPT
• Integración del modelo en el chatbot
• Pruebas y mejora del modelo

Unidad Didáctica 1. Ética en Data Science

• Ética en Data Science
• Privacidad y protección de datos
• Sesgos algorítmicos

Unidad Didáctica 2. Fundamentos Legales para Data Science

• Principios básicos de regulación de datos
• Introducción a GDPR y CCPA
• Responsabilidad legal en la inteligencia artificial

Unidad Didáctica 3. Principios de la Protección de Datos

• Licitud
• Consentimiento
• Información
• Calidad
• Finalidad
• Lealtad
• Proporcionalidad
• Responsabilidad

Unidad Didáctica 4. Transparencia en Data Science

• Importancia de la transparencia en Data Science
• Métodos para mejorar la explicabilidad de los modelos
• Herramientas y técnicas para Data Science
• Comunicación efectiva de resultados y decisiones basadas en Data Science

Unidad Didáctica 5. Data Science y la Propiedad Intelectual

• Conceptos de propiedad intelectual y como puede afectar al Data Science
• Derechos de autor y licencias de datos
• Uso justo y restricciones legales
• Protección de la propiedad intelectual
• Casos de estudio: Propiedad intelectual en Data Science
• Buenas prácticas para la gestión de derechos

Unidad Didáctica 6. Implicaciones Éticas de la Inteligencia Artificial

• Ética en el desarrollo de IA
• Desafíos éticos específicos de la IA
• IA y toma de decisiones automatizadas
• Impacto de la IA en la sociedad
• Regulación y gobernanza de la IA
• Desafíos futuros de la IA y Data Science