Aprovecha tu beca de hasta 65% Becas hasta 65%

Titulación Universitaria + 60 Créditos ECTS

Máster de Formación Permanente en Data Science e Inteligencia Artificial Generativa

Máster de Formación Permanente en Data Science e Inteligencia Artificial Generativa

¿Te gustaría impulsar tu carrera en ciencia de datos y aprender inteligencia artificial generativa? Fórmate en análisis, machine learning y visualización con herramientas como Python, SQL y Tableau.

  • 100% Online
  • 1500 Horas
  • Conv. abierta
  • Becas
  • Titulación Universitaria
  • Modalidad 100% online, a tu ritmo
  • 60 Créditos ECTS
  • Sin permanencia · Te contestamos en menos de 24 h
Máster de Formación Permanente en Data Science e Inteligencia Artificial Generativa

Un máster con datos verificables del programa

  • 60 Créditos ECTS
  • Facultad de Tecnología - Sistemas
  • Prácticas en centros reales
  • Título propio Ceupe

¿Qué conseguirás al terminar este máster?

Estadística aplicada

Desarrolla habilidades en estadística aplicada para el análisis de datos usando SPSS en estudios cuantitativos.

Machine learning

Implementa modelos de regresión, correlación y técnicas de machine learning para clasificar y agrupar datos.

Gestión de datos

Crea y gestiona bases de datos relacionales y NoSQL, dominando SQL para consultas avanzadas y procesamiento.

Visualización y ética

Diseña visualizaciones efectivas con Power BI y Tableau, y evalúa aspectos éticos y legales en data science.

Temario del programa - Máster de Formación Permanente en Data Science e Inteligencia Artificial Generativa

9 módulos que cubren desde estadística aplicada con SPSS y modelos de regresión hasta machine learning, bases de datos NoSQL y visualización con Power BI y Tableau. Haz clic en cada módulo para ver el contenido completo.

01

Módulo 1. Estadística Aplicada

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
02

Módulo 2. Python

Unidad Didáctica 1. Algoritmos y Pensamiento Computacional

  • ¿Por qué Python?
  • Variables
  • Condicionales
  • Bucle while y bucle for
  • Gestión de errores

Unidad Didáctica 2. Guardar y Leer Archivos

  • Guardar y leer archivos
  • Escribir en ficheros de texto
  • Archivos csv
  • Escribir en archivos csv
  • Bibliotecas

Unidad Didáctica 3. Funciones

  • Las funciones
  • Funciones básicas en Python
  • Funciones con parámetros
  • Funciones con retorno
  • Funciones propias de Python

Unidad Didáctica 4. Clases

  • Programación orientada a objetos (POO)
  • Clases. Definición inicial y atributos
  • Métodos de una clase
  • Herencia de una clase
  • Almacenamiento de objetos
03

Módulo 3. Bases de Datos y Lenguaje SQL para la Gestión de la Información

Unidad Didáctica 1. Introducción a la Ciencia de Datos

  • Qué es la ciencia de datos
  • Herramientas necesarias para el científico de datos
  • Data Science y cloud computing

Unidad Didáctica 2. Perfiles Profesionales en Ciencia de Datos

  • Data Engineer
  • Data Scientist
  • Data Analyst

Unidad Didáctica 3. Entorno de Trabajo del Científico de Datos

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

Unidad Didáctica 4. Bases de Datos Relacionales

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

Unidad Didáctica 5. Bases de Datos Nosql y Almacenamiento Escalable

  • Qué es una base de datos NoSQL
  • Bases de datos relacionales frente a NoSQL
  • Tipos de bases de datos NoSQL y teorema de CAP
  • Sistemas de bases de datos NoSQL

Unidad Didáctica 6. Mongodb como Sistema de Base de Datos Nosql

  • Qué es MongoDB
  • Funcionamiento y usos de MongoDB
  • Primeros pasos con MongoDB: instalación y shell de comandos
  • Modelo e inserción de datos
  • Actualización de datos: sentencias set y update
  • Índices en MongoDB para optimización de datos
  • Consulta de datos en MongoDB
04

Módulo 4. Aspectos Éticos y Legales de Data Science

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
05

Módulo 5. Ingeniería de Datos y Big Data

Unidad Didáctica 1. Manipulación y Preparación de Datos con Numpy y Pandas

  • Arrays y computación numérica con NumPy
  • Series y DataFrames con Pandas
  • Limpieza y transformación de datos
  • Operaciones e indexación de datos

Unidad Didáctica 2. El Modelo de Datos en Capas

  • Capa Raw: ingesta de datos en crudo
  • Capa Master: filtros y agregaciones sobre los datos
  • Capa de Consumo: limpieza final y feature engineering
  • Diseño de procesos ETL de extremo a extremo

Unidad Didáctica 3. Fundamentos de Big Data y Procesamiento Distribuido

  • Qué es Big Data y las cinco V
  • Arquitecturas de procesamiento distribuido
  • El ecosistema Hadoop
  • Cuándo una solución de Big Data es necesaria

Unidad Didáctica 4. Apache Spark para Procesamiento de Datos a Gran Escala

  • Arquitectura de Spark
  • RDDs y DataFrames en Spark
  • Procesamiento con PySpark
  • Procesamiento en memoria frente a procesamiento en disco

Unidad Didáctica 5. Almacenamiento y Arquitecturas de Datos en la Nube

  • Data lakes frente a data warehouses
  • Plataformas cloud con penetración en el mercado latinoamericano
  • Criterios de selección de arquitectura de almacenamiento

Unidad Didáctica 6. Orquestación y Automatización de Pipelines de Datos

  • Herramientas de orquestación de flujos de datos
  • Programación y dependencias entre tareas
  • Monitorización de pipelines

Unidad Didáctica 7. Calidad y Gobernanza de Datos

  • Validación de datos
  • Linaje de datos
  • Catálogos de datos
  • Principios de gobernanza del dato

Unidad Didáctica 8. Ingeniería de Datos Aplicada

  • Diseño de un pipeline de datos de extremo a extremo
  • Integración de las capas de ingesta, transformación y consumo
  • Buenas prácticas de documentación y mantenimiento
06

Módulo 6. Análisis y Visualización de Datos con Tableau y Power BI

Unidad Didáctica 1. Selección de Visualizaciones y Diseño de Dashboards Ejecutivos

  • Criterios de selección de gráfico según el tipo de dato y el mensaje
  • Principios de diseño de dashboards: jerarquía visual, densidad de información y layout
  • Diseño de dashboards para audiencias ejecutivas: qué mostrar, qué omitir y cómo priorizar la lectura en segundos
  • Errores comunes de visualización que distorsionan la lectura de negocio

Unidad Didáctica 2. Tableau: Fundamentos y Conexión de Datos

  • Instalación y arquitectura de Tableau (Desktop, Public, Server, Cloud)
  • Conexión a fuentes de datos: archivos, bases de datos y conectores en vivo
  • Relaciones, uniones y combinación de fuentes de datos

Unidad Didáctica 3. Tableau: Preparación y Modelado de Datos

  • Tipos de campos, jerarquías y agrupaciones
  • Campos calculados y funciones de tabla
  • Parámetros y campos calculados dinámicos

Unidad Didáctica 4. Tableau: Construcción de Visualizaciones

  • Gráficos de comparación y distribución: barras, líneas, dispersión, histograma
  • Gráficos de composición y relación: área, circular, mapa de calor, cascada
  • Mapas y análisis geoespacial en Tableau

Unidad Didáctica 5. Tableau: Filtros, Interactividad y Dashboards

  • Tipos de filtros y su orden de aplicación
  • Acciones de filtro, resaltado y navegación entre hojas
  • Diseño y publicación de dashboards interactivos

Unidad Didáctica 6. Power BI: Fundamentos y Conexión de Datos

  • Arquitectura de Power BI: Desktop, Service y Mobile
  • Power Query: importación y transformación de datos
  • Modelado de relaciones entre tablas en Power BI

Unidad Didáctica 7. Power BI: DAX y Medidas

  • Fundamentos del lenguaje DAX
  • Medidas y columnas calculadas
  • Funciones de inteligencia de tiempo (time intelligence)

Unidad Didáctica 8. Power BI: Construcción de Informes

  • Visualizaciones nativas y personalizadas
  • Segmentadores, marcadores y páginas de detalle
  • Diseño de informes multipágina orientados a negocio

Unidad Didáctica 9. Power BI: Publicación y Colaboración

  • Publicación de informes en Power BI Service
  • Actualización de datos programada y gateways
  • Permisos, espacios de trabajo y distribución de informes

Unidad Didáctica 10. Comparativa y Criterios de Elección entre Tableau y Power BI

  • Diferencias de licenciamiento, curva de aprendizaje y ecosistema
  • Casos de uso donde cada herramienta aporta más valor
  • Integración de ambas herramientas en un mismo ecosistema de datos empresarial
07

Módulo 7. Fundamentos de Machine Learning

Unidad Didáctica 1. Introducción al Machine Learning

  • Qué es el machine learning y por qué transforma la toma de decisiones
  • Clasificación de algoritmos de aprendizaje automático
  • Ejemplos de aprendizaje automático

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

  • El aprendizaje no supervisado y el problema del clustering
  • Algoritmos de clustering: k-means, jerárquico y DBSCAN
  • Selección del número de clústeres y evaluación de resultados

Unidad Didáctica 3. Sistemas de Recomendación

  • Fundamentos y tipos de sistemas de recomendación
  • Filtrado colaborativo
  • Clusterización aplicada a la segmentación de usuarios

Unidad Didáctica 4. Clasificación

  • Clasificadores
  • Algoritmos de clasificación: árboles de decisión, k-NN, SVM y ensemble methods
  • Evaluación comparativa de clasificadores según el problema

Unidad Didáctica 5. Sistemas de Decisión Inteligentes

  • Fundamentos de los sistemas de soporte a la decisión
  • El proceso de paso de DSS a IDSS
  • Casos de aplicación

Unidad Didáctica 6. Evaluación y Validación de Modelos

  • Métricas de evaluación según tipo de problema
  • Sobreajuste, infraajuste y validación cruzada
  • Selección de modelos e interpretación de resultados
08

Módulo 8. Mlops y Despliegue de Modelos en la Nube

Unidad Didáctica 1. Fundamentos de Mlops y Ciclo de Vida del Modelo

  • Qué es MLOps y por qué es clave en la implantación de IA
  • Ciclo de vida de un modelo de machine learning
  • Diferencias entre DevOps y MLOps
  • Roles y equipos involucrados en MLOps

Unidad Didáctica 2. Versionado de Datos, Modelos y Experimentos

  • Control de versiones de datos
  • Versionado y registro de modelos
  • Seguimiento de experimentos
  • Reproducibilidad en proyectos de machine learning

Unidad Didáctica 3. Contenedores y Orquestación

  • Fundamentos de contenedores
  • Orquestación de contenedores
  • Empaquetado de modelos como servicios
  • Buenas prácticas de contenerización de modelos de IA

Unidad Didáctica 4. Integración y Despliegue Continuo (CI/CD) para Modelos de IA

  • Fundamentos de CI/CD aplicados a machine learning
  • Automatización de pipelines de entrenamiento
  • Pruebas automatizadas de modelos
  • Despliegue progresivo de modelos

Unidad Didáctica 5. Despliegue de Modelos en AWS

  • Panorama de servicios de IA en AWS
  • Entrenamiento y despliegue de modelos
  • Gestión de costes en proyectos de IA en AWS
  • Casos de uso de IA en AWS en empresas latinoamericanas

Unidad Didáctica 6. Despliegue de Modelos en Microsoft Azure

  • Panorama de servicios de IA en Azure
  • Entrenamiento y despliegue de modelos en Azure
  • Servicios de IA generativa en Azure
  • Integración de Azure con sistemas empresariales existentes

Unidad Didáctica 7. Despliegue de Modelos en Google Cloud

  • Panorama de servicios de IA en Google Cloud
  • Entrenamiento y despliegue de modelos
  • Comparativa entre proveedores cloud para proyectos de IA
  • Criterios de selección de proveedor cloud según el proyecto

Unidad Didáctica 8. Monitorización y Observabilidad de Modelos en Producción

  • Métricas de monitorización de modelos en producción
  • Detección de degradación del modelo
  • Alertas y mantenimiento continuo de modelos
  • Herramientas de observabilidad para sistemas de IA

Unidad Didáctica 9. Escalabilidad, Rendimiento y Coste en la Nube

  • Escalado automático de modelos en producción
  • Optimización del rendimiento de inferencia
  • Gestión y control de costes en infraestructura de IA
  • Arquitecturas híbridas y multicloud

Unidad Didáctica 10. Seguridad en el Despliegue de Modelos de Inteligencia Artificial

  • Principios de seguridad en sistemas de IA en producción
  • Protección frente a ataques adversarios
  • Control de accesos y gestión de credenciales en entornos cloud
  • Cumplimiento y auditoría de seguridad en infraestructura de IA
09

Módulo 9. IA Generativa: Arquitectura Transformer y Grandes Modelos de Lenguaje (LLM)

Unidad Didáctica 1. Introducción a la Inteligencia Artificial Generativa

  • Evolución de la inteligencia artificial
  • De los sistemas basados en reglas al aprendizaje profundo
  • Qué distingue a la IA generativa

Unidad Didáctica 2. Fundamentos de Procesamiento del Lenguaje Natural (PLN)

  • Qué es el PLN
  • Tareas principales del PLN
  • Evolución histórica del PLN

Unidad Didáctica 3. Representación del Lenguaje: Embeddings y Espacios Vectoriales

  • Qué son los embeddings
  • Técnicas de vectorización
  • Similitud semántica

Unidad Didáctica 4. La Arquitectura Transformer

  • El mecanismo de atención
  • Codificador y decodificador
  • Por qué la arquitectura Transformer reemplazó a las redes recurrentes

Unidad Didáctica 5. Modelos de Lenguaje Preentrenados

  • BERT y los modelos bidireccionales
  • La familia GPT y los modelos autorregresivos
  • Diferencias de arquitectura y propósito

Unidad Didáctica 6. Grandes Modelos de Lenguaje (LLM): Panorama Actual

  • Modelos propietarios frente a modelos abiertos
  • Criterios de elección según el caso de uso
  • Panorama actual del mercado

Unidad Didáctica 7. Cómo Funcionan los Asistentes Conversacionales Basados en LLM

  • Arquitectura de un chatbot moderno
  • Gestión del contexto en la conversación
  • Gestión de la memoria conversacional

Unidad Didáctica 8. Entrenamiento y Preentrenamiento de Modelos de Lenguaje

  • Corpus de entrenamiento
  • Tokenización
  • Aprendizaje por transferencia

Unidad Didáctica 9. Evaluación de Modelos de Lenguaje

  • Métricas de calidad
  • Alucinaciones y limitaciones
  • Sesgos en los modelos generativos

Unidad Didáctica 10. APIs y Ecosistema de Desarrollo con LLM

  • Integración mediante API
  • Plataformas de desarrollo
  • Primeros pasos con un proyecto basado en LLM
10

Módulo 10. Personalización y Despliegue de Modelos de Lenguaje: Fine-tuning y Generación Aumentada por Recuperación (RAG)

Unidad Didáctica 1. Adaptación de Modelos de Lenguaje a Casos de Uso Específicos

  • Cuándo adaptar un modelo de lenguaje
  • Alternativas de personalización
  • Coste y beneficio de cada enfoque

Unidad Didáctica 2. Fine-tuning de Modelos de Lenguaje

  • Fundamentos del ajuste fino
  • Preparación de datasets de entrenamiento
  • Riesgos del sobreajuste

Unidad Didáctica 3. Técnicas Eficientes de Fine-tuning

  • LoRA y adaptadores de bajo rango
  • Fine-tuning eficiente en parámetros
  • Comparativa de técnicas

Unidad Didáctica 4. Recuperación de Información Aumentada (RAG): Fundamentos

  • Qué es RAG
  • Arquitectura de un sistema RAG
  • Ventajas de RAG frente al fine-tuning

Unidad Didáctica 5. Bases de Datos Vectoriales

  • Qué son las bases de datos vectoriales
  • Principales soluciones del mercado
  • Indexación y búsqueda por similitud

Unidad Didáctica 6. Diseño de Pipelines RAG

  • Fragmentación de documentos
  • Estrategias de recuperación
  • Generación aumentada con contexto

Unidad Didáctica 7. Evaluación y Optimización de Sistemas RAG

  • Métricas de relevancia
  • Mitigación de alucinaciones
  • Ajuste de la ventana de contexto

Unidad Didáctica 8. Particularidades del Despliegue de Modelos de Lenguaje a Gran Escala

  • Latencia de inferencia en modelos de gran tamaño
  • Estrategias de caché de prompts
  • Frameworks de servido específicos para LLM

Unidad Didáctica 9. Seguridad y Gobernanza de Modelos de Lenguaje

  • Inyección de prompts
  • Filtrado de contenido
  • Control de acceso a datos sensibles

Unidad Didáctica 10. Casos de Aplicación de Fine-tuning y RAG en Latam

  • Asistentes especializados por sector
  • Penetración de plataformas en el mercado latinoamericano
  • Casos de éxito regionales
11

Módulo 11. IA Generativa Multimodal: Imagen, Audio y Vídeo

Unidad Didáctica 1. Introducción a la IA Generativa Multimodal

  • Qué significa multimodalidad
  • Diferencias frente a los modelos centrados en texto
  • Panorama de aplicaciones

Unidad Didáctica 2. Modelos de Difusión para Generación de Imágenes

  • Fundamentos del proceso de difusión
  • Principales modelos del mercado
  • Parámetros de generación

Unidad Didáctica 3. Generación y Edición de Imágenes con IA

  • Técnicas de prompting visual
  • Edición guiada de imágenes
  • Inpainting y outpainting

Unidad Didáctica 4. Modelos de Visión y Lenguaje

  • Comprensión conjunta de imagen y texto
  • Arquitecturas de modelos visión-lenguaje
  • Aplicaciones prácticas

Unidad Didáctica 5. Generación de Audio y Voz Sintética

  • Síntesis de voz
  • Clonación de voz
  • Consideraciones éticas del audio sintético

Unidad Didáctica 6. Generación de Música con IA

  • Herramientas de generación musical
  • Flujos de trabajo
  • Limitaciones actuales

Unidad Didáctica 7. Generación de Vídeo con IA

  • Estado del arte de los modelos de vídeo generativo
  • Casos de uso emergentes
  • Limitaciones técnicas actuales

Unidad Didáctica 8. Integración de Modelos Multimodales en Flujos de Trabajo

  • Combinación de texto, imagen, audio y vídeo en un mismo proyecto
  • Flujos de trabajo integrados
  • Herramientas de orquestación multimodal

Unidad Didáctica 9. Consideraciones Éticas y Legales de la IA Generativa Multimodal

  • Deepfakes
  • Derechos de autor sobre contenido generado
  • Transparencia sobre contenido sintético

Unidad Didáctica 10. Aplicaciones de la IA Multimodal en Latam

  • Sectores con mayor adopción en la región
  • Herramientas con penetración en el mercado latinoamericano
  • Casos de aplicación
12

Módulo 12. Ingeniería de Prompts Avanzada y Agentes de IA

Unidad Didáctica 1. Fundamentos de la Ingeniería de Prompts

  • Principios de diseño de instrucciones
  • Componentes de un prompt efectivo
  • Errores comunes de formulación

Unidad Didáctica 2. Técnicas Avanzadas de Prompting

  • Prompting con ejemplos
  • Razonamiento paso a paso
  • Descomposición de tareas complejas

Unidad Didáctica 3. Prompting para Tareas Especializadas

  • Generación de código
  • Análisis de datos
  • Redacción técnica

Unidad Didáctica 4. Evaluación y Optimización Sistemática de Prompts

  • Pruebas sistemáticas de prompts
  • Métricas de calidad de respuesta
  • Iteración y mejora continua

Unidad Didáctica 5. Introducción a los Agentes de IA

  • Qué es un agente de IA
  • Diferencias frente a un asistente conversacional simple
  • Componentes de un agente

Unidad Didáctica 6. Arquitectura de Agentes Basados en LLM

  • Planificación de tareas
  • Uso de herramientas externas
  • Memoria del agente

Unidad Didáctica 7. Frameworks de Orquestación de Agentes

  • Principales frameworks del mercado
  • Criterios de selección
  • Comparativa de enfoques

Unidad Didáctica 8. Agentes Multiagente y Flujos de Trabajo Colaborativos

  • Coordinación entre agentes
  • Patrones de colaboración
  • Casos de uso de sistemas multiagente

Unidad Didáctica 9. Integración de Agentes con Sistemas y APIs Externos

  • Conexión con bases de datos
  • Integración con servicios web
  • Uso de APIs empresariales

Unidad Didáctica 10. Gobernanza y Límites de la Autonomía de los Agentes de IA

  • Riesgos de la autonomía
  • Supervisión humana
  • Buenas prácticas de despliegue responsable

Claustro docente - Máster de Formación Permanente en Data Science e Inteligencia Artificial Generativa

Ana Belén Salinas Lozano

Ana Belén Salinas Lozano

Facultad de Education Area

DOCENCIA Y FORMACIÓN PARA EL PROFESORADO

Andrea Carolina Rojas Zuluaga

Andrea Carolina Rojas Zuluaga

Facultad de Education Area

DOCENCIA Y FORMACIÓN PARA EL PROFESORADO

Cristina Romero Sánchez

Cristina Romero Sánchez

Facultad de Education Area

PEDAGOGÍA TERAPEÚTICA

Elena López Molina

Elena López Molina

Facultad de Art And Architecture Area

ARTE Y PRODUCCIÓN AUDIOVISUAL JOBS & PROFESSIONS

Elisabeth San Juan Garcia

Elisabeth San Juan Garcia

Facultad de Business Area

RECURSOS HUMANOS, BUSINESS MANAGEMENT, DERECHO, SEGURIDAD Y PRL

Emilio Romero Jiménez

Emilio Romero Jiménez

Facultad de Science And Engineering Area

INGENIERÍA, CIENCIAS, Profesiones y Oficios, Arte y Arquitectura

Emilio Romero Sánchez

Emilio Romero Sánchez

Facultad de Art And Architecture Area

ARTE Y PRODUCCIÓN AUDIOVISUAL JOBS & PROFESSIONS

Irene Yebra Serrano

Irene Yebra Serrano

Facultad de Business Area

Derecho

Javier Martín Ocete

Javier Martín Ocete

Facultad de Business Area

DERECHO, BUSINESS MANAGAMENT, INVERSIONES Y FINANZAS

Juan Hernández Solana

Juan Hernández Solana

Facultad de Science And Engineering Area

CIENCIAS

Juan Gil Jiménez

Juan Gil Jiménez

Facultad de Education Area

IDIOMAS

Lucía Carmona Fuentes

Lucía Carmona Fuentes

Facultad de Art And Architecture Area

ARQUITECTURA Y DISEÑO

Magdalena Arias García

Magdalena Arias García

Facultad de Health Area

NUTRICIÓN

María Vergara Montes

María Vergara Montes

Facultad de Business Area

DERECHO

María del Mar Diez Simón

María del Mar Diez Simón

Facultad de Health Area

PSICOLOGÍA

María Mercedes Pérez Gonzalez

María Mercedes Pérez Gonzalez

Facultad de Education Area

DOCENCIA Y FORMACIÓN PARA EL PROFESORADO

Marianela Segura Flores

Marianela Segura Flores

Facultad de Health Area

FARMACIA

Miguel Ángel Aparicio Jiménez

Miguel Ángel Aparicio Jiménez

Facultad de Science And Engineering Area

CIENCIAS ,FACULTAD DE ENFERMERÍA, FACULTAD DE MEDICINA

Paula Jiménez Escribano

Paula Jiménez Escribano

Facultad de Education Area

PEDAGOGÍA TERAPEÚTICA

Rocío Cabrera Megías

Rocío Cabrera Megías

Facultad de Education Area

DOCENCIA Y FORMACIÓN PARA EL PROFESORADO

Aideé Espíndola Betancourt

Aideé Espíndola Betancourt

Facultad de Business Area

BUSINESS MANAGEMENT

Alejandro Pérez Köhler

Alejandro Pérez Köhler

Facultad de Business Area

-Derecho -Business Management -Inversiones y finanzas

CJ

Carlos J. Pampliega García

Facultad de Business Area

-Derecho -Business Management -Inversiones y finanzas

Ikrame Selkani

Ikrame Selkani

Facultad de Business Area

facultad de business

María de las Nieves Peña Bo

María de las Nieves Peña Bo

Facultad de Science And Engineering Area

INGENIERÍA, Business management, profesiones y ofcicios, Ciencias, Ingeniería, arquitectura y diseño

María Jesús Aldariz Rey

María Jesús Aldariz Rey

Facultad de Art And Architecture Area

ARQUITECTURA Y DISEÑO

Mirta Agustina Gómez Rodríguez

Mirta Agustina Gómez Rodríguez

Facultad de Health Area

PSICOLOGÍA

PILAR PONCE AVENDAÑO

PILAR PONCE AVENDAÑO

Facultad de Health Area

PSICOLOGÍA

Raquel García Gómez

Raquel García Gómez

Facultad de Health Area

PSICOLOGÍA

Rita Dalila Gennaro

Rita Dalila Gennaro

Facultad de Education Area

PEDAGOGÍA TERAPEÚTICA

Sandra Valdivia Cantero

Sandra Valdivia Cantero

Facultad de Business Area

TURISMO

Teresa Castro Trujillo

Teresa Castro Trujillo

Facultad de Business Area

BUSINESS MANAGMENT

Marcos Cobelo Juncal

Marcos Cobelo Juncal

Facultad de IT Area

IA

Daniel Vallejo Restrepo

Daniel Vallejo Restrepo

Facultad de Health Area

Neurología y Salud Mental

Maria Isabel Martín Serrano

Maria Isabel Martín Serrano

Facultad de Business Area

Project Management

Jesús Santos Moronta

Jesús Santos Moronta

Facultad de Health Area

Farmacia y Regulatory Affairs

Jorge José Zamora Cánovas

Jorge José Zamora Cánovas

Facultad de Business Area

Empresa y Estrategia

Charo Rey Zabalza

Charo Rey Zabalza

Facultad de Science And Engineering Area

Ingenieería Energética y Verde

Rafael Eduardo Infante Rojas

Rafael Eduardo Infante Rojas

Facultad de IT Area

Sistemas y cloud

David Jiménez Moreno

David Jiménez Moreno

Facultad de Business Area

Logística

Selene Teresita Robles Jiménez

Selene Teresita Robles Jiménez

Facultad de IT Area

Datos e IA

Juan Apodaca Sopeña

Juan Apodaca Sopeña

Facultad de Business Area

Marketing

Francisco Javier Sánchez Contreras

Francisco Javier Sánchez Contreras

Facultad de IT Area

Ciberseguridad

María Luz Santander Llorca

María Luz Santander Llorca

Facultad de Business Area

Turismo

Agustín Soler Fernández

Agustín Soler Fernández

Facultad de Health Area

Medicina Clínica

Natalia Extremera Terrón

Natalia Extremera Terrón

Facultad de Business Area

Finanzas, Economía e Inversiones

Gemma Pérez Revilla

Gemma Pérez Revilla

Facultad de Education Area

Manuel Salas Aguilera

Manuel Salas Aguilera

Facultad de Business Area

¿En qué podrás trabajar?

Con este máster podrás optar a puestos como:

  • Científico de datos en empresas tecnológicas
  • Analista de datos en consultorías
  • Ingeniero de aprendizaje automático
  • Especialista en visualización de datos
  • Desarrollador de software en Python
  • Experto en minería de datos y Big Data

Metodología

Diseñado para que estudies a tu manera

Estudiantes trabajando juntos con sus portátiles
Aprende cuando quieras

Avanza al ritmo que te convenga, desde donde estés
y con seguimiento cercano.

Formación 100% en remoto

Toda la formación en una plataforma web: casos prácticos, tests de autoevaluación y prueba final.

Campus virtual

Disponible las 24 horas desde el dispositivo que prefieras, con acceso durante todo el periodo de matrícula.

Equipo docente especializado

Seguimiento personalizado de un equipo docente especializado en la materia del programa.

Centro del estudiante

Resolvemos tus consultas por teléfono, chat o email, con respuesta en 24-48 horas.

Testimonios

La experiencia de quienes ya estudiaron con nosotros

«Hay que educarnos, leer y tener conocimiento para tomar las mejores decisiones; eso lo hace una buena educación.»

Mariana Londoño

Promoción 2026

«El papel que tiene la educación en el desarrollo de un país es muy importante.»

Ligia Muñoz

Promoción 2025

«La educación transforma al estudiante para que crezca su propio país, o para irse a desarrollar donde él quiera; lo importante es que sea feliz.»

Gabriel Núñez

Promoción 2025

94%de nuestros alumnos nos recomiendan
65%de las universidades en alianza con nosotros son Europeas
54%de empresas en colaboración son Multinacionales
52%de nuestros profesores son profesionales de alta dirección

Becas CEUPE · Descuentos de hasta el 65%

¿Damos el paso para especializarte en Formación Permanente en Data Science e Inteligencia Artificial Generativa?

Nuestro equipo de asesores responde tus preguntas y te explica las ayudas disponibles, sin compromiso.