Python para análisis de datos (4 ECTS)

1. Sintaxis y estructuras de datos
2. Almacenamiento y manipulación de datos
3. Librerías Numpy, Pandas, Matplotlib y Seaborn
4. Proyectos

Bases de datos (3 ECTS)

1. Bases de datos relacionales
   • Modelo entidad relación
   • Normalización
   • SQL
2. Adquisición de datos
   • OLAP
   • Internet como fuente de datos
   • Intercambio de información
3. Almacenamiento distribuido
   • Blockchain
   • Hadoop (HDFS + MapReduce)
   • Procesamiento en tiempo real
4. Bases de datos NoSQL
   • Tipos
   • MongoDB
5. Google Cloud Platform
   • Compute
   • Cloud SQL
   • BigTable
   • DataStore
   • BigQuery

Visualización (1 ECTS)

1. Conceptos generales de visualización
2. Storytelling con datos
3. Plataformas comerciales para visualización

Técnicas de recogida de datos (2 ECTS)

1. Data Management
   • Master Data Management (MDM)
   • Extracción de datos en entornos similares a empresa (SQL, Hive)
2. Web scraping
3. Imágenes
4. Redes sociales

Técnicas de Big Data (4 ECTS)

1. Arquitectura de computadores. Cloud Computing. Infraestructura de Cloud. OCI
2. SQL analítico. Oracla Autonomous Database: ADW, ATP, JSON
3. Big Data Cloud Products
4. Certificación AWS - Cloud Practitioner

Análisis estadístico de datos (6 ECTS)

1. Revisión de probabilidad, variables aleatorias y contraste de hipótesis
2. Variables aleatorias multidimensionales. Densidad y masa conjunta. Distribuciones condicionales. Covarianza y correlación. Esperanza de un vector aleatorio, matriz de varianzas y covarianzas. Independencia de variables aleatorias
3. Análisis de la varianza
4. Regresión lineal múltiple y regresión logística
5. Regresión Lasso y Ridge
6. Análisis de componentes principales
7. Series temporales
8. Modelos de clasificación
9. Técnicas de agrupamiento

Preparación y limpieza de los datos (3 ECTS)

1. Análisis exploratorio de datos
2. Pre procesado de datos
3. Detección de ruido y de outliers
4. Tratamiento de valores perdidos
5. Tratamiento del problema no balanceado
6. Datos estructurados y no estructurados
7. Evaluación de las distribuciones de las variables

Machine Learning (5 ECTS)

1. Introducción a Machine Learning
2. Tipos de aprendizaje: supervisado, no supervisado, semi-supervisado y por refuerzo
3. Modelos frecuentistas vs bayesianos. Modelos paramétricos vs no-paramétricos
4. Inferencia vs predicción. Overfit vs underfit. Bias vs variance
5. Tratamiento del dato, missing values e imputación. Feature engineering, feature importance y explicabilidad
6. Cadenas de Markov, Naive Bayes y reglas (sequence analysis y association analysis)
7. Instance based models (kNN), LDA, SVM, modelos basados en árboles (decision tree, bagging trees, random forest...) y regularización
8. Técnicas de clustering (kMeans, jerárquico...) y transformación de las dimensiones (Isomap, t-SNE, SOM, SVD, PCA...)
9. Network analysis: spectral clustering, node centrality, bipartite network, co-citation, bibliographic coupling
10. Análisis de supervivencia: censored and trucated data, estimador Kaplan-Meier, log-rank test...
11. Ensemble learning methods (técnicas de ensemble secuenciales y en paralelo)
12. Casos prácticos: sistema de recomendación, series temporales y Datathon

Deep Learning (5 ECTS)

1. Fundamentos de redes neuronales. Arquitecturas, funciones de activación y pérdida, capas y optimización de hyper-parámetros y modelos
2. Redes neuronales para datos tabulares: clasificación, regresión y series temporales
3. Procesado de lenguaje natural. Clasificación de texto y clustering de documentos
4. Procesamiento de imagen
5. Transfer learning
6. Reinforcement learning
7. Procesado en la nube. Entrenamiento en paralelo de una red y desplegar modelos como servicio

A lo largo de la asignatura, desplegarás e integrarás los modelos de IA Generativa adaptados a tus aplicaciones y proyectos. Utilizarás todo su pontencial para producir contenido personalizado y aprenderás el arte del prompt engineering. Asimismo, transformarás los LLMs con tus propios datos y conocerás las técnicas más avanzadas para crear prompts efectivos.

El Máster pretende dar una formación sólida en cuanto a conocimientos técnicos, pero también una visión de negocio, de modo que una vez que concluya el Máster los alumnos puedan actuar como un puente entre los niveles ejecutivo y técnico de un proyecto. De este modo se abordarán, de la mano de profesionales de empresas y multinacionales punteras, casos prácticos y de éxito, buscando aplicar conceptos adquiridos en los dos primeros módulos. Además, contamos con la colaboración de IESE Business School, la Escuela de Negocios de la Universidad de Navarra.

Gestión de proyectos y visión de negocio (5 ECTS)

1. Planificación de proyectos: identificación, definición y objetivos
2. Metodologías Agile
3. Privacidad y transparencia. Ética de la inteligencia artificial
4. Proyectos de IA generativa
5. Aplicaciones

Talleres con empresas (4 ECTS)

Exposición de ejemplos y casos de uso por parte de expertos de reconocidas empresas en varios sectores. Se abordan herramientas y técnicas impartidas durante el programa a través de proyectos reales y de actualidad.

Tiene un peso destacado en el programa. Se busca un enfoque práctico que a la vez dé solución a problemas y proyectos reales propuestos por empresas con las que existen acuerdos de colaboración. Puede ser codirigido tanto por éstas como por académicos de la Universidad de Navarra, y supone una excelente oportunidad para que los alumnos lideren la puesta en marcha de proyectos de impacto en su entorno profesional.

Trabajo Fin de Máster (18 ECTS)

El TFM consistirá en un trabajo original en el que deberán ponerse en práctica las competencias adquiridas durante el Máster. Se podrá hacer en grupos y desarrollar en el marco de una empresa o institución que proponga un proyecto de recogida, limpieza, preparación, analítica avanzada de datos y visualización de los resultados. También se podrá realizar a través de un proyecto de emprendimiento en este ámbito.

Se han de destacar aquellos aspectos éticos relativos al tratamiento de los datos, así como el impacto económico y social de los resultados. El alumno ha de demostrar que sabe planificar un proyecto y llevarlo a cabo en un entorno real de trabajo, de tal manera que adquiera una experiencia muy práctica en el ámbito de Data Science y Big Data.