See all Online Master's Degrees in Health
See all Master's Degrees in Engineering
Most searched curriculums
Official qualification
Master the most in-demand artificial intelligence techniques - such as Machine Learning, NLP and Computer Vision - with Python, TensorFlow and PyTorch. Study with a flexible online methodology, learn from an expert faculty linked to companies such as Microsoft, IBM or Santander, and get ready to apply AI in real data, automation and digital transformation projects.
*You must have a university degree in engineering, mathematics or physics.
Apply advanced data analysis and visualisation techniques to inform strategic business decisions.
Master machine learning algorithms and neural networks to build predictive models and solve complex problems.
Develop systems that understand and process human language, from chatbots to sentiment analysers.
It implements image recognition, video and visual diagnostic solutions for industrial, health and security applications.
Works with the industry standard ecosystem: Python, R, Scikit-learn, TensorFlow, PyTorch in cloud environments such as Google Colab.
Apply SCRUM, Lean and Kanban to manage AI development teams with agility and efficiency.
Transform the way you work with generative artificial intelligence. This micro-credential enables you to apply tools such as ChatGPT, Copilot or Gemini in information analysis, content creation and decision-making, integrating innovative solutions in an ethical and responsible way in real professional environments.
Develop your professional potential through leadership and interpersonal skills. This micro-credential provides you with the keys to manage teams, communicate effectively and solve problems in real-world environments, combining personal leadership techniques with practical productivity and collaboration tools.
Master's Degree in Artificial Intelligence
Year 1
FIRST FOUR-MONTH PERIOD
| Code | Subjects | Character* | ECTS | ||||||
|---|---|---|---|---|---|---|---|---|---|
| SM142000 | La IA en el mundo empresarial | OB | 6 | ||||||
La IA en el mundo empresarialCódigo: SM142000 Imprimir Curso 1 Asignatura Primer cuatrimestre. Obligatoria. 6 Créditos. Profesores
Objetivos ▪ RK3: Explica la normativa y la regulación existente en entornos IA ▪ RK5: Identifica los usos y las aplicaciones de la IA ▪ RK6: Interpreta el proceso de generación de un modelo de IA, sus fases y su puesta en producción ▪ RODS: Desarrolla una comunicación efectiva, el trabajo en equipo, el pensamiento analítico, la creatividad y el liderazgo ético desde una perspectiva transversal y con una clara inspiración en los principios y valores democráticos, así como los Objetivos de Desarrollo Sostenible para desenvolverse con integridad en un entorno profesional ▪ Domina las distintas etapas existentes en la gestión de un proyecto de aprendizaje automático y las herramientas más comunes para realizar dicha tarea de manera exitosa ▪ Implementa los requerimientos legales y regulatorios en el ámbito de un proyecto de IA para asegurar que su implementación no producirá problemas de incumplimiento para la organización ▪ Aplica las normativas que afecten a la utilización de los algoritmos de IA ▪ Competencias básicas: • El alumno conocerá los casos de uso principales y ejemplos específicos de aplicación de la IA en el mundo empresarial, así como los conceptos básicos para desenvolverse como data scientist en el seno de una organización ▪ Competencias específicas: • Se desarrollarán conceptos relacionados con una mejor puesta en práctica de los modelos analíticos y de inteligencia artificial en materias de legislación, gestión de proyectos, buenas prácticas de diseño y behavioral economics así como de gestión de proyectos de analítica avanzada. Descripción de los contenidos 1. La Inteligencia Artificial en el mundo empresarial: De manera introductoria veremos cómo, en primer lugar, la disponibilización de grandes cantidades de datos, así como de las herramientas para su procesamiento, y los modelos de inteligencia artificial derivados de los mismos, han revolucionado por completo las industrias y el mundo en el que vivimos, y qué ha supuesto eso para las distintas organizaciones y sectores empresariales 2. Data Governance: Exploraremos y trabajaremos de manera teórica y práctica los principales conceptos de gobierno del dato y su ciclo de vida dentro de la organización, desde la perspectiva del usuario de los mismos, así como desde la perspectiva del data owner o responsable de la calidad y disponibilidad de los datos. 3. BECO y Design: Principios Generales de Behavioral Economics y Diseño orientado en datos y su relevancia en la creación y desarrollo de proyectos analíticos. 4. Gestión de proyectos: Ciclo de vida de gestión de proyectos en la organización. Conceptos de planificación, gestión de tiempos, equipos y dependencias y principios de filosofía agile de desarrollo de proyectos. 5. Aspectos éticos y legales: Presentación de los entornos y normas que afectan a los modelos de Inteligencia Artificial, principales iniciativas legislativas en curso y aspectos éticos a tener en cuenta en el desarrollo de modelos. 6. MLOps: integración de la IA con los sistemas operacionales: exploraremos de manera profunda cómo integrar eficazmente el Machine Learning en el mundo empresarial, aprovechar las ventajas de la nube para implementar modelos de forma escalable, aplicar prácticas de DevOps para una gestión eficiente y aprender de casos reales de uso en diversas industrias. También mantendremos un enfoque actualizado en las tendencias más recientes en Machine Learning. Sistema y criterios de evaluación En el aula virtual de la asignatura/módulo podrás consultar en detalle las actividades que debes realizar, así como las fechas de entrega, los criterios de evaluación y las rúbricas de cada una de ellas. Tu calificación final, estará en función del siguiente sistema de evaluación: El 50% de la nota será la que obtengas en la evaluación continua. Para ello se tendrá en cuenta: Actividades individuales y/o grupales: se incluyen en la evaluación continua. El examen final de la asignatura/módulo supondrá el: 50 % de la nota final. Bibliografía Básica: 1.- Daniel Kahneman Thinking fast and slow Penguin Books. 2011. ISBN: 9780141033570 2.- Ken Schwaber & Jeff Sutherland The Scrum Guide Scrum.org. 2024. ISBN: 0000000000 3.- Zhamak Dehghani Data Mesh: Delivering Data-Driven Value at Scale O'Reilly. 2022. ISBN: 1492092398 |
|||||||||
| SM142001 | Matemáticas y estadística para la IA | OB | 6 | ||||||
Matemáticas y estadística para la IACódigo: SM142001 Imprimir Curso 1 Asignatura Primer cuatrimestre. Obligatoria. 6 Créditos. Profesores
Objetivos Conocimiento - Reconoce las teorías estadísticas más utilizadas en entornos IA. - Describe las métricas empleadas en la calibración de modelos de IA. Habilidades - Aplica la estadística asociada a los algoritmos más habituales de IA. - Determina el algoritmo necesario para afrontar un caso de IA. Competencias - Evalúa de manera equitativa diferentes soluciones basadas en inteligencia artificial y elige la más efectiva para la consecución de los objetivos planteados. - Juzga la calidad de un modelo de IA en base a métricas para la comparación entre diferentes algoritmos Descripción de los contenidos Unidad 1: Especialización de estadística para la descripción y el análisis de juegos de datos masivos. Unidad 2: Teoría de la estimación Unidad 3: Decisión y clasificación estadística Unidad 4: Estadísticas bayesianas Unidad 5: Generación estadística de datos: datasets sintéticos e imputación de datos faltantes Unidad 6: Teoría de grafos complejos y sus aplicaciones a la IA Sistema y criterios de evaluación Sistema de evaluación El 50% de la nota será la obtenida en la evaluación continua (2 trabajos practicos cuya nota final sera el promedio de ambos trabajos). El 50% de la nota será la obtenida en la examen final. Convocatoria ordinaria Para superar la asignatura en convocatoria ordinaria se debe obtener una calificación mayor o igual que 5,0 sobre 10 en la calificación final (media ponderada) de la asignatura y además: La nota media de todas las actividades (trabajos prácticos) deberá ser igual o mayor de 5,0 sobre 10 para promediar con el examen. Al igual que la nota del examen deberá ser igual o mayor de 5,0 sobre 10 para promediar con las actividades. Convocatoria extraordinaria Para superar la asignatura en convocatoria extraordinaria es necesario obtener una calificación mayor o igual que 5,0 sobre 10 en la calificación final. Se deben entregar las actividades no superadas en convocatoria ordinaria, tras haber recibido el feedback correspondiente a las mismas por parte del profesor, o bien aquellas que no fueron entregadas. Adenda Competencias básicas El alumno será capaz de entender las características que diferencian el desarrollo de un modelo de aprendizaje supervisado con fines explicativos o con fines predictivos y en especial las diferencias en las métricas de evaluación de ambos. Competencias especificas El alumno será capaz de entender para qué tipo de datos y aplicaciones son apropiadas diferentes arquitecturas de, por ejemplo: redes neuronales o modelos basados en grafos. Bibliografía Básica: 1.- Albert, Réka, and Albert-László Barabási Statistical mechanics of complex networks Reviews of modern physics 74.1: 47. 2002. ISBN: 0034-6861 2.- Boccaletti, Stefano, et al. Complex networks: Structure and dynamics " Physics reports 424.4-5 pp: 175-30. 2006. ISBN: 0370-1573 3.- Boccaletti, Stefano, et al. The structure and dynamics of multilayer networks Physics reports 544.1pp: 1-122.. 2014. ISBN: 00000-00000 4.- Euler, Leonhard. Leonhard Euler and the Königsberg bridges Scientific American. 1953. ISBN: 0036-8733 5.- Gareth, J.; Witten, D.; Hastie, T. and Tibshirani, R An Introduction to Statistical Learning: With Applications to R Springer. 2017. ISBN: 9788074350887 6.- Hastie, T.; Tibshirani, R. and Friedman, J. “The Elements of Statistical Learning: Data Mining, Inference and Prediction (2ª ed.) 2 ed.. Springer. 2017. ISBN: 9780387848570 7.- Newman, Mark EJ. The structure and function of complex networks " SIAM review 45.2. Pp 167-256. 2003. ISBN: 0036-1445 8.- Partida, Alberto, Regino Criado, and Miguel Romance Identity and access management resilience against intentional risk for blockchain-based IOT platforms Electronics 10.4: 378.. 2021. ISBN: 2079-9292 |
|||||||||
| SM142002 | Programación y entorno de trabajo para la IA | OB | 6 | ||||||
Programación y entorno de trabajo para la IACódigo: SM142002 Imprimir Curso 1 Asignatura Primer cuatrimestre. Obligatoria. 6 Créditos. Profesores
Objetivos A través de los cuatro módulos didácticos de la asignatura, se pretenden desarrollar las siguientes competencias y resultados de aprendizaje: De acuerdo con la memoria del MUIA, esta asignatura requiere los siguientes resultados del proceso de formación y aprendizaje: En conocimientos o contenidos (knowledge): RK1: Comprende los lenguajes de programación, librerías y frameworks más utilizados en el entorno de la IA. En competencias: RC3: Domina las distintas etapas existentes en la gestión de un proyecto de aprendizaje automático y las herramientas más comunes para realizar dicha tarea de manera exitosa. RC5: Adapta las diferentes tecnologías y algoritmos disponibles para aplicar en la resolución de problemas de IA. En habilidades o destrezas (skills): RS2: Domina el uso de las librerías y herramientas más comunes en el ámbito de la inteligencia artificial. ▪ Competencias básicas: el alumno será capaz de entender el papel que juegan las librerías y los entornos de programación tratados en la asignatura. ▪ Competencias específicas: el alumno será capaz de usar las librerías y los entornos de programación tratados en la asignatura. ▪ Resultados de aprendizaje: El alumno entregará los siguientes resultados de aprendizaje: Un programa en Python que utilice las librerías estudiadas en el módulo 2. Un programa en R que utilice las librerías estudiadas en los módulos 4-6. Ambos programas se desarrollarán en un EDA. Descripción de los contenidos El primer módulo lo orientaremos a conocer Python como una de los estándares, no solo de los procesos de machine learning, sino de la industria en general. Conoceremos más sobre los principales IDEs utilizados, y haremos un breve repaso sobre SQL, como lenguaje para conocer nuestros datos. El segundo módulo explica los módulos básicos de Python que constituyen la base de la programación en Python para inteligencia artificial. Ejemplos de dichos módulos especializados son Pandas, Numpy, SciPy. Igualmente, se introducirá el uso de librerías de visualización en Python como Matplotlib y Seaborn. El tercer módulo presentará dos de los principales frameworks de trabajo de Inteligencia Artificial como son SKLearn, centrados en modelos tradicionales, y Tensorflow, más enfocados en el aprendizaje profundo. Cerraremos con una introducción al control de versiones con GIT. El cuarto, quinto y sexto módulo replican la estructura de los dos primeros, pero, en esta ocasión, usando R como lenguaje de programación, con especial foco en sus funcionalidades nativas y librerías para el análisis de datos (dplyr, data.table) y de visualización como ggplot2. Sistema y criterios de evaluación En el aula virtual de la asignatura/módulo podrás consultar en detalle las actividades que debes realizar, así como las fechas de entrega, los criterios de evaluación y las rúbricas de cada una de ellas. Tu calificación final, estará en función del siguiente sistema de evaluación: El 50% de la nota serán los entregables (uno de python y uno de R) El examen final de la asignatura supondrá el otro 50% de la nota. Bibliografía Básica: 1.- Chang, Winston R Graphics Cookbook O'Reilly Media. 2013. ISBN: 9781449316952 2.- Healy Kieran Data Visualization: A Practical Introduction Princeton University Press. 2019. ISBN: 9780691181622 3.- Luciano Ramalho Fluent Python: Clear, Concise, and Effective Programming 2 ed.. O'Reilly. 2022. ISBN: 9781492056355 4.- Marc Lutz Learning Python: Powerful Object-Oriented Programming 6 ed.. O'Reilly. 2025. ISBN: 9781098171308 5.- SAS Viya Machine Learning Node Reference SAS Institute Inc. 2023. ISBN: 0000000000 6.- Wickham, Hadley; Mine Çetinkaya-Rundel and Garrett Grolemund R for Data Science (2ª ed.) O'Reilly Media. 2023. ISBN: 9781492097402 |
|||||||||
| SM142003 | Técnicas de IA: Clasificaciones y agrupaciones | OB | 6 | ||||||
Técnicas de IA: Clasificaciones y agrupacionesCódigo: SM142003 Imprimir Curso 1 Asignatura Primer cuatrimestre. Obligatoria. 6 Créditos. Profesores
Objetivos La asignatura "Técnicas de IA: Clasificaciones y Agrupaciones" tiene como objetivo proporcionar una formación integral que combine conocimientos teóricos sólidos y habilidades prácticas aplicables en el campo de la Inteligencia Artificial. Entre los objetivos específicos se incluyen el dominio de las bases teóricas de las principales técnicas de clasificación y agrupación, como k-NN, SVM, Naive Bayes, K-means y DBSCAN, así como el entendimiento del Feature Engineering como proceso esencial para optimizar el rendimiento de los modelos de IA. Además, se busca familiarizar a los estudiantes con las herramientas y librerías más utilizadas en el entorno de la IA, como Scikit-learn, Pandas y NumPy, para que puedan aplicar estos conocimientos a problemas prácticos. En términos de capacidades, el estudiante será capaz de evaluar y seleccionar los algoritmos más apropiados para resolver problemas específicos de clasificación y agrupación, diseñar y ejecutar procesos de Feature Engineering para optimizar conjuntos de datos, implementar soluciones prácticas utilizando herramientas estándar en la industria y analizar los resultados obtenidos para ajustar modelos de manera efectiva. También se fomenta la participación activa en proyectos colaborativos y debates, promoviendo el pensamiento crítico y la resolución creativa de problemas. La evaluación de la asignatura combinará la adquisición de conocimientos teóricos y la capacidad práctica. La evaluación continua representará el 50 % de la nota final e incluirá la participación activa en foros y debates, la resolución y entrega de actividades prácticas individuales o grupales y la realización de cuestionarios y tareas de autocomprobación. El 50 % restante de la nota se asignará al examen final, que evaluará tanto los conocimientos teóricos como la capacidad de aplicarlos en un contexto estructurado. Para superar la asignatura, será necesario obtener una calificación mínima de 5 sobre 10 en ambos componentes de la evaluación. Descripción de los contenidos La asignatura "Técnicas de IA: Clasificaciones y Agrupaciones" aborda los fundamentos teóricos y prácticos necesarios para aplicar técnicas avanzadas de clasificación y agrupación en el campo de la Inteligencia Artificial. Está estructurada en seis módulos esenciales que cubren los siguientes contenidos: Feature Engineering: Introducción a las técnicas de selección y generación de variables para optimizar modelos de IA. Este módulo explora los principios fundamentales para transformar y preparar datos, mejorando así la eficacia de los algoritmos. Clasificación con SVM (Support Vector Machines): Análisis de las bases teóricas y aplicaciones prácticas de las Máquinas de Vectores de Soporte, una técnica estadística clave para la clasificación. Clasificación con Vecinos Cercanos (k-NN): Estudio del algoritmo k-Nearest Neighbors, una herramienta esencial para la clasificación basada en proximidad, con énfasis en su implementación y aplicaciones prácticas. Clasificación con Naive Bayes: Revisión del método probabilístico Naive Bayes, incluyendo su fundamento estadístico y su uso en escenarios reales de clasificación. Agrupación con K-means: Presentación de este método popular de agrupación, con un enfoque en su comprensión teórica, implementación práctica y aplicaciones. Agrupación con DBSCAN (Density-Based Spatial Clustering of Applications with Noise): Introducción al algoritmo de agrupación basado en densidad, ideal para trabajar con conjuntos de datos complejos y ruidosos. Estos contenidos han sido diseñados para proporcionar una comprensión profunda y práctica de las principales técnicas de clasificación y agrupación, fomentando el aprendizaje activo a través de actividades y proyectos. Sistema y criterios de evaluación El sistema de evaluación de la asignatura "Técnicas de IA: Clasificaciones y Agrupaciones" combina actividades prácticas y pruebas de conocimientos, con el objetivo de medir tanto la adquisición de competencias teóricas como la capacidad de aplicarlas en contextos reales. La calificación final se divide en dos componentes principales: Evaluación continua (50%): Incluye la participación activa en foros y debates, la entrega puntual de los ejercicios de Feedback (1 y 2), y la realización de cuestionarios o tareas de autocomprobación. Estas actividades permiten consolidar los conceptos impartidos y evaluar el progreso del estudiante a lo largo del curso. Examen final (50%): Consiste en una prueba que evalúa tanto los conocimientos teóricos adquiridos como su aplicación en problemas prácticos. Para superar la asignatura, el estudiante deberá obtener una calificación mínima de 5 sobre 10 tanto en la evaluación continua como en el examen final. La evaluación continua busca fomentar la participación activa, el trabajo colaborativo y el aprendizaje práctico, mientras que el examen final asegura que los conocimientos esenciales han sido comprendidos y pueden aplicarse de manera efectiva. Adenda La asignatura "Técnicas de IA: Clasificaciones y Agrupaciones" se imparte en modalidad online, lo que facilita la flexibilidad en el aprendizaje y permite a los estudiantes organizar su tiempo de manera autónoma. Las sesiones virtuales, tanto síncronas como asíncronas, están diseñadas para fomentar la interacción entre los estudiantes y el profesor, promoviendo un aprendizaje activo y colaborativo. Materiales de aprendizaje: Los estudiantes contarán con una variedad de recursos, incluyendo guías de aprendizaje, contenidos teóricos enriquecidos con enlaces y bibliografía, ejercicios de autocomprobación y actividades prácticas. Todo el material estará disponible en el aula virtual para su consulta en cualquier momento. Duración y carga lectiva: La asignatura tiene una carga de 6 créditos ECTS, distribuidos en 22 horas de clases virtuales y 18 horas de tutorías. Estas horas se complementan con el tiempo dedicado al estudio autónomo y la realización de actividades prácticas, lo que asegura una formación integral. Soporte docente: El profesor estará disponible para resolver dudas y brindar apoyo a través de tutorías semanales y el sistema de mensajería del aula virtual. Se anima a los estudiantes a utilizar estos canales para maximizar su aprovechamiento del curso. Bibliografía Básica: 1.- Burger, Scott V. Introduction to Machine Learning with R O’Reilly. 2018. ISBN: 9781491976449 2.- Eric Matthes Python Crash Course (3ª ed.) No Starch Press. 2023. ISBN: 9781593276034 3.- Fernández-Avilés, Gema Fundamentos de Ciencia de Datos Con R McGraw Hill. 2024. ISBN: 9788448636289 4.- Lantz, Brett Machine Learning with R (3ª ed.) Packt Publishing Ltd. 2019. ISBN: 9781788295864 |
|||||||||
| SM142004 | Técnicas de IA: Regresiones, deep learning y otros | OB | 6 | ||||||
Técnicas de IA: Regresiones, deep learning y otrosCódigo: SM142004 Imprimir Curso 1 Asignatura Primer cuatrimestre. Obligatoria. 6 Créditos. Profesores
Objetivos En cuanto a la adquisición de conocimientos, la asignatura busca que los estudiantes comprendan los lenguajes de programación, librerías y frameworks clave en inteligencia artificial, así como las teorías estadísticas más aplicadas en este campo. También se espera que sean capaces de clasificar y comparar diferentes familias de algoritmos y que identifiquen sus aplicaciones prácticas. Respecto a la adquisición de capacidades, los estudiantes deben desarrollar habilidades para evaluar soluciones basadas en inteligencia artificial y determinar su eficacia. También deben ser capaces de aplicar tecnologías y algoritmos para resolver problemas específicos y emplear técnicas de aprendizaje profundo para abordar desafíos complejos. En cuanto a los criterios de evaluación, se requiere participación activa en foros y debates, así como la resolución y entrega de actividades individuales y grupales. El examen final constituye el 50% de la nota final. Descripción de los contenidos La asignatura se organiza en seis módulos. En el módulo de Regresión Lineal se estudian sus fundamentos teóricos y aplicaciones prácticas para identificar relaciones lineales y realizar predicciones. En el módulo de Regresión Logística se abordan las técnicas de clasificación basadas en asignación de probabilidades. El módulo de Regresiones Random Forest introduce el uso de árboles de decisión para manejar datos no lineales y como combinar éstos para dar lugar a modelos más precisos y complejos. En el módulo de Deep Learning y LSTM se exploran las redes neuronales y las redes recurrentes especializadas en datos secuenciales. El módulo de Redes Convolucionales se centra en la extracción de características tridimensionales y su aplicación en visión por computadora. Finalmente, el módulo de Reinforcement Learning enseña técnicas de aprendizaje basado en recompensas para la toma de decisiones secuenciales. Sistema y criterios de evaluación El sistema de evaluación incluye una evaluación continua que representa el 50% de la nota final y que considera la participación en foros y la realización de actividades prácticas individuales y grupales. El otro 50% corresponde al examen final. En caso de no aprobar, la convocatoria extraordinaria permite recuperar tanto actividades como el examen, siempre que se hayan seguido las indicaciones y recibido el feedback correspondiente. Adenda Se recomienda a los estudiantes mantener un libro de bitácora para registrar su progreso y participar activamente en las clases virtuales, aunque estas también estarán disponibles en formato grabado para consulta. Los profesores están disponibles para tutorías, las cuales se pueden solicitar vía correo electrónico o mediante la mensajería del campus virtual. La bibliografía sugerida incluye textos sobre estadística, regresión y aprendizaje profundo, de autores reconocidos en el ámbito académico y profesional. Bibliografía Básica: 1.- David W. Hosmer, Jr., Stanley Lemeshow, Rodney X. Sturdivant Apllied Logistic Regression (3ª ed.) Wiley. 2013. ISBN: 9780470582473 2.- Douglas C. Montgomery, Elizabeth A. Peck, G. Geoffrey Vining Introduction to Linear Regression Analysis Wiley. 2006. ISBN: 9780471754954 3.- Josh Patterson, Adam Gibson Deep Learning: A Practitioner’s Approach O’Reilly. 2017. ISBN: 9781491914250 4.- Josph M. Hilbe Logistic Regression Models CRC Press. 2009. ISBN: 9781420075755 5.- Peter Bruce, Andrew Bruce y Peter Gedeck Estadística práctica para la ciencia de datos 2 ed.. Marcombo. 2022. ISBN: 9788426734433 6.- Sheldon M. Ross Introducción a la Estadística Reverté. 2007. ISBN: 9788429150391 |
|||||||||
| SM142050 | Lenguaje de programación | CM | 6 | ||||||
Lenguaje de programaciónCódigo: SM142050 Imprimir Curso 1 Asignatura Primer cuatrimestre. Complemento for. máster. 6 Créditos. Profesores
Bibliografía Básica: 1.- Roger Peng R Programming for Data Science Lulu.com. 2016. ISBN: 1365056821 Enlaces Intérprete Python online - Intérprete Python online R packages - R packages Jupyter Lab online - Jupyter Lab online |
|||||||||
| TOTAL: | 36 | ||||||||
SECOND FOUR-MONTH PERIOD
| Code | Subjects | Character* | ECTS | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| SM142005 | Áreas de aplicación y casos de uso: entornos con datos estructurados | OB | 6 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Áreas de aplicación y casos de uso: entornos con datos estructuradosCódigo: SM142005 Imprimir Curso 1 Asignatura Segundo cuatrimestre. Obligatoria. 6 Créditos. Profesores
Objetivos El objetivo principal es proporcionar a los estudiantes una comprensión profunda de los principios y técnicas subyacentes en el diseño, implementación y optimización de modelos lineales de la familia ARIMA y modelos de aprendizaje profundo como LSTM. Estos conocimientos son cruciales para la formación de los futuros profesionales en ciencia de datos, ya que el deep learning representa una de las herramientas más potentes y versátiles en la extracción de patrones y la predicción de datos complejos. Descripción de los contenidos El curso comienza con una introducción a los conceptos básicos y la arquitectura de los modelos lineales ARIMA, sentando las bases para temas más avanzados. Posteriormente, se abordan los modelos más avanzados de esta familia, con un enfoque en los modelos SARIMA y posteriormente al modelo de Facebook, el Prophet. Terminada esta parte, el curso sigue con una introducción a los conceptos básicos y la arquitectura de los modelos de Deep learning, con un enfoque a las redes neuronales recurrentes, con un enfoque en el modelo LSTM. En fin, se analizarán los modelos ARCH y GARCH para el calculo de la volatilidad condicional, métrica fundamental para representar la incertidumbre en las predicciones de series temporales. El curso finalizará con el estudio del Temporal Fusion Transformer (TFT), uno de los modelos más incoativo basado en la arquitectura de los Transformers modernos (Self-attention, Encoder, Decoder). Sistema y criterios de evaluación Tu calificación final, estará en función del siguiente sistema de evaluación: - El 40% de la nota final será la que obtengas en la evaluación continua. Para ello se tendrá en cuenta: los trabajos individuales. - El examen final de la asignatura/módulo supondrá el: 60 % de la nota final. Adenda Es crucial que los estudiantes adquieran primero un conocimiento sólido de los fundamentos antes de avanzar hacia las técnicas y modelos más avanzados. Este enfoque progresivo garantiza que los alumnos construyan una comprensión integral y cohesionada de los temas. Las actividades formativas están diseñadas para guiar y reforzar el aprendizaje. Los contenidos teóricos proporcionan la base necesaria, mientras que los ejercicios de autocomprobación permiten a los estudiantes evaluar su comprensión y progresar de manera efectiva. Bibliografía Básica: 1.- Bishop, C. M. Pattern Recognition and Machine Learning Springer. 2006. ISBN: 9780387310732 2.- Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. 2019. ISBN: 9781492032649 3.- Goodfellow, I., Bengio, Y., & Courville, A. Deep Learning MIT Press. 2016. ISBN: 9780262035613 Complementaria: 4.- Aggarwal, C. C. Neural Networks and Deep Learning: A Textbook 2 ed.. Springer. 2018. ISBN: 9783031296444 5.- Chollet, F. Deep Learning with Python Manning Publications. 2018. ISBN: 9781617294433 6.- Sutton, R. S., & Barto, A. G. Reinforcement Learning: An Introduction (2nd ed.) MIT Press. 2018. ISBN: 9780262039246 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| SM142006 | Áreas de aplicación y casos de uso: entornos con datos no estructurados | OB | 6 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Áreas de aplicación y casos de uso: entornos con datos no estructuradosCódigo: SM142006 Imprimir Curso 1 Asignatura Segundo cuatrimestre. Obligatoria. 6 Créditos. Profesores
Objetivos En esta asignatura se busca introducir de manera general algunos casos de uso basados en datos no estructurados. En la actualidad, el auge de los sistemas LLM y SLM está cambiando la forma de ver la inteligencia artificial. En esta asignatura nos basaremos en aprendizajes de datos no estructurados. Esta asignatura obligatoria dentro del máster MUIA se cursa en "modo online" y en castellano dentro del segundo semestre y otorga 6 créditos (22 horas de sesiones de clases con profesor y de trabajos guiados más 18 horas en consultas en las que el profesor está disponible para el alumno). La estructura del curso se divide en módulos esenciales: 1. Introducción al LLM: situación actual 2. Visión artificial: en este módulo conoceremos: a. Refresco de redes neuronales. b. Convolución c. Transformers 3. Natural Language Processing: a. Dialog flow b. Challenging al NLP c. Qlearning: optimización de rutas en delivery El sistema de evaluación estará compuesto por actividades prácticas y pruebas de conocimientos, de manera que el estudiante no solo comprenda los conceptos teóricos, sino que también sea capaz de aplicarlos en escenarios reales. Descripción de los contenidos Unidad Didáctica 1: Fundamentos del Procesamiento del Lenguaje Natural: NLP o Procesamiento del Lenguaje Natural es una rama de la inteligencia artificial que se ocupa de la interacción entre los ordenadores y el lenguaje humano. El objetivo principal de NLP es permitir que las máquinas comprendan, interpreten y generen texto de manera similar a como lo hacen los humanos. Esto implica la capacidad de procesar, analizar y responder a información escrita o hablada. En términos simples, NLP busca habilitar a los ordenadores para comprender el significado detrás del lenguaje humano en todas sus complejidades. Esto incluye la capacidad de entender la gramática, el contexto, las ambigüedades, el tono emocional y otros aspectos lingüísticos. Las aplicaciones de NLP son diversas y van desde la traducción automática y la generación de texto hasta la extracción de información, el análisis de sentimientos, el chatbot y la mejora de motores de búsqueda, entre otros. Unidad Didáctica 2: Modelos Profundos y Redes Neuronales para NLP: Las Redes Neuronales Recurrentes (RNNs) son fundamentales en el análisis de datos secuenciales, especialmente en aplicaciones como procesamiento de lenguaje natural (NLP) y predicción de series temporales. Su capacidad de incorporar "memoria" las hace útiles para tareas que requieren contexto previo, aunque enfrentan limitaciones significativas, como el problema del desvanecimiento del gradiente. Para abordar estas dificultades, se desarrollaron variantes avanzadas como las LSTM y GRU, que optimizan la retención y el manejo de dependencias a largo plazo. Los modelos Transformer, introducidos en 2017, marcaron un avance significativo al superar las limitaciones de las RNN y CNN mediante el uso del mecanismo de atención. Este diseño ha permitido el desarrollo de herramientas más eficientes y potentes como BERT, GPT y otros modelos especializados en diversas tareas de NLP y más allá. Su escalabilidad, capacidad de preentrenamiento y paralelización los convierten en una piedra angular del aprendizaje profundo actual. Unidad Didáctica 3: Aplicaciones practicas y avances en NLP: Esta unidad explora en profundidad los fundamentos, avances y aplicaciones del procesamiento del lenguaje natural (NLP) y de las tecnologías que lo sustentan, estructurado en cinco temas principales. El primer tema, "Frameworks y Nube", presenta una base sólida sobre los conceptos fundamentales de la computación en la nube, incluyendo su historia, principales proveedores, modelos de despliegue y tecnologías clave como Kubernetes y Docker. Además, aborda la transición hacia el Edge Computing, destacando su relevancia para aplicaciones de inteligencia artificial. El segundo tema, "Infraestructura y Hardware", analiza los requerimientos técnicos para el desarrollo de soluciones de IA, desde el hardware especializado y el procesamiento eficiente hasta la sostenibilidad energética y la protección de datos. El tercer tema, "Aplicaciones de NLP en la Vida Real", detalla diversas implementaciones del NLP, desde la traducción automática y generación de texto hasta sistemas avanzados como GPT y ChatGPT, integrando conceptos de multimodalidad y prompting. El cuarto tema, "Futuro del NLP", examina los desafíos emergentes, como la eficiencia en modelos grandes y la inclusión de idiomas con pocos recursos. Finalmente, el quinto tema, "Extensión de Conceptos", profundiza en tecnologías de vanguardia como Semantic Kernel, LangChain y agentes inteligentes, comparando enfoques open-source y privados. Sistema y criterios de evaluación Este módulo cuenta con un material de partida: Guía de Aprendizaje: Que estás leyendo actualmente. Este módulo se divide en 6 Unidades didácticas (o módulos). Para el estudio de cada una de ellas deberás leer, estudiar y superar con éxito todos los materiales que la componen. Son los siguientes: Contenidos teóricos y ejercicios de autocomprobación: Cada módulo se compone de varias unidades didácticas. En cada unidad didáctica encontrarás contenidos de carácter más teórico (enriquecido con enlaces, bibliografía y vídeos) donde el profesor explicará y aclarará partes específicas del temario. Intercalados con el contenido teórico podrás encontrar foros, cuestionarios y tareas que te servirán para que afiances conocimientos aplicándolos a la práctica. Actividades individuales y/o grupales: En esta asignatura/módulo están planificadas varias actividades individuales y/o grupales. Deberás resolverlas y enviarlas al profesor, mediante el buzón de entrega de la tarea habilitado en el aula virtual de la asignatura/módulo, para que pueda evaluarlas y darte un feedback personalizado. Estas actividades puntuarán en la nota final. Participación en foros: En este módulo deberás participar activamente en los debates que propone el profesor, bien de modo síncrono o asíncrono. Clases virtuales: esta asignatura/módulo cuenta con 15 clases virtuales que se realizarán de manera síncrona en las fechas y horarios publicados por el profesor, utilizando la herramienta de videoconferencia del aula virtual. Aunque las clases se graban y pueden consultarse de manera asíncrona, es recomendable asistir ya que son sesiones interactivas y participativas que te ayudarán a comprender y aplicar los conceptos de la asignatura/módulo. Deberás superar el examen final del módulo. Bibliografía Básica: 1.- Stockman, G., & Shapiro, L. G. Computer vision Prentice Hall PTR.. 2001. ISBN: 9780130307965 Complementaria: 2.- BLEHM, Clayton, et al. Computer vision syndrome: a review Survey of ophthalmology, vol. 50, no 3, p. 253-262. 2005. ISBN: 18793304 3.- GOWRISANKARAN, Sowjanya; SHEEDY, James E. Computer vision syndrome: A review Work, vol. 52, no 2, p. 303-314. 2015. ISBN: 1051-9815 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| SM142007 | Calibración, métricas y explicabilidad de modelos de IA | OB | 6 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Calibración, métricas y explicabilidad de modelos de IACódigo: SM142007 Imprimir Curso 1 Asignatura Segundo cuatrimestre. Obligatoria. 6 Créditos. Profesores
Objetivos Comprender la importancia de la explicabilidad de los modelos de IA Aprender a explicar modelos de IA con XAI utilizando herramientas como SHAP o alternativas. Conocer y entender las métricas principales asociadas a modelos de regresión Conocer y entender las métricas principales asociadas a modelos de clasificación Entender el desbalanceo de datos y conocer técnicas de balanceo Descripción de los contenidos 1. XAI, definición, conceptos y propiedades 2. Estabilidad 3. Introducción a las métricas de los modelos de IA 4. Métricas de rendimiento de los modelos de regresión 5. Métricas de rendimiento de los modelos de clasificación 6. Datos balanceados Sistema y criterios de evaluación - Examen final de la asignatura (70% de la calificación). - Ejercicio práctico (30% de la calificación). Cronograma Pulse sobre este enlace para obtener el cronograma detallado en excel
Bibliografía Básica: 1.- Kuhn, M. y Johnson, K. Feature Engineering and Selection: A Practical Approach for Predictive Models Chapman and Hall/CRC. 2019. ISBN: 9781138079229 2.- Provost, F., & Fawcett, T. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking O'Reilly Media. 2013. ISBN: 9781449374266 Complementaria: 3.- A. Barredo, N. Díaz-Rodriguez, J. Del Ser, A. Bennetot, S. Tabik, A. Barbado, S. García, S. GilLopez, D. Molina, R. Benjamins, R. Chatila, F. Herrera Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI Information Fusion (58) 82-115. 2020. ISBN: 15662535 4.- Iqbal H. Sarker Machine Learning: Algorithms, Real-World Applications and Research Directions SN Computer Science 2, 160. 2021. ISBN: 2662995X |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| SM142008 | Prácticas académicas externas | OB | 6 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Prácticas académicas externasCódigo: SM142008 Imprimir Curso 1 Asignatura Segundo cuatrimestre. Obligatoria. 6 Créditos. Profesores
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| SM142009 | Trabajo Fin de Máster | OB | 6 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Trabajo Fin de MásterCódigo: SM142009 Imprimir Curso 1 Asignatura Segundo cuatrimestre. Obligatoria. 6 Créditos. Profesores
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| TOTAL: | 30 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
*Character: BT: Basic Training, Ob: Required, Op: Optional
The main reason why at UAX there are students like you is the possibility of making your personal, professional and academic life compatible. Our differential value is a methodology without barriers, focused on you and your desire to learn.
How is our methodology?
In addition, you will have the complete availability of our campus in Madrid, to carry out your formalities, solve your doubts and enjoy the facilities it offers.
Discover the official status of your degree and official recognition in your country:
Once you have completed your studies in the Official Master's Degree in Artificial Intelligence you will receive your official European degree issued by the Alfonso X el Sabio University, the first private university in Spain with more than 30 years of experience. Its official programmes are degrees verified by the Council of Universities and fully valid in Spain, as well as in the European Higher Education Area. It has the homologation and automatic recognition by the Educational Systems of Latin America and their corresponding Ministries of Education: SENESCYT, MEN (MinEducation), SEP, Mescyt, among others.
This Master's Degree in Artificial Intelligence is open to students with one of these or similar degrees:
In addition, students with the following degrees may also be admitted to the master's degree, by taking basic training complements:
Join this enriching optional experience, to be held in June 2026, the days prior to the graduation of your Online Master, where you will have the opportunity to immerse yourself in the business world of Madrid. You will be able to enjoy lectures given by leading companies from various sectors, participate in leadership talks with a practical focus and connect with influential professionals and managers. At the end, you can enjoy an exclusive networking event, where you can expand your network of contacts and explore new professional opportunities. This unique face-to-face experience is designed as a meeting point between technology, business and student and will take place at the UAX Chamberí campus, in the heart of Madrid.
At UAX we know that studying is an investment, that's why we provide you with the facilities you need to access our degrees. Find out about some of our scholarships and grants to study the postgraduate course in artificial intelligence online:
UAX obtains the highest rating of 5 stars and the overall "Excellent" badge for Employability, Teaching, Academic Development, Facilities, Online Teaching and Good Governance in the prestigious international QS Stars rating.
According to the Forbes 2025 List, UAX is positioned in the TOP 2 Spanish Universities in the adoption of Generative AI in the training of its students, developing innovative learning tools and models aligned with technological evolution.
UAX is recognised as the second most innovative university in Spain, the only private university among the top three in the ranking. This recognition highlights our transversal commitment to AI and training in sustainability.
Forbes ranks UAX as the private university with the most graduates working in its area (nearly 90%), thanks to a unique educational model firmly linked to the labour market through more than 8,800 agreements with companies.
The prestigious ranking of the BBVA Foundation and the IVIE recognises us as the university with the best job placement in Spain in 2023, consolidating our model focused on the real employability of our graduates.
The Coordenadas Institute of Governance and Applied Economics places UAX as the private university of reference in Madrid, highlighting our practical training model aligned with the reality of the market.
PhD Cum Laude in Computer Science from the University of Salamanca with European mention. Professor accredited by ANECA. More than 20 years as a teacher of ICT and tutor of final degree/master's degree projects. Head of DevSecOps centre of excellence at Santander Digital Services. Extensive experience in the management and implementation of software projects.
D. in Quantitative Finance and Economics, with a Master's degree in Quantitative Economics and Data Science. Certified in Quantitative Risk Management (CQRM), he has more than 15 years of teaching experience. His research focuses on dynamic and stochastic systems applied to economics and finance, and he is an external consultant in data analysis for the European Commission (JRC).
Senior data manager at Ikea. Masters in Big Data Analytics and Artificial Intelligence. Extensive experience in cloud development, data platforms, governance and MLOps. Collaborations with several research teams and as a lecturer in European universities.
Telecommunications Engineer from the Polytechnic University of Madrid and Master in Deep Learning. Currently, she works as a Technical Specialist in the Data&AI area at Microsoft.
Data Scientist at IBM Spain, specialised in the application of advanced algorithms for time series prediction and predictive models using advanced techniques such as LSTM and Prophet for financial and industrial data analysis. He develops Retrieval-Augmented Generation (RAG) solutions to improve response generation in GenAI systems, optimising access to relevant information in generative models.
Computer Engineer from the Polytechnic University of Madrid. More than 20 years of ICT teaching experience for companies and universities. Member of the DevSecOps team at Santander Digital Services coordinating and participating in the implementation of conversational assistants integrated with predictive and generative AI solutions, such as Google Dialogflow, Azure OpenAI or AWS Bedrock.
PhD in Geomatics Engineering from the Polytechnic University of Madrid, Master in Disaster Prevention and Management and Industrial Engineer. Specialised in machine learning, geostatistics and intelligent systems, applying these techniques in the investigation of seismic vulnerability and risk management at urban level.
Graduate in mathematics from the University of Valencia, specialising in Bayesian statistics. Experience in the world of data science and statistical modelling. He currently works as a data scientist in the consulting department of Management Solutions, where he carries out advanced analytics and complex model development projects for the financial sector.
Industrial Engineer, MBA and Master in Data Science & Business Analytics, with more than 20 years of consulting experience in the energy and infrastructure sector. He currently leads the data analytics and business intelligence unit at SEURECA-VEOLIA and is a PhD candidate in the Information and Communication Technologies programme.
Computer Engineer and Executive MBA with more than 15 years of experience leading IT strategies in pharma, manufacturing and education. Expert in digital transformation, ERP, CRM and data analytics. He is currently CIO at Alcaliber, where he drives global innovation and operational efficiency projects.
Computer Engineer from the Universidad Pontificia de Salamanca. Master in Business Administration. More than 20 years of experience in IT environments. Expert in the definition of efficient cloud environments. He is responsible for the DevOps Hub Europe at Santander Digital Services.
PhD in data analysis from the Complutense University of Madrid. She currently works at the ISPA Biostatistics and Epidemiology Platform and collaborates with various biomedical research groups in several hospitals in Spain and Europe.
Computer Engineer from the University of Huelva. Experience in DevOps environments and cloud architectures. Specialised in deployment automation, access management and infrastructure definition. Experience in migration of on-premise systems to cloud and training in the area.
Graduate in Business Administration, specialising in Data Science and Big Data. With more than 20 years of experience in banking, she is currently part of the Artificial Intelligence area at Banco Santander, where she leads global initiatives in generative AI applied to business. Expert in data analytics, CRM and systems integration, focusing on the connection between business and technology.
We don't just train you in AI; we prepare you to lead its application in the market. Our graduates are hybrid profiles, with exceptional technical mastery and the ability to generate business value, which makes them the most sought-after professionals.
Artificial intelligence is the combination of algorithms from which computer systems mimic human intelligence processes using machines, processors and software to perform data processing and analysis tasks, thus improving decision making in any sector.
This Master's Degree in Artificial Intelligence is open to students with one of these or similar degrees:
In addition, students with the following degrees may also be admitted to the master's degree, by taking basic training complements:
To get the most out of the Master in Artificial Intelligence, it is advisable to have a previous background in technology, programming, engineering, mathematics, data analysis or related areas. It is not only about knowing tools, but also having the ability to work with computational logic, interpret data and understand how artificial intelligence models are applied in professional environments.
The master's degree is part of the Business & Tech area of UAX, which combines business, technology, data and artificial intelligence to train profiles capable of leading digital transformation processes.
The Online Master's Degree in Artificial Intelligence will allow you to master the AI techniques most in demand by companies, such as:
In addition, by studying artificial intelligence you will be trained in agile methodologies such as Agile, SCRUM, Lean and Kanban, preparing you to work in high-performance teams.
From day one, you will be connected to the business world through workshops, workshops and internships in leading companies in the technology sector such as Avanade by Microsoft, Hispasat, Accenture, Telefónica and IBM, among others.
El Máster en Inteligencia Artificial (IA) te proporciona una base sólida y conocimientos avanzados en el campo de la IA. Con este título, puedes convertirte en especialista en IA y trabajar en diversas áreas, abriéndote puertas a roles en investigación, desarrollo de productos, consultoría y más.
The UAX online Master's in Artificial Intelligence is studied through a flexible methodology, designed so that you can combine your training with your professional and personal life. You will have access to live classes, content available 24/7, virtual campus, practical activities, multimedia resources and monitoring by the teaching and tutoring team.
The training is oriented towards active learning, with cases, projects and assessments adapted to the online environment, so that you can progressively advance and apply the knowledge acquired in real contexts. UAX's online methodology includes live classes, virtual campus, personalised monitoring, continuous assessment and multimedia resources.
The online mode allows you to study the Master's in Artificial Intelligence from anywhere, with access to the content whenever you need it and with an organisation designed for professionals who want to continue training without pausing their work activity.
In addition to the flexible timetable, you will have live classes, materials available from any device, virtual campus, teaching support and continuous assessment. This modality allows you to progress at your own pace without giving up contact with teachers, classmates and resources oriented to professional practice.
Los egresados estarán formados para desarrollar funciones de asesoramiento y consultoría en áreas de alto impacto como: machine learning, ciencia de datos, redes neuronales artificiales, sistemas de recomendación, procesamiento de lenguaje natural o visión artificial. Podrán incorporarse a puestos como “Data Scientist” o “Data Analyst”, Director de proyectos de machine learning, Data Scientist / Architect, Consultor tecnológico , AI developer o programador de inteligencia artificial, Especialista en procesamiento de lenguaje natural (NLP o Natural Language Processing), Ingeniero de Inteligencia Artificial , Consultor en Data Mining y experto en inteligencia artificial como SaaS (Software as a Service o Software como Servicio)
All fields are required
Master's Degree in Cybersecurity
Start:
October
Length:
9 months
Online Master's Degree in Business Management and Administration (MBA)
Start:
October
Length:
9 months
Online Master's Degree in Project Organisation and Management
Start:
October
Length:
9 meses
Master's Degree in Occupational Risk Prevention (online)
In collaboration with:
Start:
October
Length:
9 meses
Online University Master's Degree in Big Data for Business
Start:
October
Length:
9 meses
Online Master's Degree in Digital Marketing
Start:
October
Length:
9 meses
Online Master's Degree in Cybersecurity
Start:
October
Length:
9 meses
Online Master's Degree in Renewable Energies
Start:
October
Length:
9 meses
Queries, complaints and claims
We listen to the real demands of our students and employees, because we believe in the continuous improvement of results. Therefore, we always want to listen to everything you want to tell us.
If you already belong to UAX, through the virtual campus in the section Customer service: complaints, suggestions and congratulations, entering your username and password.
Telephone: 91 810 94 00
E-mail: paramejorar@uax.es
Opening hours: Monday to Friday from 9:00 am to 6:00 pm