Voir tous les masters en ligne en ingénierie
Voir tous les Health VET Online
Voir tous les doubles diplômes
Voir tous les masters en éducation
Programmes les plus recherchés
Qualification officielle
Maîtrisez les techniques d'intelligence artificielle les plus demandées - telles que l'apprentissage automatique, le NLP et la vision par ordinateur - avec Python, TensorFlow et PyTorch. Étudiez avec une méthodologie en ligne flexible, apprenez d'une faculté experte liée à des entreprises telles que Microsoft, IBM ou Santander, et préparez-vous à appliquer l'IA dans les données réelles, l'automatisation et les projets de transformation numérique.
*Un diplôme universitaire en ingénierie, mathématiques ou physique est requis.
Appliquer des techniques avancées d'analyse et de visualisation des données pour éclairer les décisions stratégiques de l'entreprise.
Maîtriser les algorithmes d'apprentissage automatique et les réseaux neuronaux pour élaborer des modèles prédictifs et résoudre des problèmes complexes.
Développer des systèmes qui comprennent et traitent le langage humain, des chatbots aux analyseurs de sentiments.
Elle met en œuvre des solutions de reconnaissance d'images, de vidéo et de diagnostic visuel pour des applications dans les domaines de l'industrie, de la santé et de la sécurité.
Travaille avec l'écosystème standard de l'industrie : Python, R, Scikit-learn, TensorFlow, PyTorch dans des environnements cloud tels que Google Colab.
Appliquer SCRUM, Lean et Kanban pour gérer les équipes de développement de l'IA avec agilité et efficacité.
Transformez votre façon de travailler avec l'intelligence artificielle générative. Ce micro-crédit vous permet d'utiliser des outils tels que ChatGPT, Copilot ou Gemini dans l'analyse d'informations, la création de contenu et la prise de décision, en intégrant des solutions innovantes de manière éthique et responsable dans des environnements professionnels réels.
Développez votre potentiel professionnel grâce à vos compétences en matière de leadership et de relations interpersonnelles. Ce micro-crédit vous donne les clés pour gérer des équipes, communiquer efficacement et résoudre des problèmes dans des environnements réels, en combinant des techniques de leadership personnel avec des outils pratiques de productivité et de collaboration.
Master en intelligence artificielle
Année 1
PREMIÈRE PÉRIODE DE QUATRE MOIS
| Code | Matières | Caractère* | 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 | ||||||||
DEUXIÈME PÉRIODE DE QUATRE MOIS
| Code | Matières | Caractère* | 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 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
*Caractère : FB : Formation Basique, Ob : Obligatoire, Op : Optionnel
La raison principale pour laquelle il y a des étudiants comme vous à l'UAX est la possibilité de rendre compatible votre vie personnelle, professionnelle et académique. Notre valeur différentielle est une méthodologie sans barrières, centrée sur vous et votre désir d'apprendre.
Comment se présente notre méthodologie ?
En outre, vous disposerez de l'entière disponibilité de notre campus de Madrid pour effectuer vos formalités, résoudre vos doutes et profiter des installations qu'il offre.
Découvrez le statut officiel de votre diplôme et la reconnaissance officielle dans votre pays :
Une fois que vous aurez terminé vos études dans le Master officiel en intelligence artificielle , vous recevrez votre diplôme européen officiel délivré par l'Université Alfonso X el Sabio, la première université privée d'Espagne avec plus de 30 ans d'expérience. Ses programmes officiels sont des diplômes vérifiés par le Conseil des universités et pleinement valables en Espagne, ainsi que dans l'Espace européen de l'enseignement supérieur. Elle bénéficie de l'homologation et de la reconnaissance automatique des systèmes éducatifs d'Amérique latine et des ministères de l'éducation correspondants : SENESCYT, MEN (MinEducation), SEP, Mescyt, entre autres.
Ce master en intelligence artificielle est ouvert aux étudiants titulaires de l'un de ces diplômes ou d'un diplôme similaire :
En outre, les étudiants titulaires des diplômes suivants peuvent également être admis au master en suivant les compléments de formation de base :
Participez à cette expérience optionnelle enrichissante, qui aura lieu en juin 2026, les jours précédant l'obtention de votre master en ligne, et qui vous permettra de vous immerger dans le monde des affaires à Madrid. Vous aurez l'occasion de vous immerger dans le monde des affaires de Madrid. Vous pourrez assister à des conférences données par des entreprises leaders de différents secteurs, participer à des débats sur le leadership avec un accent pratique et entrer en contact avec des professionnels et des gestionnaires influents. À la fin de la formation, vous pourrez assister à un événement de réseautage exclusif, au cours duquel vous pourrez élargir votre réseau de contacts et explorer de nouvelles opportunités professionnelles. Cette expérience unique est conçue comme un point de rencontre entre la technologie, les entreprises et les étudiants et se déroulera sur le campus de l'UAX Chamberí, au cœur de Madrid.
À l'UAX, nous savons qu'étudier est un investissement, c'est pourquoi nous vous fournissons les facilités dont vous avez besoin pour accéder à nos diplômes. Découvrez quelques-unes de nos bourses et subventions pour étudier le cours de troisième cycle en intelligence artificielle en ligne:
L'UAX obtient la note maximale de 5 étoiles et la mention "Excellent" pour l'employabilité, l'enseignement, le développement académique, les installations, l'enseignement en ligne et la bonne gouvernance dans le prestigieux classement international QS Stars.
Selon la liste Forbes 2025, l'UAX figure dans le TOP 2 des universités espagnoles pour l'adoption de l'IA générative dans la formation de ses étudiants, en développant des outils et des modèles d'apprentissage innovants alignés sur l'évolution technologique.
L'UAX est reconnue comme la deuxième université la plus innovante d'Espagne, la seule fac privée parmi les trois premières du classement. Cette reconnaissance souligne notre engagement transversal en faveur de l'intelligence artificielle et de la formation en matière de durabilité.
Forbes classe l'UAX comme l'université privée dont le plus grand nombre de diplômés travaillent dans sa région (près de 90 %), grâce à un modèle éducatif unique fermement lié au marché du travail par le biais de plus de 8 800 accords avec des entreprises.
Le prestigieux classement de la Fondation BBVA et de l'IVIE nous reconnaît comme l'université avec la meilleure insertion professionnelle en Espagne en 2023, consolidant ainsi notre modèle axé sur l'employabilité réelle de nos diplômés.
L'Institut Coordenadas de gouvernance et d'économie appliquée place l'UAX comme l'université privée de référence à Madrid, mettant en avant notre modèle de formation pratique aligné sur la réalité du marché.
Doctorat en informatique de l'Université de Salamanque avec mention européenne. Professeur accrédité par l'ANECA. Plus de 20 ans d'expérience en tant qu'enseignant en TIC et tuteur de projets de fin d'études ou de maîtrise. Responsable du centre d'excellence DevSecOps chez Santander Digital Services. Vaste expérience dans la gestion et la mise en œuvre de projets logiciels.
Il est titulaire d'un doctorat en finance et économie quantitatives et d'un master en économie quantitative et en science des données. Certifié en gestion quantitative des risques (CQRM), il a plus de 15 ans d'expérience dans l'enseignement. Ses recherches portent sur les systèmes dynamiques et stochastiques appliqués à l'économie et à la finance, et il est consultant externe en analyse de données pour la Commission européenne (CCR).
Gestionnaire de données senior chez Ikea. Maîtrise en analyse des big data et en intelligence artificielle. Vaste expérience dans le développement du cloud, les plateformes de données, la gouvernance et les MLOps. Collaborations avec plusieurs équipes de recherche et enseignement dans des universités européennes.
Ingénieur en télécommunications de l'Université polytechnique de Madrid et titulaire d'un master en apprentissage profond. Elle travaille actuellement comme spécialiste technique dans le domaine des données et de l'intelligence artificielle chez Microsoft.
Data Scientist chez IBM Espagne, spécialisé dans l'application d'algorithmes avancés pour la prédiction de séries temporelles et de modèles prédictifs utilisant des techniques avancées telles que LSTM et Prophet pour l'analyse de données financières et industrielles. Il développe des solutions RAG (Retrieval-Augmented Generation) pour améliorer la génération de réponses dans les systèmes GenAI, en optimisant l'accès aux informations pertinentes dans les modèles génératifs.
Ingénieur en informatique de l'Université polytechnique de Madrid. Plus de 20 ans d'expérience dans l'enseignement des TIC pour des entreprises et des universités. Membre de l'équipe DevSecOps chez Santander Digital Services, coordonnant et participant à la mise en œuvre d'assistants conversationnels intégrés à des solutions d'IA prédictive et générative, telles que Google Dialogflow, Azure OpenAI ou AWS Bedrock.
Docteur en ingénierie géomatique de l'université polytechnique de Madrid, titulaire d'un master en prévention et gestion des catastrophes et ingénieur industriel. Spécialisé dans l'apprentissage automatique, la géostatistique et les systèmes intelligents, il applique ces techniques à l'étude de la vulnérabilité sismique et à la gestion des risques au niveau urbain.
Diplômé en mathématiques de l'université de Valence, avec une spécialisation en statistiques bayésiennes. Expérience dans le monde de la science des données et de la modélisation statistique. Il travaille actuellement en tant que data scientist au sein du département de conseil de Management Solutions, où il réalise des analyses avancées et des projets de développement de modèles complexes pour le secteur financier.
Ingénieur industriel, MBA et Master en Data Science & Business Analytics, avec plus de 20 ans d'expérience en conseil dans le secteur de l'énergie et des infrastructures. Il dirige actuellement l'unité d'analyse des données et d'intelligence économique chez SEURECA-VEOLIA et est candidat au doctorat dans le programme des technologies de l'information et de la communication.
Ingénieur informaticien et Executive MBA avec plus de 15 ans d'expérience à la tête de stratégies informatiques dans les secteurs de la pharmacie, de la fabrication et de l'éducation. Expert en transformation numérique, ERP, CRM et analyse de données. Il est actuellement DSI chez Alcaliber, où il dirige des projets d'innovation et d'efficacité opérationnelle à l'échelle mondiale.
Ingénieur en informatique de l'Universidad Pontificia de Salamanca. Maîtrise en administration des affaires. Plus de 20 ans d'expérience dans les environnements informatiques. Expert dans la définition d'environnements cloud efficaces. Il est responsable du DevOps Hub Europe chez Santander Digital Services.
Elle a obtenu un doctorat en analyse de données à l'université Complutense de Madrid. Elle travaille actuellement à la plateforme de biostatistique et d'épidémiologie de l'ISPA et collabore avec divers groupes de recherche biomédicale dans plusieurs hôpitaux en Espagne et en Europe.
Ingénieur en informatique de l'Université de Huelva. Expérience dans les environnements DevOps et les architectures cloud. Spécialisé dans l'automatisation du déploiement, la gestion des accès et la définition de l'infrastructure. Expérience de la migration de systèmes sur site vers le cloud et de la formation dans ce domaine.
Diplômée en administration des affaires, spécialisée dans la science des données et le Big Data. Avec plus de 20 ans d'expérience dans le secteur bancaire, elle fait actuellement partie du secteur de l'intelligence artificielle de Banco Santander, où elle dirige des initiatives mondiales en matière d'IA générative appliquée aux entreprises. Experte en analyse de données, CRM et intégration de systèmes, elle se concentre sur la connexion entre les entreprises et la technologie.
Nous ne nous contentons pas de vous former à l'IA, nous vous préparons à diriger son application sur le marché. Nos diplômés sont des profils hybrides, dotés d'une maîtrise technique exceptionnelle et d'une capacité à générer de la valeur commerciale, ce qui fait d'eux les professionnels les plus recherchés.
L'intelligence artificielle est la combinaison d'algorithmes à partir desquels les systèmes informatiques imitent les processus de l'intelligence humaine en utilisant des machines, des processeurs et des logiciels pour effectuer des tâches de traitement et d'analyse de données, améliorant ainsi la prise de décision dans tous les secteurs.
Ce master en intelligence artificielle est ouvert aux étudiants titulaires de l'un de ces diplômes ou d'un diplôme similaire :
En outre, les étudiants titulaires des diplômes suivants peuvent également être admis au master en suivant les compléments de formation de base :
Para aprovechar al máximo el Máster en Inteligencia Artificial, es recomendable contar con una base previa relacionada con tecnología, programación, ingeniería, matemáticas, análisis de datos o áreas afines. No se trata solo de conocer herramientas, sino de tener capacidad para trabajar con lógica computacional, interpretar datos y comprender cómo se aplican los modelos de inteligencia artificial en entornos profesionales.
El máster se integra en el área Business & Tech de UAX, que combina negocio, tecnología, datos e inteligencia artificial para formar perfiles capaces de liderar procesos de transformación digital.
El Máster Universitario Online en Inteligencia Artificial te permitirá dominar las técnicas de IA más demandadas por las empresas, como:
Además, al estudiar inteligencia artificial, te formarás en metodologías ágiles como Agile, SCRUM, Lean y Kanban, preparándote para trabajar en equipos de alto rendimiento.
Desde el primer día, estarás conectado con el mundo empresarial mediante talleres, workshops y prácticas en empresas líderes del sector tecnológico como Avanade by Microsoft, Hispasat, Accenture, Telefónica o IBM, entre otras.
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.
El Máster en Inteligencia Artificial online de UAX se estudia a través de una metodología flexible, diseñada para que puedas compaginar la formación con tu vida profesional y personal. Tendrás acceso a clases en directo, contenidos disponibles 24/7, campus virtual, actividades prácticas, recursos multimedia y seguimiento por parte del equipo docente y de tutorización.
La formación está orientada a un aprendizaje activo, con casos, proyectos y evaluaciones adaptadas al entorno online, para que puedas avanzar de forma progresiva y aplicar los conocimientos adquiridos en contextos reales. La metodología online de UAX contempla clases en vivo, campus virtual, seguimiento personalizado, evaluación continua y recursos multimedia.
Le mode en ligne vous permet d' étudier le Master en Intelligence Artificielle depuis n'importe où, en ayant accès au contenu quand vous en avez besoin et avec une organisation conçue pour les professionnels qui veulent continuer à se former sans interrompre leur activité professionnelle.
En plus d'un emploi du temps flexible, vous disposerez de cours en direct, de matériel disponible depuis n'importe quel appareil, d'un campus virtuel, d'un soutien pédagogique et d'une évaluation continue. Cette modalité vous permet de progresser à votre rythme sans renoncer au contact avec les professeurs, les camarades de classe et les ressources orientées vers la pratique professionnelle.
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)
Tous les champs sont obligatoires
Master en cybersécurité
Début:
Octobre
Durée:
9 mois
Master en ligne en gestion et administration des entreprises (MBA)
Début:
Octobre
Durée:
9 mois
Master en ligne en organisation et gestion de projets
Début:
Octobre
Durée:
9 meses
Master en prévention des risques professionnels (en ligne)
En collaboration avec:
Début:
Octobre
Durée:
9 meses
Master universitaire en ligne en Big Data pour les entreprises
Début:
Octobre
Durée:
9 meses
Master en ligne en marketing numérique
Début:
Octobre
Durée:
9 meses
Master en ligne en cybersécurité
Début:
Octobre
Durée:
9 meses
Master en ligne en énergies renouvelables
Début:
Octobre
Durée:
9 meses
Questions, plaintes et réclamations
Nous sommes à l'écoute des demandes réelles de nos étudiants et de nos employés, car nous croyons en l'amélioration continue des résultats. C'est pourquoi nous souhaitons toujours écouter tout ce que vous avez à nous dire.
Si vous êtes déjà membre de l'UAX, vous pouvez le faire à travers le campus virtuel , dans la section Service clientèle : plaintes, suggestions et félicitations, en introduisant votre nom d'utilisateur et votre mot de passe.
Téléphone : 91 810 94 00
Courrier électronique : paramejorar@uax.es
Heures d'ouverture : du lundi au vendredi de 9h00 à 18h00