Estás en: MicroMáster MicroMáster en Machine Learning e Inteligencia Artificial

MicroMáster Matrícula abierta

MicroMáster en Machine Learning e Inteligencia Artificial

MicroMáster

Del 20 de enero de 2025 al 28 de marzo de 2025 Madrid

TECNOLOGÍA | Inteligencia Artificial

FORMATO

Presencial - Streaming

IDIOMA

Español

DURACIÓN

176

Consulta el programa

Descargar Pdf

 

En qué consiste

Nuestro MicroMáster de Machine Learning e Inteligencia Artificial cuenta con una amplia red de empresas y profesionales especializados en economía, finanzas, tecnología y sostenibilidad.

 

Los alumnos que cursen este MicroMáster aprenderán las técnicas más actuales en el mundo del Machine Learning y de la IA y aprenderán a trabajar con herramientas muy utilizadas por las empresas como Excel, Python o Visual Basic for Applications.

Objetivos

  • Profundizar en los fundamentos de programación y los principales lenguajes que se usan en el entorno profesional, aprendiendo las principales técnicas de Machine Learning.
  • Conocer los fundamentos y detalles de las técnicas analíticas tradicionales y modernas existentes actualmente (modelos predictivos, Machine Learning, reconocimiento de patrones, web mining, text mining, redes sociales...).

MetodologíaLa metodología que se utiliza en el MicroMáster en Machine Learning e Inteligencia Artificial se basa en el aprendizaje basado en datos o Data Driven Learning.

Enfoque práctico:

  • Conceptos.
  • Ejemplos, ejercicios, casos y simulación.

Nuestros estudiantes aprenden mediante lenguajes, como R y Python, las principales técnicas de Machine Learning que se emplean en la industria para extraer valor de los datos.

Afi Escuela pone a disposición del alumnado el Aula Virtual, que fomenta la comunicación entre alumnos, profesores y directores académicos del MicroMáster, y en la que se disponen los materiales.

Este enfoque práctico y orientado a la resolución de problemas permite que los estudiantes, cuando acaben el programa, tengan la preparación necesaria para enfrentarse a los desafíos del mundo laboral en el ámbito del uso de herramientas de programación habituales en el manejo de datos en el mundo empresarial y el empleo de técnicas de Machine Learning.

También, se facilita la posibilidad de seguir la formación a distancia a través de streaming en directo.

 

Solicita información


A quién va dirigido

  • Personas con un título universitario, fundamentos tecnológicos y conocimento de lenguajes de programación como R y Python, e interesados en aprender las técnicas más usadas de Machine Learning con un enfoque aplicado.
  • Personas que quieran fortalecer las capacidades de programación orientadas al uso de técnicas de Machine Learning necesarias para poder desarrollar, posteriormente, una carrera de éxito en analítica de datos.
  • Profesionales en áreas como tecnología, negocio o departamentos cuantitativos o analíticos, que necesitan de estos conocimientos para seguir avanzando en su carrera, fortaleciendo sus capacidades de programación para poder desarrollar una carrera en la industria de Data Science, Big Data e Inteligencia Artificial.


¿Dónde se imparte?

Campus Madrid. Calle Marqués de Villamejor, 5, Madrid

Cómo llegar

Información de interés

MÓDULO 1. ANÁLISIS DE DATOS

Unidad 1. Análisis estadístico

1. Regresión múltiple y técnicas de remuestreo

2. Optimización. Programación lineal y no lineal, entera estocástica y con restricciones. Algoritmos.

3. Análisis multivariante. Reducción de la dimensión, componentes principales y análisis factorial.

Unidad 2. Aprendizaje automático básico (Machine Learning o ML)

1. Modelos lineales generalizados, GLM.

2. Regresión avanzada (Ridge, Lasso)

3. Clustering

4. Análisis discriminante

5. Naïve Bayes

6. Series temporales. Modelos ARIMA, suavizado exponencial y regresión dinámica.

7. Máquinas de vector soporte, SVM.

8. Algoritmo de vecinos próximos, kNN.

9. Redes neuronales

10. Árboles de decisión

11. Random forest y ensambles

Unidad 3. Aprendizaje automático avanzado

1. Aprendizaje profundo

2. NLP (PLN o Programación de Lenguaje Natural)

3. Grafos y análisis de redes

• Fundamentos de teoría de grafos y medida de centralidad

• Modelos estadísticos de redes

• Análisis de redes sociales. Detección de opinión, influencia, marketing social y geomarketing.

4. Sistemas de recomendación

5. Aprendizaje por refuerzo

MÓDULO 2. ANÁLISIS DE DATOS NO ESTRUCTURADO

Unidad 1. Text mining

1. Clasificación y agrupación de textos

2. Análisis de sentimiento

3. Herramientas de text mining: NLTK

Unidad 2. Web mining

1. Herramientas de extracción de datos de la web

Unidad 3. Procesamiento de imágenes

1. Clasificación automática de imágenes

2. Extracción automática de features

 

Solicita información

Borja Foncillas García

Consejero Delegado de Afi y Socio-Director Área de Soluciones Digitales. Ingeniero Informático por UAM.

DIRECCIÓN ACADÉMICA

Miguel Ángel Corella

Founding Engineer, Capably. Ingeniero en Informática por UAM.

DIRECCIÓN ACADÉMICA

José Manuel Rodríguez Madrid

Responsable del Área de Analytics, Afi. Ingeniero en Informática por UAM.

DIRECCIÓN ACADÉMICA

Ángel Berges Lobera

Vicepresidente, Afi. Catedrático de Economía Financiera en la UAM. Ph. D. Management por Purdue University.

DIRECCIÓN ACADÉMICA

Fernando Agudo

Big Data Architect, Santander Global T&O. Diplomado en Informática por la Universidad de Alicante Profesor certificado por Cloudera.

Cecilia Álvarez

European Data Protection Officer Lead Pfizer. Law Degree and PhD in Business Administration, CEU San Pablo University.

Álvaro Barbero

Chief Data Scientist, Instituto de Ingeniería del Conocimiento (IIC). PhD in Computer Science por la UAM.

Pablo Suárez García

Investigador, Instituto de Ciencias Matemáticas (ICMAT). Doctor en CC Empresariales, URJC.

Rocío Parrilla

Responsable de Data Science en Atresmedia. Máster en Data Science y Big Data por Afi Escuela

José Ramón Sánchez

Data Scientist, Endesa.

Carlos María Alaiz

Profesor Ayudante Doctor, Universidad Autónoma de Madrid. PhD en Informática y Telecomunicaciones, UAM.

Fernando Agudo

Big Data Architect, Pragsis Bidoop. VP Product Management, Analyticmate.

Alejandro Llorente

Co-Fundador y Data Scientist, PiperLab. Doctor en Ingeniería Matemática, UC3M.

  • La beca executive cubre hasta el 30% de la matrícula.
  • La beca #MujeresQueTransforman cubre hasta el 30% de la matrícula.

 

Solicita información

Puedes tramitar tu solicitud on-line o enviar la documentación solicitada a nuestro correo electrónico: afiescuela@afi.es

  • DNI, pasaporte o NIE.
  • Título académido y certificado de notas.
  • Currículum Vitae y carta de motivación.

El coste de la matrícula del MicroMáster de Valoración de instrumentos derivados es de 6.500€.

Este coste incluye los derechos de matrícula incluyen la asistencia a las sesiones que componen el programa y a aquellas conferencias, jornadas y sesiones de trabajo que se organicen en el marco del mismo.

Descuentos por pronta matriculación: 

1ª Ronda: 5.850€
Solo admitidos en la 1era ronda que paguen la reserva de plaza antes del 30 de junio.

2ª Ronda: 6.175€ 
Solo admitidos en la 1era o 2da ronda que paguen la reserva de plaza antes del 31 de julio.

La Escuela mantiene acuerdos preferentes con entidades financieras para obtener condiciones favorables de financiación. Solicítanos más información.