• Introducción
• Resolución de problemas de IA
• Introducción al razonamiento automático y a la planificación
• Representaciones estructurales del conocimiento.
• Modelos y técnicas para el razonamiento automático y paradigmas para el razonamiento impreciso y con incertidumbre.
• Enfoques de la planificación y planificación con incertidumbre.

• Conceptos y fundamentos de Ingeniería de datos.
• Técnicas de limpieza y preparación de datos para su análisis inteligente.
• Técnicas de indexación y acceso eficiente a datos.
• Estructuras avanzadas y almacenes de datos eficientes para Big Data.
• Preparación de datos para visualización en baja latencia.
• Diseño de dashboards y visualizaciones de múltiples fuentes integradas.

• Técnicas lineales y no lineales de clasificación
• Aprendizaje supervisado para Predicción de Valores
• Métodos basados en la combinación de modelos
• Tratamiento de conjuntos de datos desbalanceados.
• Evaluación de resultados de clasificación
• Aprendizaje por refuerzo

• Tipos de clusters. Técnicas de medición de la similitud entre clusters
• Técnicas de clustering particional
• Técnicas de clustering basadas en densidad y en gráficos.
• Técnicas de extracción de características y de reducción de dimensionalidad
• Técnicas de RNA no supervisadas (SOM, GCS, ART, etc.)
• Algoritmos de detección de anomalías.

• Redes de Neuronas Artificiales
• Redes Convolucionales y redes recurrentes
• Algoritmos de optimización y técnicas de regularización
• Aprendizaje adversario y autoencoders variacionales, modelos generativos
• Aprendizaje por transferencia
• Aprendizaje generativo

• Normalización de textos
• Análisis sintáctico de dependencias. Semántica léxica y representaciones densas del lenguaje
• Procesamiento de secuencias con redes neuronales recurrentes
• Modelos encoder-decoder, attention y embeddings contextuales
• Semántica computacional y análisis semántico (semantic parsing)
• Aplicaciones avanzadas de procesamiento del lenguaje natural

• Visión y Percepción. Entornos y bibliotecas de programación en visión.
• Fundamentos de preprocesado y segmentación de imagen.
• Fundamentos de análisis multiescala
• Modelos Neuronales avanzados para Visión: Clasificación, segmentación y reconocimiento.
• Modelos generativos de imagen. Modelos de aprendizaje auto-supervisados y autoencoders en computación visual.
• Paradigmas avanzados de supervisión.

• Directrices éticas para el desarrollo de modelos de IA
• Códigos de conducta y diseño ético
• Algoritmos justos y aseguramiento de la justicia algorítmica. Auditoría
• Auditoría de sistemas inteligentes
• Detección de anomalías y agrupamiento para la detección de ciberataques
• Gestión de riesgos en IA

• Tipología de proyectos y modelos en Ciencia de Datos e Inteligencia Artificial
• Introducción al modelo de desarrollo en Aprendizaje Automático
• Metodologías de gestión y desarrollo para Sistemas Inteligentes
• Ingeniería del software para la integración de sistemas inteligentes
• Introducción a la calidad del software basado en IA
• Modelos de negocio y metodologías

Realizar las prácticas en centros concertados por la Universidad: esta actividad otorga a los alumnos la posibilidad de aplicar y experimentar los conocimientos y las habilidades adquiridos durante el máster y confirmar la viabilidad de sus acciones y competencias en un entorno real. Todo ello estará supervisado por un tutor y un coordinador de prácticas que hará un seguimiento del desempeño del estudiante durante la actividad práctica.

• Pregunta de investigación.
• Estado de la cuestión.
• Formulación de objetivos y/o hipótesis de investigación.
• Diseño y metodología del estudio: estudios cuantitativos.
• Diseño y metodología del estudio: estudios cualitativos.
• Diseño y metodología del estudio: estudios mixtos.

Realización de un trabajo en el que se integren todos los conocimientos, habilidades y competencia adquiridas en el máster.

Reglamento prácticas externas

Las prácticas en empresas son un elemento clave en tu formación. Adquirir experiencia después de lo aprendido en tu titulación, es la mejor forma de entrar en el mercado laboral. Hay dos tipos de prácticas, las curriculares (incluidas en tu plan de estudios) y extracurriculares (las que puedes hacer de forma voluntaria).

Para realizar las prácticas curriculares en empresas, necesitarás tener el 50% de los créditos aprobado y matricular la asignatura antes de comenzar tus prácticas. Estas prácticas llevan un seguimiento por parte de la empresa y del profesor de prácticas, así como la realización de informes intermedios y finales para su evaluación.

Si quieres mejorar tu experiencia laboral antes de concluir tu formación universitaria, puedes hacer prácticas extracurriculares. Podrás hacerlas en cualquier curso pero te recordamos que las prácticas son un complemento formativo a tus estudios; por tanto, cuanto más conocimiento hayas adquirido a lo largo de la carrera, mayor provecho sacarás de la experiencia de prácticas.

El Máster está enfocado a estudiantes con el siguiente perfil de ingreso:

• Para los estudiantes que provienen de titulaciones oficiales del ámbito de Ciencia de datos, Informática y Computación y afines, o Ingeniería de Telecomunicación y afines.
• Para los estudiantes que provienen de titulaciones oficiales del ámbito de Matemáticas, Estadística, Física y afines.
• Otras titulaciones oficiales del ámbito de Ingeniería, Arquitectura y afines.
• Licenciados/Graduados/Diplomados con experiencia laboral/ profesional acreditada en el ámbito de la Ciencia de Datos y la Inteligencia Artificial, con no menos de 1 año de experiencia demostrable realizando las mismas tareas en el mismo ámbito de conocimiento.
• Además, se considerarán aceptables otros títulos expedidos por una institución de educación superior que faculten en el país expedidor del título para el acceso a enseñanzas de postgrado y que se encuentren relacionados con el ámbito de conocimiento de este título.