Máster en Inteligencia Artificial

Fundamentos de Inteligencia Artificial y Ciencia de Datos - 6 ECTs - Obligatorio

• Introducción a la IA: contexto histórico, conceptos básicos y áreas de aplicación: industrias (healthcare, retail...), tecnologías habilitadoras (IoT, BlockChain...) y casos de uso.
• Análisis exploratorio de datos (EDA) y estadística aplicada al data science.
• SQL aplicado a la Ciencia de Datos: joins, funciones de ventana, agregaciones.
• DS Tooling: librerías de python (pandas, numpy…), git y notebooks vs scripts, IDEs.
• Dashboards en Streamlit para productos de datros.

Aprendizaje Automático - 6 ECTs - Obligatorio

• Regresión y clasificación: regresión lineal y logística, betas, uso de logaritmos e interpretación de métricas.
• Árboles y ensembles: random forest, boosting.
• Feature engineering y reducción de dimensionalidad (PCA, UMAP, T.SNE).
• Clustering y otros métodos no- y semi-supervisados.
• Selección de modelos y optimización de hiperparámetros.
• XAI: explicabilidad de la IA mediante SHAP, LIME, Captum...

Sistemas inteligentes para la toma de decisiones - 6 ECTs - Obligatorio

• Análisis y feature engineering para series temporales: estacionalidad, test ADF…
• Modelos clásicos: ARIMA, TBATS y diagnóstico de los resultados.
• Machine Learning para forecasting.
• Librerías de forecasting de alto nivel: SKForecast, Nixtla, Prophet.
• Optimización lineal, mixta y algoritmos genéticos.

Redes Neuronales y Deep Learning - 6 ECTs - Obligatorio

• Fundamentos: capas, activaciones, pérdidas, regularización, normalización.
• Entrenamiento: optimizadores, schedule, hiperparámetros y overfitting.
• Frameworks de Deep Learning: Tensorflow y PyTorch.
• Introducción a redes complejas: de las CNN y RNN a los Transformers.
• Introducción al aprendizaje por refuerzo: Q-learning y Deep RL discreto y continuo con Stable Baselines 3.

MLOps y despliegue en IA - 6 ECTs - Obligatorio

• Apificación de modelos mediante FastAPI.
• Escalabilidad del Data Science mediante Spark y Hadoop: computación distribuida, indexación y técnicas con grandes volúmenes de datos.
• MLOps con MLFlow: model registry, pipelines, entornos y tracking.
• Despliegue en producción y monitorización: data drift, model drift y métricas.
• Despliegue en la nube: AWS y azure para modelos de Machine y Deep Learning.

Visión Artificial - 6 ECTs - Obligatorio

• Casos de uso y datasets; métricas por tarea (clasificación/detección/segmentación).
• Transfer learning y fine-tuning con modelos preentrenados.
• Librerías de alto nivel: ultralytics.
• Computer Vision generativo: GANs y autoencoders.

Procesamiento del Lenguaje Natural y LLMs - 6 ECTs - Obligatorio

• Fundamentos: tokenización, embeddings, pipeline NLP y casos de uso (NER, sentimiento).
• Transfer learning y fine-tuning con librerías de alto nivel: Huggingface, Spacy.
• Introducción a los LLMs: de los Transformers a Llama y GPT.
• Fine-tuning y adaptación de LLMs: LoRa, PEFT.

IA Generativa y regulación - 6 ECTs - Obligatorio

• Fundamentos de los chatbot: Arquitecturas LLM, generación, análisis y evaluación de texto.
• Aspectos éticos de la IA: principios del responsible AI e implicaciones sociales.
• Reglamentación de la IA: EU AI Act, ISO 42001 y NIST AI RMF.
• Estrategia de la IA: storytelling, enfoque estratégico de la IA y metodologías Ágiles de trabajo.

Aplicación de la IA en Sectores y Casos de Uso Avanzados - 6 ECTs - Obligatorio

(Materia que sustituye PAE. Propuesta sujeta a confirmación)

• Salud (diagnóstico asistido, imágenes médicas, privacidad).
• Finanzas (detección de fraude, credit scoring, riesgo).
• Retail y marketing (forecasting, segmentación, recomendaciones).
• Educación (personalización del aprendizaje, analíticas educativas).
• Movilidad y transporte (optimización de rutas, computer vision).
• Industria y manufactura (mantenimiento predictivo, visión industrial).

Trabajo fin de máster

• Elección y justificación del tema. Viabilidad del proyecto.
• Construcción del marco teórico.
• Objetivos.
• Material y método.
• Recogida y análisis de resultados preliminares.
• Discusión y consideraciones finales del proyecto.

Contenidos sobre igualdad de género y diversidad:

• Igualdad de género y medidas de prevención y protección integral contra la
  violencia de género y la violencia sexual.
• El papel de las mujeres en la historia y su contribución social e histórica al desarrollo de la humanidad.
• Inclusión, equidad y respeto a la diversidad.

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.

Dirigido preferentemente a titulados/as o profesionales de disciplinas técnicas (ingenierías, física, matemáticas o afines) con base sólida en matemáticas (álgebra lineal, cálculo y probabilidad) y pensamiento analítico. Se recomienda experiencia previa programando y familiaridad con conceptos de datos. Si no se dispone de conocimientos suficientes de Python, será obligatorio completar un curso inicial de nivelación previo al comienzo del programa para asegurar su correcto seguimiento.