Master Inteligencia Artificial (IA) en Valencia

Introducción a la Inteligencia Artificial (3 ECTS)

Conocer los aspectos fundamentales de la inteligencia artificial (IA), específicamente en la resolución de problemas, el razonamiento automático y la planificación.

• Marco general de la IA, conceptos básicos, definiciones y el alcance de la IA.
• Aspectos históricos y la evolución de la inteligencia artificial, destacando su impacto en la sociedad y las aplicaciones prácticas en diversos sectores.
• Resolución de problemas como competencia central en inteligencia artificial.
• Razonamiento automático y planificación.
• Representaciones estructurales del conocimiento.
• Modelos y técnicas para el razonamiento automático y paradigmas para el razonamiento impreciso y con incertidumbre.

Data Science y Big Data (6 ECTS)

Desarrollar habilidades de ciencia de datos con Python y usar plataformas de Cloud Computing y Big Data.

• Técnicas de limpieza y preparación para análisis inteligente.
• Técnicas de indexación eficientes y estructuras avanzadas para gestionar grandes volúmenes de datos.
• Preparación de datos para visualización y creación de dashboards integrando múltiples fuentes de información.
• Programación avanzada con orientación a la ciencia de datos en Python (NumPy, Pandas, etc.)
• Entornos en la nube (AWS) para gestionar grandes conjuntos de datos (Big Data).

Machine Learning: Aprendizaje Supervisado y No supervisado (6 ECTS)

Abordar el aprendizaje automático (machine learning) según dos paradigmas.

• Supervisado: se revisarán las técnicas y mecanismos para entrenar modelos con datos etiquetados, permitiendo hacer predicciones o clasificaciones.
• No supervisado: se emplearán técnicas para tratar datos no etiquetados con los que descubrir patrones y estructuras inherentemente presentes en los conjuntos de datos.

Machine Learning: Aprendizaje Reforzado (3 ECTS)

Completar los conocimientos de aprendizaje automático (machine learning) con el aprendizaje reforzado o por refuerzo

• Algoritmos que utilicen un paradigma de recompensa y castigo para aprender por ensayo y error, de manera muy parecida a cómo lo hacen los seres humanos.
• Aprendizaje por transferencia y aprendizaje generativo.

Redes Neuronales y Deep Learning (6 ECTS)

Profundizar en el aprendizaje automático (machine learning) abordando también el aprendizaje profundo (deep learning) mediante redes neuronales.

• Representaciones complejas.
• Tareas avanzadas de IA como reconocimiento de imágenes o procesamiento del lenguaje natural.
• Optimización y ajuste de hiperparámetros.
• Técnicas de evaluación, métodos de mejora y estabilización del entrenamiento.
• Regularización y técnicas de reducción de sobreajuste.

IA Generativa con sistemas abiertos (3 ECTS)

Aprender a desarrollar e implementar modelos generativos avanzados utilizando sistemas abiertos en diversas áreas.

• Modelos probabilísticos: mezcla gaussiana, Markov...
• Redes neuronales generativas: GANs, Variational Autoencoders (VAEs)...
• Herramientas de código abierto (open source): TensorFlow, Pytorch...
• Integración y personalización de modelos preentrenados.

IA generativa con sistemas propietarios (3 ECTS)

Explorar las capacidades avanzadas de las plataformas propietarias, y aprender a implementar soluciones generativas y analizar casos de uso en diferentes industrias.

• Visión general de plataformas popietarias: Microsoft Azure Machine Learning, Google Cloud AI, IBM Watson, Amazon SageMaker...
• Modelos generativos con sistemas propietarios: GANs, VAEs, transformers...
• Configuración y despliegue de entornos de trabajo.
• Uso de interfaces y herramientas específicas de cada plataforma.
• Entrenamiento y ajuste de modelos generativos en entornos propietarios.
• Evaluación, mejora de rendimiento y estabilidad y análisis y mitigación de problemas comunes.

Procesamiento del Lenguaje Natural (6 ECTS)

Revisar diversas técnicas para analizar y comprender el lenguaje humano, así como la manera de comunicar las máquinas con las personas mediante el uso de lenguas naturales a través del procesamiento del lenguaje natural (natural language processing).

• Tokenización y segmentación: dividir el texto en unidades más pequeñas y facilitar su análisis.
• Análisis morfológico y sintáctico: analizar la estructura gramatical de las palabras y cómo se combinan para formar oraciones, lo que permite comprender la sintaxis y la morfología del lenguaje.
• Extracción de características: la identificación de características importantes en el texto, como entidades nombradas, relaciones entre palabras y conceptos clave, para representar la información de manera significativa.
• Desambiguación semántica: resolución de ambigüedades en el significado de las palabras o frases, mejorando la comprensión precisa del contexto y la interpretación semántica.
• Generación de lenguaje: las principales y más novedosas tecnologías que se están empleando para generar de autónomo lenguaje natural de manera coherente y relevante.

Computer Vision (6 ECTS)

Conocer cómo capacitar a las máquinas para interpretar y comprender información visual a través de la visión por computador (computer vision), captando imágenes del mundo real, procesándolas y generando información.

• Reconocimiento de objetos: identificar y clasificar objetos en imágenes o videos, algo esencial para reconocimiento facial, detección de objetos y análisis de escenas.
• Segmentación de imágenes: la división de imágenes en regiones o segmentos para un análisis más detallado, algo clave para la identificación de contornos, la separación de objetos en primer plano y fondo, y la delimitación de áreas de interés.
• Detección y seguimiento de movimiento: rastrear el movimiento de objetos en el tiempo.
• Reconocimiento de patrones y características: reconocer patrones visuales complejos y extraer características distintivas para comprender la información visual.
• Modelos generativos de imagen: modelos de aprendizaje auto-supervisados y autoencoders en computación visual.

IA en Ciberseguridad (6 ECTS)

Aprender a aplicar la inteligencia artificial en el campo de la ciberseguridad, para detectar, prevenir y mitigar amenazas cibernéticas, así como las implicaciones éticas y legales asociadas.

• Fundamentos de ciberseguridad: tipos de amenazas y ataques cibernéticos, protección de datos y privacidad...
• Detección de amenazas: análisis de comportamiento y detección de anomalías, sistemas de detección de intrusiones (IDS) basados en IA.
• Prevención de ataques: modelos predictivos para la identificación de amenazas, sistemas de respuesta automática ante incidentes.
• Mitigación y respuesta: algoritmos de clasificación y clustering para priorizar amenazas, herramientas de automatización para la respuesta a incidentes...
• Redes neuronales aplicadas a ciberseguridad y uso de deep learning para la detección de malware.
• Utilizar IA entrenada con comportamientos maliciosos e identificar esas vulnerabilidades para así ver cómo mitigarlas en defensa.

IA en el mundo empresarial (6 ECTS)

Revisar áreas de aplicación y casos de uso de la inteligencia artificial en el mundo empresarial, así como la transformación digital y el desarrollo de la IA alineada con los objetivos de negocio.

• Áreas de aplicación: la toma de decisiones, análisis de riesgos, Internet of Things (IoT), robótica (RPA), chatbots, sistemas de recomendación...
• Salud y medicina: diagnóstico médico, predicción de enfermedades, desarrollo de tratamientos personalizados, gestión eficiente de registros de pacientes.
• Finanzas y banca: análisis de riesgos, detección de fraudes, asesoramiento financiero automatizado, gestión de carteras, procesamiento automático de transacciones.
• Comercio y marketing: recomendaciones personalizadas, análisis de comportamiento del usuario, gestión de inventario, optimización de precios, atención automatizada al cliente.
• Educación: personalización del aprendizaje, evaluación automatizada, análisis de desempeño estudiantil, asistentes virtuales para educación a distancia.
• Manufactura y cadena de suministro: control de calidad automatizado, mantenimiento predictivo de maquinaria, optimización de la cadena de suministro, gestión de inventario.
• Recursos humanos: selección de personal, análisis de currículos, gestión de talento, automatización de procesos de reclutamiento, evaluación del desempeño.
• Transporte y logística: optimización de rutas, gestión de flotas, monitoreo de activos, planificación logística, sistemas de transporte autónomo.
• Ciberseguridad y vigilancia: detección de amenazas, reconocimiento facial, análisis de comportamiento en tiempo real, vigilancia de perímetros, respuesta automática a eventos de seguridad.

TFM (6 ECTS)

Realización de un Trabajo Final de Máster en el que se integren todos los conocimientos, habilidades y competencia adquiridas en el título.

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:

• Graduados en Ingeniería, Matemáticas, Física, Informática.
• Graduados en otras titulaciones orientadas a negocio con experiencia en tecnología y nociones de programación en Python.
• 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, siendo necesario acreditar conocimientos en programación en Python.

• Víctor Yeste
  Director del máster.
  Ingeniero informático y Doctor en Industrias de la Comunicación y Culturales, con más de 10 años de experiencia en analítica, SEO y desarrollo en WordPress, colaborando con proyectos internacionales de Alemania y Estados Unidos. Con líneas de investigación enfocadas a la aplicación de estadística, ciencia de datos y machine learning a sectores como la comunicación digital, el marketing digital, la analítica de negocios o Business Analytics y la cultura. Actualmente, en líneas de investigación relacionadas con el análisis de tendencias, análisis de sentimientos, estadística y machine learning aplicados a la comunicación y el marketing digitales. Mención honorífica en el área de Tecnologías Habilitadoras del Premio al Potencial Emprendedor de Proyectos de Investigación de Jóvenes Investigadores al presentar la tesis doctoral como un proyecto de ámbito privado. Actualmente, colabora en varios proyectos de innovación docente y proyectos de investigación, y dirige proyectos digitales con muchos años de trayectoria y miles de artículos y programas publicados.
• Ernesto Armada
  Codirector del máster.
  Ingeniero en Telecomunicación por la Universidad Miguel Hernández, con más de 15 años de experiencia en el sector de IT, varios de ellos de dedicados a la investigación. Su experiencia en el sector privado ha pasado por empresas como Hewlett Packard, Mercadona, PFS Group y NTT Data, donde ha ocupado puestos desde coordinador de proyectos a CIO, pasando por áreas de arquitectura, desarrollo de producto y ciberseguridad. Actualmente, ocupa el puesto de Manager de Arquitectura Cloud en NTT Data.
• Héctor Espinós Morató
  Doctor en Física por la Universitat de València (UV) y máster en Sistemas Inteligentes por la Universidad Jaume I de Castellón (UJI). Cuenta con varios años de experiencia en el sector relacionado con el Deep Learning, Machine Learning and Data Science. Ha desarrollado su actividad investigadora en varios centros de investigación: el i3M UPV - CSIC Medical Imaging Reconstruction Group (MIRG), el Instituto de Nuevas Tecnologías de la Imagen (INIT) de la UJI, o el Image Processing Laboratory del Parc Científic de la UV. Ha realizado varias estancias en centros de investigación de reconocido prestigio internacional como el Max Planck Institute for Plasma Physics (IPP), el CERN o el ESA Earth Observation Center (ESRIN) de la Agencia Espacial Europea. Actualmente es el coordinador de Ciencia de Datos de la UEV impartiendo docencia en las carreras de Organización Industrial, Física, Ciencia de Datos y Márketing de la UEV y en el máster de Ciencia de Datos que imparte la UOC. Es revisor de varias revistas científicas internacionales y ha participado en varios proyectos de innovación docente (como el Grupo de Física Arquímedes de la UV) o de servicio a la sociedad con A Touch of Universe, proyecto del OAV que intenta acercar la astronomía a personas con discapacidad visual.
• Miguel Ángel Torres
  Es graduado en Ingeniería Informática y posee un Máster en Tecnologías Web, Computación en la Nube y Aplicaciones Móviles por la Universidad de Valencia (UV). Su carrera profesional se ha desarrollado principalmente en la ingeniería del software, el análisis y la explotación de grandes volúmenes de datos, y la gestión de proyectos tecnológicos en empresas de gran renombre. Actualmente, además de su labor docente en la Universidad Europea de Valencia, desempeña el cargo de Responsable del Área de Business Intelligence y Datos en el Valencia CF.
• Ronal Muresano Cáceres
  Profesor acreditado por la AVAP como profesor de Universidad Privada y como Ayudante Doctor. Con Doctorado en computación de Altas prestaciones por la universidad Autónoma de Barcelona y con más de 19 artículos en revistas arbitradas y congresos en el área de computación. Su experiencia cubre el área de computación paralela, cloud computing y big data. Ha trabajado como profesor de programación por más de 15 años en diferentes universidades, impartiendo las cátedras de programación orientada objetos, sistemas operativos, fundamentos de Big Data y Cloud. Realizó su estancia doctoral en el German Research school (Alemania), y participó como investigador en el Joint research Centre de la Comisión Europea (Italia). Tiene más de 17 años de experiencia en área de sistemas distribuidos, Big data y Cloud. Actualmente se desempeña como coordinador de provisionamiento de datos en la Empresa ForwardKeys y como profesor en la Universidad Europea.
• Vicente Castillo
  Es ingeniero en telecomunicaciones y máster en inteligencia artificial, dedicado al sector privado desde hace más de 20 años, en el área de sistemas de información para el despliegue de ciudades inteligentes, Industria 4.0, transformación digital, desarrollo y calidad de software y hardware e inteligencia de negocio. Es docente externo en la Universidad Europea desde 2020, participa habitualmente en la publicación de podcasts y artículos para el Instituto Tecnológico de Castilla La Mancha (ITECAM) y es actualmente Chief Information Officer y Project Manager de Smart Visual Data SL en Valencia.