Master Inteligencia Artificial en Valencia

El módulo se centra en aspectos fundamentales de la inteligencia artificial (IA), específicamente en la resolución de problemas, el razonamiento automático y la planificación. Se establece el marco general de la IA, conceptos básicos, definiciones y el alcance de la IA, y se cubren aspectos históricos y la evolución de la inteligencia artificial, destacando su impacto en la sociedad y las aplicaciones prácticas en diversos sectores. También se explora la resolución de problemas como competencia central en inteligencia artificial, se introduce al razonamiento automático y a la planificación, se exploran las representaciones estructurales del conocimiento, y se introducen modelos y técnicas para el razonamiento automático y paradigmas para el razonamiento impreciso y con incertidumbre.

La asignatura se enfoca en el uso de Python y plataformas de Cloud Computing para desarrollar habilidades en ciencia de datos. Los estudiantes aprenderán programación avanzada con orientación a la ciencia de datos en Python, explorar librerías clave como NumPy y Pandas, y utilizarán entornos en la nube (AWS) para gestionar grandes conjuntos de datos.

El módulo aborda los conceptos fundamentales de minería de datos, incluyendo técnicas de limpieza y preparación para análisis inteligente. Se centra en técnicas de indexación eficientes y estructuras avanzadas para gestionar grandes volúmenes de datos. Además, cubre la preparación de datos para visualización de baja latencia y la creación de dashboards integrando múltiples fuentes de información.

El módulo abarca tres principales paradigmas:

• Supervisado: se revisarán las técnicas y mecanismos para entrenar modelos con datos etiquetados, permitiendo hacer predicciones o clasificaciones.
• No supervisado: donde se emplearán técnicas para tratar datos no etiquetados con los que descubrir patrones y estructuras inherentemente presentes en los conjuntos de datos.
• Profundo (Deep Learning): utilizando redes neuronales profundas se utilizarán técnicas para aprender representaciones complejas y realizar tareas avanzadas de IA como reconocimiento de imágenes o procesamiento del lenguaje natural.

También se revisarán mecanismos de aprendizaje avanzado, como el aprendizaje por refuerzo, por transferencia, y aprendizaje generativo

El módulo revisará diversas técnicas para analizar y comprender el lenguaje humano. Se revisarán técnicas que profundizarán en:

• Tokenización y segmentación: etapa para dividir el texto en unidades más pequeñas y facilitar su análisis.
• Análisis morfológico y sintáctico: se revisarán técnicas para 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: se revisarán técnicas para 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: se aplicarán técnicas de resolución de ambigüedades en el significado de las palabras o frases, mejorando la comprensión precisa del contexto y la interpretación semántica.
• Generación de lenguaje: se revisarán las principales y más novedosas tecnologías que se están empleando para generar de autónomo lenguaje natural de manera coherente y relevante.

El módulo se centra en capacitar a las máquinas para interpretar y comprender información visual. Se revisarán técnicas que profundizarán en:

• Reconocimiento de objetos: se revisan técnicas para identificar y clasificar objetos en imágenes o videos, siendo esencial para aplicaciones como el reconocimiento facial, detección de objetos y análisis de escenas.
• Segmentación de imágenes: se revisan técnicas para la división de imágenes en regiones o segmentos para un análisis más detallado. La segmentación es clave para tareas como 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: se revisan técnicas para rastrear el movimiento de objetos en el tiempo
• Reconocimiento de patrones y características: se revisan técnicas para 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

• Toma de decisiones.
• Análisis de riesgos.
• Big data e IoT.
• 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 al cliente automatizada.
• 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.

El módulo se enfoca en comprender y comunicar las decisiones de los modelos de IA, explorando técnicas para mejorar la transparencia. Examina cuestiones éticas en el diseño y aplicación de algoritmos, considerando sesgos y responsabilidad social. Además, aborda el marco normativo que guía el desarrollo de la inteligencia artificial, destacando regulaciones y estándares éticos emergentes. Los estudiantes analizarán casos prácticos, debatirán dilemas éticos y explorarán estrategias para equilibrar la innovación tecnológica con la consideración ética y el cumplimiento de normativas.

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

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.