Inicio/Másteres/Máster Executive en Big Data y Machine Learning

Máster Executive en Big Data y Machine Learning

¿Quieres recibir información sobre este máster?

Déjanos tus datos y la academia se pondrá en contacto contigo.

 

Sobre este máster

Este Máster Executive en Big Data y Machine Learning le permite obtener las siguientes dos certificaciones internacionales (acreditadas por Exin):

Big Data Certificación Foundation.
Artificial Intelligence Certificación Foundation.
Los programas de Certificación Foundation en Big Data y Machine Learning están dirigidos a aquellas personas que deseen afrontar el reto de Big Data y Machine Learning como ventaja competitiva en su búsqueda de empleo, especializándose en cómo implantarlos técnicamente con acreditación a nivel internacional.

Temario

Introducción R y Notebooks
Estimadores estadísticos
Funciones de probabilidad
Relaciones entre dos variables:
Muestreo
Margen de error:
Tests estadísticos

Exploración y Visualización de Datos
Elementos de una visualización
Conexión a los datos
Métricas y KPIs
Organización de los datos
Mapeo geográfico de datos
Líneas y bandas de referencia
Personalización de los datos
Configuración y diseño avanzado de dashboards
Visualización de la relación entre valores numéricos
Diagramas de dispersión
Visualización de valores específicos
Mapas de calor
Visualización de desglose de un todo
Gráficos circulares
Visualización de distribuciones
Agrupaciones e histogramas

Scala
Introducción
Arquitectura batch
Spark Core
Spark SQL
Spark Streaming
Analytics
Tuning
Spark Machine learning
Spark GraphX (Introducción)

Preprocesamiento
Aprendizaje supervisado
Aprendizaje no supervisado
Reducción de la dimensionalidad

Conceptos básicos de redes neuronales
Principales variantes: CNN, RNN
Diseñando redes neuronales Herramientas
CNTK (Microsoft)
TensorFlow (Google)
Torch (usado en Facebook y Twitter)
Otros: Deeplearning4j, Theano, Caffe, Neon, MXNet, and Paddle

R para Inteligencia Artificial
Python para Inteligencia Artificial

Introducción y conceptos fundamentales
Conceptos básicos en ML
Selección del modelo
Regularización
Selección de características
Alternativa: reducción de la dimensionalidad.
Métodos de agrupamiento
Máquinas de vectores Soporte
Redes neuronales
Sistemas de recomendación

Introducción
Preprocess
Features
Visualización de features
Supervised Learning
Unsupervised learning
Word embeddings
Revisit Supervised Learning con deep learning
Information Retrieval

¿A quién va dirigido?

Desarrollador o Ingeniero en Inteligencia Artificial.
Liderar el proceso de transformación tecnológica surgido por esta nueva rama.
Cognitive Analyst.
Consultor en empresas inversoras en desarrollo de inteligencia artificial.
Analista Machine learning / Deep Learning.
Auditor de sistemas de inteligencia artificial.
Desarrollador de agentes inteligentes.