Master en Inteligencia Artificial y Ciencia de Datos (Online)

Contenidos

BLOQUE 1. ARQUITECTURA Y PROCESAMIENTO DE DATOS A GRAN ESCALA

Módulo 1. FUNDAMENTOS DE BIG DATA E INTELIGENCIA ARTIFICIAL

• Definición, Componentes y Tipología de Sistemas de Inteligencia de Negocio.
• Contextualización y Diseño de Sistemas de Inteligencia de Negocio.
• Fuentes y Calidad de los Datos.

Módulo 2. INTRODUCCIÓN AL TRATAMIENTO Y ANÁLISIS DE DATOS CON PYTHON

• El lenguaje de programación Python.
• Captación, fuentes de datos y formatos. Procesos ETL: Archivos, bases de datos
• Acceso a datos Web
• Servicios Web y APIs

Módulo 3. DISEÑO Y EXPLOTACIÓN DE BASES DE DATOS RELACIONALES

• Nociones básicas del modelo relacional: 
o Modelo conceptual, modelo lógico y modelo físico
• Introducción al lenguaje de consultas estructurado SQL:
o DDL
o DML
o DCL
• Análisis de datos con SQL

Módulo 4. ARQUITECTURAS DE DATOS RELACIONALES MODERNAS CON PostgreSQL

• Fundamentos y PostgreSQL como Plataforma Moderna
• Time Series y TigerData (TimeScaleDB)
• JSONB, Full-Text Search y Clave-Valor
• Bases de Datos Vectoriales e IA
• Arquitecturas Completas y Escalabilidad

Módulo 5. PROCESAMIENTO DISTRIBUIDO CON APACHE SPARK

• Introducción a Spark y Conceptos Básicos
• Tipos de Datos y Funciones SQL
• Operaciones Avanzadas con DataFrames
• Análisis Avanzado y Casos Prácticos
• Optimización y Proyecto Final

Módulo 6. TECNOLOGÍAS DE ALMACENAMIENTO ESCALABLE

• Introducción a las bases de datos NoSQL: origen, evolución y contexto histórico
• Persistencia poliglota: escoger el modelo de datos más adecuado para cada problema.
• Modelos de Agregación: características, tipos (clave-valor, documental y orientado a columnas) consideraciones de diseño y casos de uso.
• Modelos en grafo: características, consideraciones de diseño y casos de uso.
• Sistemas distribuidos: definición, tipos (cliente/servidor, peer-to-peer…), estrategias de
• distribución (fragmentación y replicación) y consistencia de datos (ACID vs BASE).
• Ejercicios y ejemplos usando bases de datos NoSQL: MongoDB y Neo4J.

BLOQUE 2. VISUALIZACIÓN Y COMUNICACIÓN EFECTIVA DE DATOS

Módulo 7. VISUALIZACIÓN DE DATOS CON POWERBI
• Visualizando datos con PowerBI
• Conectando a orígenes de datos
• PowerQuery: El lenguanje M
• Modelando datos con DAX
• Creando y publicando informes

Módulo 8. VISUALIZACIÓN DE DATOS & DATA STORYTELLING

• Fundamentos de la visualización de datos
• Aprender los fundamentos de la visualización que deben guiar nuestras historias basadas en datos
• Primeros pasos con las herramientas de visualización de datos: Tableau
• Conocer los aspectos clave a tener en cuenta para comunicar nuestro mensaje con efectividad: Data Storytelling
o Datos
o Objetos visuales
o Narrativa

BLOQUE 3. APRENDIZAJE AUTOMÁTICO E INTELIGENCIA ARTIFICIAL APLICADA

Módulo 9. INTRODUCCIÓN A LA ESTADÍSTICA CON R
• Introducción a la estadística: Análisis y descripción de datos
• Contrastes de hipótesis
• Estimación de intervalos de confianza
• Entrenamiento con R

Módulo 10. INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO

• Aprendizaje supervisado y no supervisado.
• Clustering y clasificación. Técnicas y medidas de calidad.
• Herramientas de aprendizaje automático, visualización.
• El ciclo de la minería de datos.

Módulo 11. SISTEMAS RECOMENDADORES DE PRODUCTOS

• Introducción a los sistemas de recomendación
• Sistemas de recomendación clásicos: “El carrito de la compra”
• Sistema de recomendación personalizados
• Caso de uso real

Módulo 12. DEEP LEARNING: TEORÍA DE REDES NEURONALES

• Historia y evolución del Deep Learning.
• Aplicaciones y casos de éxito en la industria y la investigación.
• Estructura y componentes de una red neuronal.
• Propagación hacia adelante y hacia atrás.
• Descenso del gradiente y optimización.
• Implementación de las Redes Neuronales Artificiales: Tensorflow y Keras.
• Otras arquitecturas de Redes Neuronales. (CNN, RNN, autoencoders)

Módulo 13. MODELOS SECUENCIALES

• Introducción a los modelos secuenciales 
• Diferencias entre modelos secuenciales y tradicionales 
• Redes neuronales recurrentes (RNNs) y sus variantes: 
o LSTM 
o GRU 
• Desafíos en los modelos secuenciales
 
Módulo 14. INTRODUCCIÓN AL NLP. IA Aplicada a los procesos de negocio

• Introducción a los conceptos básicos del NLP.
• Carga, preprocesado y modelización de corpus de textos.
• Uso de librerías de Deep Learning para tareas de clasificación de documentos, análisis de sentimientos, generación automática de resúmenes, etc.
• Aplicaciones prácticas
• Ingeniería de prompts
• Herramientas (GPT-X, Gemini, Midjourney, etc.)
• Fundamentos de los modelos de lenguaje
• Arquitecturas de Transformers

Módulo 15. AUTOMATIZACIÓN DE PROCESOS con N8N

• Introducción al concepto de Automatización y las herramientas disponibles en el mercado
• N8N: Community vs Enterprise
• Flujos de N8N: nodos, workflows, triggers y ejecución.
• Conectores clave: LLMs, Google, Webhooks, bases de datos, …
• Manejo de datos: JSON, transformación, variables, filtros y expresiones.
• Casos de uso

Módulo 16. GRANDES MODELOS DEL LENGUAJE (LLMs)

• Prompting de LLMs
• Recuperación y Generación Aumentada (RAG)
• Personalización mediante fine-tuning
• Multimodalidad
• Agentes basados en LLMs

Módulo 17. METODOLOGÍA DE PROYECTOS

Online: del 22/04/2026 al 27/04/2026     16 h.
Profesor: Valvanera Castro Fernández
• Ideas modelos de negocio
• Formación de grupos de trabajo
• Asignación tutores

BLOQUE 4. CASOS DE USO Y GESTIÓN OPERATIVA DEL DATO

Módulo 18. CASO ANALÍTICA DE MARKETING
• Aplicación al Marketing Digital
• Campañas con públicos seleccionados
• Selección de Clientes mediante Modelos de Propensión

Módulo 19. CASO ANALÍTICA FINANCIERA

• Conceptos financieros y de riesgos
• Aplicación práctica de BI y BIGDATA a la visión financiera/riesgos
• Obtención y preparación de datos financieros y de riesgos
• Modelos estadísticos para maximizar el RAR (Rentabilidad ajustada al Riesgo) y para inferir el riesgo de operaciones financieras.

Módulo 20. CASO ANALÍTICA EN EL SECTOR AGROALIMENTARIO

• Introducción de la tecnología aplicada en el sector
• Aplicación del IoT, gamificación, etc. en la operativización
• Análisis de datos predictivos para la toma de las decisiones

Módulo 21. MLOps

• Introducción a MLOps y Ciclo de Vida de Modelos de Machine Learning
• Gestión de Datos y Versionado
• Automatización de Pipelines de Machine Learning
• Monitoreo y Mantenimiento de Modelos en Producción
• Estudios de Caso y Mejores Prácticas

Módulo 22. GESTIÓN Y GOBIERNO DE DATOS

• Introducción a la gestión de datos
• Gobierno de datos: Índice de madurez del dato
• Gestión de la Calidad del dato 
• Gestión de Metadatos
• Definiendo e Implementado un programa de gobierno en la organización