Máster en IA

Profundizaremos en el mundo de modelos de Machine Learning y Deep Learning, abordando campos como MLOPS, Generative AI y Responsible AI.

Sesiones:

• Librerías de Python para ML – Ángel Rodriguez (SDG Group)

Usarás bibliotecas clave como numpy, pandas, plotly, matplotlib y seaborn para manipulación y procesamiento de datos. 

• Programación Estadística con Python – Miguel Rua (AMS)

Aplicarás conceptos estadísticos (descriptiva univariante y multivariante, distribuciones, contrastes de hipótesis) usando Python, con librerías como statsmodels y scipy. 

• Machine Learning 0: Introducción – José Sánchez (ALIGN TECHNOLOGY)

Conceptos básicos, fundamentos del aprendizaje automático, tipos de aprendizaje, conceptos clave, herramientas de IA y gestión de proyectos de ML 

• Machine Learning 1: Regresión – José Sánchez (ALIGN TECHNOLOGY)

Introducción, fundamentos, modelos de regresión, evaluación de modelos y casos prácticos. 

• Machine Learning 2: Clasificación –José Sánchez (ALIGN TECHNOLOGY)

Introducción, fundamentos de la clasificación, tipos de algoritmos, evaluación de modelos y casos prácticos. 

• Machine Learning 3: Clustering – Javier Naranjo (ITI)

Algoritmos no supervisados: K-Means, DBSCAN, BIRCH, entre otros y técnicas para su evaluación (silueta, elbow method). 

• Machine Learning 4: Dimensionality – Javier Naranjo (ITI)

Reducción de dimensionalidad: PCA, t-SNE, UMAP y técnicas de selección inteligente de características para el entrenamiento de soluciones de IA. 

• Redes Neuronales 0: Introducción – Conchita Díaz (GOOGLE)

Fundamentos de perceptrones, arquitecturas básicas, backpropagation y frameworks como TensorFlow/PyTorch. 

• Redes Neuronales 1: Tradicionales – José Sánchez (ALIGN TECHNOLOGY)

Introducción, conceptos básicos, arquitectura de redes neuronales, implementación, entrenamiento y validación, optimización de modelos y casos prácticos. 

• Redes Neuronales 2: Imágenes – Rafa López (ALIGN TECHNOLOGY)

Procesamiento de imágenes, Arquitecturas (Clasificación, Detección de objetos, Segmentación), Aumento de datos, Transferencia de aprendizaje entre redes neuronales. 

• Redes Neuronales 3: Series Temporales – Adrián Colomer (UPV)

Modelado predictivo de series temporales mediante redes neuronales recurrentes con unidades LSTM y GRU. 

• Redes Neuronales 4: NLP – Félix Fuentes (UPM)

Procesamiento de Lenguaje Natural (NLP): Embeddings, modelos transformer, BERT, GPT y aplicaciones. 

• Introducción MLOPS – Daniel Ruiz (SDG Group) 

Conceptos clave: Introducción a la puesta en producción de modelos de machine learning,  plataformas ML, ciclo de vida de los proyectos de IA, introducción al MLOps. 

• MLOPs – Daniel Ruiz (SDG Group) 

Profundización en despliegue de modelos: servidores de inferencia (FastAPI y Google Cloud Vertex AI Online Prediction), pipelines (Metaflow y Google Cloud Vertex AI Pipelines), model registry (MLflow) y monitorización y mantenimiento de modelos. 

Se explorará la diferencia entre IA Analítica e IA Generativa. Se profundizará en modelos de generación de texto e imágenes y en cómo aplicar técnicas de IA Generativa en múltiples industrias. Además, se analizarán casos de uso específicos de la implementación de IA en sectores como la salud, financiero o retail, y se trabajarán los conceptos de Reinforcement Learning.

Sesiones:

• Cloud – (GOOGLE)

Fundamentos de Google Cloud Platform (GCP): arquitectura, servicios esenciales (Compute Engine, Kubernetes, BigQuery) y casos de uso empresariales. 

• IA generativa – Conchita Díaz (GOOGLE)

Introducción a modelos generativos (como Gemini) y sus aplicaciones en texto, imágenes y código. 

• IA responsable – (GOOGLE)

Principios de IA ética: mitigación de riesgos, transparencia y alineación con regulaciones (como EU AI Act). 

• IA para Sanidad – (GOOGLE)

Aplicaciones de IA en diagnóstico médico (ej. Google Health AI), procesamiento de imágenes radiológicas y gestión de datos clínicos. 

• IA para Finanzas – (GOOGLE)

Casos de uso en fraude, risk assessment, chatbots financieros y algoritmos de trading con herramientas de GCP. 

• IA para Retail – (GOOGLE)

Soluciones para recomendación personalizada, gestión de inventario, análisis de clientes y logística con IA. 

• IA para Media – (GOOGLE)

Aplicaciones en generación de contenido, subtitulado automático, análisis de audiencias y optimización de streaming. 

• Reinforcement Learning 

Fundamentos de aprendizaje por refuerzo (RL): algoritmos (Q-Learning, Deep RL), entornos simulados (OpenAI Gym) y casos prácticos.