Máster en Data Science - IMMUNE Technology Institute

Ofrecer una duración de 5 meses, con 300 horas lectivas.
Brindar una metodología de estudio presencial y remoto.
Dirigirse a matemáticos, ingenieros o estadísticos que quieran especializarse en el área de datos.
Garantizar el éxito de cada usuario, logrando capacitarte para controlar las principales técnicas de la inteligencia artificial.
Contar con una serie de herramientas para lograr trabajar en puestos como Data Scientist, Data Engineer o Business Analyst.
Ofrecer la ayuda de los mejores docentes del sector.

Máster en Data Science - Certified Engineer

FUNDAMENTOS DE PROGRAMACIÓN.
- Introducción a la programación.
- Estructura de un ordenador. Pseudocódigo.
- Tipos de variables y secuencias.
- Bucles y estructuras.
- Uso de funciones.
- Introducción a la programación orientada a objetos,
PYTHON PARA DATA SCIENTISTS
- Introducción a la programación.
- Variables, loops, secuencias.
- Funciones y datos complejos.
- Gestión de archivos y parsing.
INTRODUCCIÓN A LOS DATOS E IA
- Empresas data driven.
- Introduccion a la IA.
- Fundamentos de Cloud.
MANIPULACIÓN Y ANÁLISIS DE DATOS AVANZADO
- Manipulación y análisis de datos (databases, sql, no sql, apis, web services, scripting).
- Procesamiento de datos (limpieza y manipulación).
- Librerías de Python (Panda, Numpy).
ANÁLISIS EXPLORATORIO Y VISUALIZACIÓN BÁSICA
- Introducción y conceptos matemáticos clave.
- Álgebra lineal.
- Probabilidad y estadística par Machine Learning.
- Conceptos clave de visualización.
- Mapas.
- Herramientas de visualización comerciales y de open source.
MACHINE LEARNING AVANZADO I
- Clasificación: Modelo probabilístico (Naive Bayes & Logistic Regression)
- (K-NN, Decision trees & Random forest.XGBoost)
- Regresión lineal y no lineal.
- Técnicas de remuestreo y validación cruzada.
- Sobreajuste & Bias.
- Series temporales.
MACHINE LEARNING AVANZADO II
- Clustering y detección de anomalías.
- Minería de datos y asociación.
- Conectar densamente una red.
- Modelos de variables latentes y reducción dimensional.
DEEP LEARNING
- Introducción al Deep Learning.
- Cómo construir una red neuronal.
- Densely connected network.
- Convolutional neural network (CNN).
- Recurrent neural network (RNN).