No hemos encontrado resultados relativos a la búsqueda realizada.

Puedes volver a intentarlo de nuevo realizando una nueva búsqueda.

No hemos encontrado resultados relativos a la búsqueda realizada.

Puedes volver a intentarlo de nuevo realizado una nueva búsqueda.

Búsqueda avanzada
Las acciones formativas de Formacioncontinua tienen modalidad online
Modalidad
ONLINE
Duración de las acciones formativas de formacioncontinua
Duración Total
1500 H
Duración de teleformación de las acciones formativas de formacioncontinua
Horas Teleformación
450 H
Precio de las acciones formativas de INESEM
1995 € Hasta 100% bonificable
Entidad
INESEM Formación Continua
Presentación
Descripción
Este Máster en Inteligencia Artificial y Data Science ofrece una visión profunda sobre cómo sacar el máximo partido al análisis de datos y al uso de tecnologías emergentes como la inteligencia artificial. A lo largo de la formación, se combinan conocimientos teóricos y prácticos sobre Machine Learning, Big Data, Python, PLN y visión artificial, orientados al diseño y la implementación de soluciones automatizadas para diversas industrias. Durante el desarrollo del máster aprenderás las principales aplicaciones de la inteligencia artificial, como visión artificial, chatbots y redes neuronales, obteniendo competencias clave en la creación, evaluación y despliegue de sistemas basados en IA en áreas como la inteligencia de negocios, la automatización y la gestión de datos.
Objetivos
  • Desarrollar competencias en análisis de datos y gestión de Big Data.
  • Entender las principales aplicaciones y usos de la inteligencia artificial en diferentes sectores.
  • Aprender a implementar modelos de Machine Learning y redes neuronales.
  • Dominar técnicas avanzadas en PLN, visión artificial y chatbots.
  • Aplicar conocimientos de Python en proyectos de Inteligencia Artificial.
  • Diseñar soluciones automatizadas para la Industria 4.0 mediante IA.
  • Evaluar y optimizar modelos predictivos y sistemas basados en IA.


Para qué te prepara
El Máster en Inteligencia Artificial y Data Science te capacita para liderar proyectos de Machine Learning, Big Data e IA, aplicados en diversos sectores. Aprenderás a diseñar sistemas predictivos, gestionar datos masivos, implementar soluciones basadas en PLN, desarrollar aplicaciones en visión artificial y construir chatbots. Además, adquirirás habilidades en programación y optimización de procesos.


A quién va dirigido
Este Máster en Inteligencia Artificial y Data Science está diseñado para profesionales de la ingeniería, del análisis de datos, programación y tecnologías de la información con interés en especializarse en Inteligencia Artificial, análisis de datos y Big Data. También es adecuado para titulados/as en disciplinas STEM para liderar proyectos innovadores en áreas tecnológicas


temario

  1. ¿Qué es Big Data?
  2. ¿Y Thick Data? ¿Cuál es el matiz para diferenciar ambos términos?
  3. El gran auge del big data
  4. La importancia de almacenar y extraer información
  5. ¿Cual es el papel de las fuentes de datos?
  6. Soluciones novedosas gracias a la selección de datos
  7. Naturaleza de las fuentes de datos Big Data
  1. Thick Data, el valor de lo cualitativo. Entender emociones humanas, intenciones y sentimientos
  2. Fases en un proyecto de Big Data
  3. Big Data enfocado a los negocios
  4. Apoyo del Big Data en el proceso de toma de decisiones
  5. Toma de decisiones operativas
  1. Marketing estratégico y Big Data
  2. Open data
  3. Ejemplo de uso de Open Data
  4. IoT (Internet of Things-Internet de las cosas)
  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Big Data en salud
  5. Necesidad de Big Data en la asistencia sanitaria
  6. Retos del big data en salud
  7. Big Data y People Analytics en RRHH
  1. Definiendo el concepto de Business Intelligence y sociedad de la información
  2. Arquitectura de una solución Business Intelligence
  3. Business Intelligence en los departamentos de la empresa
  4. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
  5. Sistemas Operacionales y Procesos ETL en un sistema de BI
  6. Ventajas y Factores de Riesgos del Business Intelligence
  1. Cuadros de Mando Integrales (CMI)
  2. Sistemas de Soporte a la Decisión (DSS)
  3. Sistemas de Información Ejecutiva (EIS)
  1. Introducción a la minería de datos y el aprendizaje automático
  2. Proceso KDD
  3. Modelos y Técnicas de Data Mining
  4. Áreas de aplicación
  5. Minería de Textos y Web Mining
  6. Data mining y marketing
  1. Aproximación al concepto de DataMart
  2. Bases de datos OLTP
  3. Bases de Datos OLAP
  4. MOLAP, ROLAP & HOLAP
  5. Herramientas para el desarrollo de cubos OLAP
  1. Visión General: ¿Por qué DataWarehouse?
  2. Estructura y Construcción
  3. Fases de implantación
  4. Características
  5. Data Warehouse en la nube
  1. Contexto Internet de las Cosas (IoT)
  2. ¿Qué es IoT?
  3. Elementos que componen el ecosistema IoT
  4. Arquitectura IoT
  5. Dispositivos y elementos empleados
  6. Ejemplos de uso
  7. Retos y líneas de trabajo futuras
  1. ¿Qué es el Data Storytelling?
  2. Elementos clave del Data Storytelling
  3. ¿Por qué es importante el Data Storytelling?
  4. ¿Cómo hacer Data Storytelling?
  1. ¿Qué es Hadoop? Relación con Big Data
  2. Instalación y configuración de insfraestructura y ecosistema Hadoop
  3. Sistema de archivos HDFS
  4. MapReduce con Hadoop
  5. Apache Hive
  6. Apache Hue
  7. Apache Spark
  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en Protección de Datos
  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional
  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL Teorema de CAP
  4. Sistemas de Bases de datos NoSQL
  1. ¿Qué es MongoDB?
  2. Funcionamiento y uso de MongoDB
  3. Primeros pasos con MongoDB: Instalación y shell de comandos
  4. Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
  5. Actualización de datos en MongoDB: Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB
  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos
  1. Una aproximación a PENTAHO
  2. Soluciones que ofrece PENTAHO
  3. MongoDB & PENTAHO
  4. Hadoop & PENTAHO
  5. Weka & PENTAHO
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados
  1. ¿Qué es la visualización de datos?
  2. Importancia y herramientas de la visualización de datos
  3. Visualización de datos: Principios básicos
  1. ¿Qué es Tableau? Usos y aplicaciones
  2. Tableau Server: Arquitectura y Componentes
  3. Instalación Tableau
  4. Espacio de trabajo y navegación
  5. Conexiones de datos en Tableau
  6. Tipos de filtros en Tableau
  7. Ordenación de datos, grupos, jerarquías y conjuntos
  8. Tablas y gráficos en Tableau
  1. Fundamentos D3
  2. Instalación D3
  3. Funcionamiento D3
  4. SVG
  5. Tipos de datos en D3
  6. Diagrama de barras con D3
  7. Diagrama de dispersión con D3
  1. Visualización de datos
  2. Tipologías de gráficos
  3. Fuentes de datos
  4. Creación de informes
  1. Instalación y arquitectura
  2. Carga de datos
  3. Informes
  4. Transformación y modelo de datos
  5. Análisis de datos
  1. Introducción a Power BI
  2. Instalación de Power BI
  3. Modelado de datos
  4. Visualización de datos
  5. Dashboards
  6. Uso compartido de datos
  1. CartoDB
  2. ¿Qué es CARTO?
  3. Carga y uso de datos. Tipos de análisis
  4. Programación de un visor con la librería CARTO.js
  5. Uso de ejemplos y ayudas de la documentación de la API
  1. Introducción, concepto y funciones de la estadística
  2. Estadística descriptiva
  3. Estadística inferencial
  4. Medición y escalas de medida
  5. Variables: clasificación y notación
  6. Distribución de frecuencias
  7. Representaciones gráficas
  8. Propiedades de la distribución de frecuencias
  9. Medidas de posición
  10. Medidas de dispersión
  11. Medidas de forma
  12. Curva de Lorenz, coeficiente de Gini e índice de Theil
  1. Introducción al análisis conjunto de variables
  2. Asociación entre dos variables cualitativas
  3. Correlación entre dos variables cuantitativas
  4. Regresión lineal
  1. Conceptos previos de probabilidad
  2. Variables discretas de probabilidad
  3. Distribuciones discretas de probabilidad
  4. Distribución normal
  5. Distribuciones asociadas a la distribución normal
  1. Conceptos previos
  2. Métodos de muestreo
  3. Principales indicadores
  1. Introducción a las hipótesis estadísticas
  2. Contraste de hipótesis
  3. Contraste de hipótesis paramétrico
  4. Tipologías de error
  5. Contrastes no paramétricos
  1. Introducción a los modelos de regresión
  2. Modelos de regresión: aplicabilidad
  3. Variables a introducir en el modelo de regresión
  4. Construcción del modelo de regresión
  5. Modelo de regresión lineal
  6. Modelo de regresión logística
  7. Factores de confusión
  8. Interpretación de los resultados de los modelos de regresión
  1. Estadística no paramétrica. Conceptos básicos
  2. Características de las pruebas
  3. Ventajas y desventajas del uso de métodos no paramétricos
  4. Identificación de las diferentes pruebas no paramétricas
  1. Pruebas no paramétricas para una muestra
  2. Chi-cuadrado o ji-cuadrado
  3. Prueba de Kolmogorov-Smirnov para una muestra
  4. Prueba binomial
  5. Prueba de rachas
  1. Prueba de los signos
  2. Prueba del rango con signo de Wilcoxon
  3. Prueba de McNemar
  1. Pruebas para k muestras relacionadas
  2. Prueba de Cochran
  3. Prueba de Friedman
  4. Coeficiente de concordancia de W de Kendall
  1. Pruebas para dos muestras independientes
  2. Prueba U de Mann Whitney
  3. Prueba de Wald-Wolfowitz
  4. Prueba de reacciones extremas de Moses
  5. Prueba de Kolmogorov-Smirnov para dos muestras
  1. Pruebas no paramétricas para K muestras independientes
  2. Prueba de la mediana
  3. Prueba H de Kruskal-Wallis
  4. Prueba de Jonckheere-Terpstra
  1. Introducción a Python
  2. Características y aplicaciones
  3. Instalación de Python
  4. Configuración de un entorno de desarrollo
  1. Sintaxis básica de Python
  2. Variables y tipos de datos
  3. Operadores y expresiones
  4. Uso de comentarios
  1. Introducción al control de flujo
  2. Estructuras condicionales (if, elif, else)
  3. Bucles (for y while)
  4. Control de bucles (break y continue)
  1. Listas y tuplas
  2. Conjuntos: colecciones únicas
  3. Diccionarios: pares clave-valor
  4. Pilas: concepto y operaciones
  5. Colas: implementación y uso
  1. Definición y llamada de funciones
  2. Parámetros y argumentos
  3. Retorno de valores
  4. Ámbito de las variables
  5. Módulos y organización del código
  1. Conceptos de programación orientada a objetos
  2. Creación de clases y objetos
  3. Atributos y métodos
  4. Encapsulación y visibilidad
  5. Constructores y destructores
  1. Introducción a ficheros
  2. Lectura y escritura de archivos
  3. Manejo de rutas de archivos
  4. Entrada y salida estándar
  5. Formateo de texto
  1. Herencia y clases base
  2. Sobreescritura de métodos
  3. Polimorfismo e interfaces
  4. Excepciones y manejo de errores
  1. Introducción a interfaces gráficas
  2. Configuración de Tkinter
  3. Creación de widgets y ventanas
  4. Manejo de eventos y callbacks
  1. Introducción a bases de datos SQLite
  2. Creación y conexión a bases de datos
  3. Consultas SQL básicas
  4. Inserción, actualización y eliminación de datos
  1. Metaprogramación
  2. Funciones lambda
  3. Iteradores
  4. Decoradores
  5. Generadores y expresiones generadoras
  1. Importancia del testing y la documentación
  2. Uso de pruebas unitarias
  3. Documentación de código con docstrings
  4. Generación de documentación automática
  1. Identificar soluciones de IA y ML para problemas empresariales
  2. Formular un problema de aprendizaje automático
  3. Seleccionar Enfoques para el Aprendizaje Automático
  1. Recopilar datos
  2. Transformar datos
  3. Diseñar características
  4. Trabajar con datos no estructurados
  1. Entrenar un modelo de aprendizaje automático
  2. Evaluar y ajustar un modelo de aprendizaje automático
  1. Construir Modelos de Regresión Utilizando Álgebra Lineal
  2. Construcción de modelos de regresión lineal regularizados
  3. Construcción de modelos de regresión lineal iterativos
  1. Construcción de modelos de series temporales univariantes
  2. Construcción de modelos de series temporales multivariantes
  1. Entrenar modelos de clasificación binaria mediante regresión logística
  2. Entrenar modelos de clasificación binaria mediante k-Nearest Neighbors
  3. Entrenar modelos de clasificación multiclase
  4. Evaluación de modelos de clasificación
  5. Ajuste de modelos de clasificación
  1. Construir Modelos de Agrupación k-Means
  2. Construcción de modelos de agrupación jerárquica
  1. Construcción de modelos de árboles de decisión
  2. Construcción de modelos de bosques aleatorios
  1. Construcción de modelos SVM para clasificación
  2. Construcción de modelos SVM para regresión
  1. Construir Perceptrones Multicapa (MLP)
  2. Construir redes neuronales convolucionales (CNN)
  3. Construir redes neuronales recurrentes (RNN)
  1. Despliegue de modelos de aprendizaje automático
  2. Automatizar el Proceso de Aprendizaje Automático con MLOps
  3. Integrar Modelos en Sistemas de Aprendizaje Automático
  1. Proteger los pipelines de aprendizaje automático
  2. Mantener modelos en producción
  1. ¿Qué es PLN?
  2. ¿Qué incluye el PLN?
  3. Ejemplos de uso de PLN
  4. Futuro del PLN
  1. PLN en Python con la librería NLTK
  2. Otras herramientas para PLN
  1. Principios del análisis sintáctico
  2. Gramática libre de contexto
  3. Analizadores sintácticos (Parsers)
  1. Aspectos introductorios del análisis semántico
  2. Lenguaje semántico para PLN
  3. Análisis pragmático
  1. Aspectos introductorios
  2. Pasos en la extracción de información
  3. Ejemplo PLN
  4. Ejemplo PLN con entrada de texto en inglés
  1. Aspectos introductorios
  2. ¿Qué es un chatbot?
  3. ¿Cómo funciona un chatbot?
  4. VoiceBots
  5. Desafíos para los Chatbots
  1. Chatbots y el papel de la Inteligencia Artificial (IA)
  2. Usos y beneficios de los chatbots
  3. Diferencia entre bots, chatbots e IA
  1. Áreas de aplicación de Chatbots
  2. Desarrollo de un chatbot con ChatterBot y Python
  3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel
  1. La visión artificial: definiciones y aspectos principales
  1. Ópticas
  2. Iluminación
  3. Cámaras
  4. Sistemas 3D
  5. Sensores
  6. Equipos compactos
  7. Metodologías para la selección del hardware
  1. Algoritmos
  2. Software
  3. Segmentación e interpretación de imágenes
  4. Metodologías para la selección del software
  1. Aplicaciones clásicas: discriminación, detección de fallos…
  2. Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)
  1. Descripción general OpenCV
  2. Instalación OpenCV para Python en Windows
  3. Instalación OpenCV para Python en Linux
  4. Anaconda y OpenCV
  1. Manejo de archivos
  2. Leer una imagen con OpenCV
  3. Mostrar imagen con OpenCV
  4. Guardar una imagen con OpenCV
  5. Operaciones aritméticas en imágenes usando OpenCV
  6. Funciones de dibujo
  1. Redimensión de imágenes
  2. Erosión de imágenes
  3. Desenfoque de imágenes
  4. Bordeado de imágenes
  5. Escala de grises en imágenes
  6. Escalado, rotación, desplazamiento y detección de bordes
  7. Erosión y dilatación de imágenes
  8. Umbrales simples
  9. Umbrales adaptativos
  10. Umbral de Otsu
  11. Contornos de imágenes
  12. Incrustación de imágenes
  13. Intensidad en imágenes
  14. Registro de imágenes
  15. Extracción de primer plano
  16. Operaciones morfológicas en imágenes
  17. Pirámide de imágen
  1. Analizar imágenes usando histogramas
  2. Ecualización de histogramas
  3. Template matching
  4. Detección de campos en documentos usando Template matching
  1. Espacios de color en OpenCV
  2. Cambio de espacio de color
  3. Filtrado de color
  4. Denoising de imágenes en color
  5. Visualizar una imagen en diferentes espacios de color
  1. Detección de líneas
  2. Detección de círculos
  3. Detectar esquinas (Método Shi-Tomasi)
  4. Detectar esquinas (método Harris)
  5. Encontrar círculos y elipses
  6. Detección de caras y sonrisas
  1. Vecino más cercano (K-Nearest Neighbour)
  2. Agrupamiento de K-medias (K-Means Clustering)

metodología

claustro

Claustro Docente

Ofrecerá un minucioso seguimiento al alumno, resolviendo sus dudas.

campus virtual

Formación Online

Toda nuestra oferta formativa es de modalidad online, incluidos los exámenes.

materiales didácticos

Comunidad

En la que todos los alumos de INESEM podrán debatir y compartir su conocimiento.

material adicional

Materiales Didácticos

En la mayoría de nuestras acciones formativas, el alumno contará con el apoyo de los materiales físicos.

Centro de atención al estudiante (CAE)

Material Adicional

El alumno podrá completar el proceso formativo y ampliar los conocimientos de cada área concreta.

inesem emplea

Campus Virtual

Entorno Persona de Aprendizaje disponible las 24 horas, los 7 días de la semana.

Una vez finalizado el proceso de matriculación, el alumno empieza su andadura en INESEM Formación Continua a través de nuestro Campus Virtual.

La metodología INESEM Business School, ha sido diseñada para acercar el aula al alumno dentro de la formación online. De esta forma es tan importante trabajar de forma activa en la plataforma, como necesario el trabajo autónomo de este. El alumno cuenta con una completa acción formativa que incluye además del contenido teórico, objetivos, mapas conceptuales, recuerdas, autoevaluaciones, bibliografía, exámenes, actividades prácticas y recursos en forma de documentos descargables, vídeos, material complementario, normativas, páginas web, etc.

A esta actividad en la plataforma hay que añadir el tiempo asociado a la formación dedicado a horas de estudio. Estos son unos completos libros de acceso ininterrumpido a lo largo de la trayectoria profesional de la persona, no solamente durante la formación. Según nuestra experiencia, gran parte del alumnado prefiere trabajar con ellos de manera alterna con la plataforma, si bien la realización de autoevaluaciones de cada unidad didáctica y evaluación de módulo, solamente se encuentra disponible de forma telemática.

El alumno deberá avanzar a lo largo de las unidades didácticas que constituyen el itinerario formativo, así como realizar las actividades y autoevaluaciones correspondientes. Al final del itinerario encontrará un examen final o exámenes. A fecha fin de la acción formativa el alumno deberá haber visitado al menos el 100 % de los contenidos, haber realizado al menos el 75 % de las actividades de autoevaluación, haber realizado al menos el 75 % de los exámenes propuestos y los tiempos de conexión alcanzados deberán sumar en torno al 75 % de las horas de la teleformación de su acción formativa. Dicho progreso se contabilizará a través de la plataforma virtual y puede ser consultado en cualquier momento.

La titulación será remitida al alumno por correo postal una vez se haya comprobado que ha completado el proceso de aprendizaje satisfactoriamente.

Requisitos de acceso

Esta formación pertenece al programa de Formación Continua de INESEM. Esta formación se tramita con cargo a un crédito que tienen asignado las empresas privadas españolas para la formación de sus empleados sin que les suponga un coste.

Para tramitar dicha formación es preciso cumplir los siguientes requisitos:

  • Estar trabajando para una empresa privada
  • Encontrarse cotizando en Régimen General de la Seguridad Social
  • Solicitar un curso que esté relacionado con el puesto de trabajo o con la actividad empresarial
  • Que la empresa autorice la formación
  • Que la empresa disponga de suficiente crédito formativo para cubrir el coste del curso

titulación

Titulación de Formación Continua Bonificada expedida por el Instituto Europeo de Estudios Empresariales (INESEM). "Titulación Expedida y Avalada por el Instituto Europeo de Estudios Empresariales. ""Enseñanza No Oficial y No Conducente a la Obtención de un Título con Carácter Oficial o Certificado de Profesionalidad."""
SOLICITA INFORMACIÓN

Asesoramiento personalizado sin compromiso

Información básica sobre Protección de Datos. Haz clic aquí
Responsable INSTITUTO EUROPEO DE ESTUDIOS EMPRESARIALES S.A.U. Finalidad Información académica y comercial de nuestros servicios de enseñanza. Legitimación Consentimiento del interesado y ejecución de un contrato en el que el interesado es parte. Destinatarios Encargados del tratamiento para cumplir con las finalidades. Derechos Acceder, rectificar y suprimir los datos, así como otros derechos, como se explica en la información adicional.

Información adicional Pulsa aquí

Cargando...

Se envió su solicitud correctamente.

Completa los campos obligatorios.

Opiniones de los alumnos

TAMBIÉN PODRÍA INTERESARTE...
Cursos bonificados relacionados
Técnico de Programación de Páginas Web con PHP (Servidor) (Online)
Hasta 100% bonificable
Ver ficha curso
Curso Práctico de Virtuemart: Cómo crear una Tienda Virtual (Online)
Hasta 100% bonificable
Ver ficha curso
Auditoría de Seguridad Informática (Online)
Hasta 100% bonificable
Ver ficha curso
¿Qué es Formación Continua?
POR QUÉ ESTUDIAR EN INESEM
Claustro especializado
Profesores especializados realizarán un seguimiento personalizado al alumno.
campus virtual
Acceso a la plataforma de aprendizaje disponible las 24 horas e ilimitado.
Gestión gratuita
Gestionamos todos los trámites administrativos para la bonificación de la formación.
materiales didácticos
Enviamos gratis los materiales de apoyo en la mayoría de nuestras acciones formativas (envíos a España).
planes formativos a medida
Diseñamos planes de formación adaptados a las necesidades de las empresas.
materiales adicionales
Los alumnos podrán profundizar más con material adicional que su docente le puede aportar.
amplio catálogo formativo
Contamos con más de 5000 cursos y masters bonificables para trabajadores.
Centro de atención al estudiante
Nuestros asesores académicos atenderán al alumnado antes, durante y después de la formación.
consultoría de recursos humanos
Ofrecemos soluciones para el área laboral de tu empresa.
secretaría virtual
Todas las gestiones las podrás hacer vía online, no será necesario hacerlo presencial.
Conoce inesem
INESEM en cifras
+150.000

alumnos

99%

de empleabilidad

+2.000

acuerdos con empresas

98%

de satisfacción

Universidades colaboradoras