1) Módulo 1: Introducción a los sistemas Informáticos y tecnologías Big Data
– Principales componentes de un sistema informático. Sistemas Operativos, para que sirven, que tipos hay y cómo funcionan…
– Introducción a GNU/Linux
– GNU/Linux Avanzado
– Como usar GNU/Linux en Cloud (AWS)
– Introducción teórica a las tecnologías Big Data: Bases de Datos SQL/No SQL, Computación distribuida, Cloud…

2) Módulo 2: Fundamentos de Programación en Python
– Introducción a los lenguajes de programación
– Python: Sentencias Básicas y Bloques Lógicos
– Python: Funciones y Scope
– Python: Clases y Objetos y Tratamiento de Excepciones
– Python: Módulos y Uso de librerías de Python

3) Módulo 3: Programación Orientada a Datos
– Python: Librerías básicas de Data Science: Pandas, Numpy, Matplotlib, Sklearn…
– Introducción teórica al análisis exploratorio de Datos
– Python: Ejemplificación del análisis exploratorio de datos mediate Datasets reales

4) Módulo 4: Bases de Datos e Ingestión de datos
– Bases de datos SQL
– Bases de datos NoSQL: Clave-Valor, Columnares, Documentales y de Grafos
– Bases de Datos NoSQL Documentales: MongoDB (PyMongo)
– Sistemas de ingestión de datos en tiempo real: Kafka

5) Módulo 5: Procesamiento Distribuido
– Funcionamiento de un sistema Big Data de Procesamiento Distribuido: Ingestión, Almacenamiento, Gestión de Recursos, Cálculo Distribuido…
– Hadoop: Instalación y configuración, HDFS y YARN
– Introducción a Spark: Instalación y configuración, pySpark y DataFrame API
– Machine Learning con Spark: MLlib
– Microservicios: Kubernetes y Docker
– Arquitecturas Big Data: Lamba vs Kappa vs Microservicios

6) Módulo 6: Algoritmos de Machine Learning y su implementación
– ¿Qué es un modelo de machine learning? ¿Qué es el entrenamiento? ¿Cómo valido que mis modelos generalizan correctamente?
– Regresión Lineal
– Regresión Logística
– Algoritmos de agrupamiento (K-Means, Clustering espectral, Clustering jerárquico…)
– Support Vector Machines (SVM)
– Árboles de Decisión y Random Forests
– K Nearest Neighbors (KNN)
– Redes Bayesianas
– Modelos Ocultos de Markov
– Algoritmos de reducción de la dimensionalidad (PCA, t-SNE…)
– Algoritmos de selección de modelos y búsqueda inteligente de hiper parámetros (grid search, random search, cross validation…)
– Modelos Ensemble y Sistemas multi-agente
– Ecosistema Data Science en Python: Skit Learn, Pandas, Numpy, Matplotlib…
– Pre-procesamiento de datos numéricos (Normalización, discretización, estandarización…)

7) Módulo 7: Deep Learning
– Introducción a los sistemas cognitivos y al aprendizaje profundo
– Perceptrones multi capa (MLP)
– Aspectos prácticos en el entrenamiento de redes neuronales y computación en GPU/TPU
– Redes Convolucionales (CNN)
– Redes Recurrentes (RNN)
– Auto-Encoders
– Redes Generativas Adversarias (GAN)
– Deep Reinforcement Learning (DRL)
– Deep Learning Frameworks: Keras, TensorFlow, Pytorch…

8) Módulo 8: Procesamiento de Lenguaje Natural
– Pre-procesamiento de texto y creación de corpus (tokenización, lematización, separación de oraciones…)
– Conceptos clave de análisis a nivel de documento (TF-IDF, BoW…)
– Topic Modeling (LDA y LSI)
– Análisis morfológico y morfosintáctico (PoS Tagging)
– Named Entity Recognition
– Embeddings
– Deep Learning aplicado a NLP
– La revolución de los modelos Deep Learning de lenguaje basados en contexto (BERT, ELMo…)
– Modelos de generación de texto y agentes conversacionales
– Ecosistema NLP en Python: NLTK, gensim, spacy, rasa…

9) Módulo9: TFM (Opcional)
– El alumno presentará una propuesta de proyecto al docente, que utilice algoritmos y tecnologías vistos en este máster para la resolución de un problema real de negocio.