Máster en Inteligencia Artificial

El módulo se centra en aspectos fundamentales de la inteligencia artificial (IA), específicamente en la resolución de problemas, el razonamiento automático y la planificación. Se establece el marco general de la IA, conceptos básicos, definiciones y el alcance de la IA, y se cubren aspectos históricos y la evolución de la inteligencia artificial, destacando su impacto en la sociedad y las aplicaciones prácticas en diversos sectores. También se explora la resolución de problemas como competencia central en inteligencia artificial, se introduce al razonamiento automático y a la planificación, se exploran las representaciones estructurales del conocimiento, y se introducen modelos y técnicas para el razonamiento automático y paradigmas para el razonamiento impreciso y con incertidumbre.

La asignatura se enfoca en el uso de Python y plataformas de Cloud Computing para desarrollar habilidades en ciencia de datos. Los estudiantes aprenderán programación avanzada con orientación a la ciencia de datos en Python, explorar librerías clave como NumPy y Pandas, y utilizarán entornos en la nube (AWS) para gestionar grandes conjuntos de datos.

El módulo aborda los conceptos fundamentales de minería de datos, incluyendo técnicas de limpieza y preparación para análisis inteligente. Se centra en técnicas de indexación eficientes y estructuras avanzadas para gestionar grandes volúmenes de datos. Además, cubre la preparación de datos para visualización de baja latencia y la creación de dashboards integrando múltiples fuentes de información.

El módulo abarca tres principales paradigmas:

• Supervisado: se revisarán las técnicas y mecanismos para entrenar modelos con datos etiquetados, permitiendo hacer predicciones o clasificaciones.
• No supervisado: donde se emplearán técnicas para tratar datos no etiquetados con los que descubrir patrones y estructuras inherentemente presentes en los conjuntos de datos.
• Profundo (Deep Learning): utilizando redes neuronales profundas se utilizarán técnicas para aprender representaciones complejas y realizar tareas avanzadas de IA como reconocimiento de imágenes o procesamiento del lenguaje natural.

También se revisarán mecanismos de aprendizaje avanzado, como el aprendizaje por refuerzo, por transferencia, y aprendizaje generativo

El módulo revisará diversas técnicas para analizar y comprender el lenguaje humano. Se revisarán técnicas que profundizarán en:

• Tokenización y segmentación: etapa para dividir el texto en unidades más pequeñas y facilitar su análisis.
• Análisis morfológico y sintáctico: se revisarán técnicas para analizar la estructura gramatical de las palabras y cómo se combinan para formar oraciones, lo que permite comprender la sintaxis y la morfología del lenguaje.
• Extracción de características: se revisarán técnicas para la identificación de características importantes en el texto, como entidades nombradas, relaciones entre palabras y conceptos clave, para representar la información de manera significativa.
• Desambiguación semántica: se aplicarán técnicas de resolución de ambigüedades en el significado de las palabras o frases, mejorando la comprensión precisa del contexto y la interpretación semántica.
• Generación de lenguaje: se revisarán las principales y más novedosas tecnologías que se están empleando para generar de autónomo lenguaje natural de manera coherente y relevante.

El módulo se centra en capacitar a las máquinas para interpretar y comprender información visual. Se revisarán técnicas que profundizarán en:

• Reconocimiento de objetos: se revisan técnicas para identificar y clasificar objetos en imágenes o videos, siendo esencial para aplicaciones como el reconocimiento facial, detección de objetos y análisis de escenas.
• Segmentación de imágenes: se revisan técnicas para la división de imágenes en regiones o segmentos para un análisis más detallado. La segmentación es clave para tareas como la identificación de contornos, la separación de objetos en primer plano y fondo, y la delimitación de áreas de interés.
• Detección y seguimiento de movimiento: se revisan técnicas para rastrear el movimiento de objetos en el tiempo
• Reconocimiento de patrones y características: se revisan técnicas para reconocer patrones visuales complejos y extraer características distintivas para comprender la información visual.
• Modelos generativos de imagen: modelos de aprendizaje auto-supervisados y autoencoders en computación visual

• Toma de decisiones.
• Análisis de riesgos.
• Big data e IoT.
• RPA.
• Chatbots.
• Sistemas de recomendación.

• Salud y medicina: diagnóstico médico, predicción de enfermedades, desarrollo de tratamientos personalizados, gestión eficiente de registros de pacientes.
• Finanzas y banca: análisis de riesgos, detección de fraudes, asesoramiento financiero automatizado, gestión de carteras, procesamiento automático de transacciones.
• Comercio y marketing: recomendaciones personalizadas, análisis de comportamiento del usuario, gestión de inventario, optimización de precios, atención al cliente automatizada.
• Educación: personalización del aprendizaje, evaluación automatizada, análisis de desempeño estudiantil, asistentes virtuales para educación a distancia.
• Manufactura y cadena de suministro: control de calidad automatizado, mantenimiento predictivo de maquinaria, optimización de la cadena de suministro, gestión de inventario.
• Recursos humanos: selección de personal, análisis de currículos, gestión de talento, automatización de procesos de reclutamiento, evaluación del desempeño.
• Transporte y logística: optimización de rutas, gestión de flotas, monitoreo de activos, planificación logística, sistemas de transporte autónomo.
• Ciberseguridad y vigilancia: detección de amenazas, reconocimiento facial, análisis de comportamiento en tiempo real, vigilancia de perímetros, respuesta automática a eventos de seguridad.

El módulo se enfoca en comprender y comunicar las decisiones de los modelos de IA, explorando técnicas para mejorar la transparencia. Examina cuestiones éticas en el diseño y aplicación de algoritmos, considerando sesgos y responsabilidad social. Además, aborda el marco normativo que guía el desarrollo de la inteligencia artificial, destacando regulaciones y estándares éticos emergentes. Los estudiantes analizarán casos prácticos, debatirán dilemas éticos y explorarán estrategias para equilibrar la innovación tecnológica con la consideración ética y el cumplimiento de normativas.

Realización de un trabajo en el que se integren todos los conocimientos, habilidades y competencia adquiridas en el máster.

Reglamento prácticas externas

Las prácticas en empresas son un elemento clave en tu formación. Adquirir experiencia después de lo aprendido en tu titulación, es la mejor forma de entrar en el mercado laboral. Hay dos tipos de prácticas, las curriculares (incluidas en tu plan de estudios) y extracurriculares (las que puedes hacer de forma voluntaria).

Para realizar las prácticas curriculares en empresas, necesitarás tener el 50% de los créditos aprobado y matricular la asignatura antes de comenzar tus prácticas. Estas prácticas llevan un seguimiento por parte de la empresa y del profesor de prácticas, así como la realización de informes intermedios y finales para su evaluación.

Si quieres mejorar tu experiencia laboral antes de concluir tu formación universitaria, puedes hacer prácticas extracurriculares. Podrás hacerlas en cualquier curso pero te recordamos que las prácticas son un complemento formativo a tus estudios; por tanto, cuanto más conocimiento hayas adquirido a lo largo de la carrera, mayor provecho sacarás de la experiencia de prácticas.

El máster está enfocado a estudiantes con el siguiente perfil de ingreso:

• Graduados en Ingeniería, Matemáticas, Física, Informática.
• Graduados en otras titulaciones orientadas a negocio con experiencia en tecnología y nociones de programación en Python.
• Licenciados/Graduados/Diplomados con experiencia laboral/ profesional acreditada en el ámbito de la Ciencia de Datos y la Inteligencia Artificial, con no menos de 1 año de experiencia demostrable, realizando las mismas tareas en el mismo ámbito de conocimiento.
• Además, se considerarán aceptables otros títulos expedidos por una institución de educación superior que faculten en el país expedidor del título para el acceso a enseñanzas de postgrado y que se encuentren relacionados con el ámbito de conocimiento de este título, siendo necesario acreditar conocimientos en programación en Python.

• D. José Javier Ruiz Cobo
  Director del Máster de Formación Permanente en Inteligencia Artificial
  Ingeniero de Telecomunicaciones. Especialista tecnológico en Cloud Computing, Big Data, IoT y Blockchain.
• D. Jaime Oliver
  Graduado en Ciencias Físicas por la UCM, máster en Ingeniería Matemática por la UCM, máster en Economía por la UC3M y candidato a PhD en Ingeniería Matemática por la UC3M. Con una amplia experiencia en la industria, actualmente trabaja como Senior Data Scientist en Clarity AI, aplicando técnicas de Machine Learning e Inteligencia Artificial a la medición de impacto y huella medioambiental de las compañías.
• D. David Kremer
  Físico y MSc. en Modelización Matemática y Computación Científica por la Universidad de Oxford. Actualmente trabaja como Lead Data Scientist en IBM participando en diversos proyectos de analítica y optimización.
• Dr. D. Raúl Pérula-Martínez
  Doctor en Inteligencia Artificial aplicada a la Robótica por la Universidad Carlos III de Madrid. Cuenta con amplia experiencia en consultoría y proyectos de innovación aplicando tecnologías punteras en Asistentes Virtuales, NLP, Computer Vision y Big Data para diversos sectores. Actualmente desempeña el rol de Global Head de Inteligencia Artificial en Santander Universidades y Universia Holding.
• D. Teno González
  Ingeniero de Datos en IBM Global Business Services. Graduado en Ingeniería Informática con especialidad en Sistema de Información por la Universidad de La Laguna.
• D. David Sanz
  Director en KPMG del Centro de Excelencia de Data, Analytics e Inteligencia Artificial. Licenciado en Sistemas Informáticos Computacionales.
• Dª. María Cruz Gaya
  Profesora titular. Dra. en Inteligencia Artificial. Especialista en Minería de Datos y Algoritmos Evolutivos. Subdirectora de la Escuela de Arquitectura, Ingeniería y Diseño para postgrado.
• D. Diego Pérez Sastre
  Graduado en Ingeniería del Software por la Universidad Politécnica de Madrid y egresado por la UPM en el Master Universitario en Inteligencia Artificial. Ha trabajado como Data Scientist en el departamento de innovacion de BBVA (BBVA Labs) y desde hace tres años forma parte de Clarity AI, una startup de Fintech basada en USA, donde ha tenido la oportunidad de trabajar de la mano de enormes profesionales como Antonio Molins (ex Director of innovation at Netflix) o Rebeca Minguela (Young Global Leader en el World Economic Forum).
• D. Ginés Carrascal
  Certified IBM Architect y IBM Quantum Ambassador. Licenciado en Física, Electrónica y Óptica.
• Anas Ahachad:
  PhD en Machine Learning por la Universidad Carlos III de Madrid en 2017 donde ha prestado sus servicios desde 2010. También ha impartido clases en EOI y actualmente en la Universidad Europea. Su docencia e investigación se centran en el aprendizaje máquina, redes neuronales y Natural Language Processing, con aplicaciones en ayuda a la decisión, minería de datos e información y gestión de información en distintas áreas. En estos temas ha publicado varios artículos en revistas de alto factor de impacto. También tiene experiencia profesional en mundo laboral, ha trabajado como Senior Data Scientist en Hispatec Analytics.