El Máster en Inteligencia Artificial & Big Data es una especialización avanzada diseñada para profesionales del área tecnológica que buscan actualizar y expandir sus capacidades, superando las limitaciones de los métodos tradicionales de procesamiento de datos. Este programa te equipa con estrategias y herramientas innovadoras para desarrollar arquitecturas y aplicaciones informáticas capaces de gestionar y procesar grandes volúmenes de información heterogénea, a menudo en tiempo real, abordando los desafíos inherentes al Big Data. Profundizarás en la evolución del Business Intelligence hacia este nuevo paradigma, explorando las arquitecturas tecnológicas más avanzadas y las metodologías de analítica de datos a gran escala, incluyendo técnicas de machine learning. Dominarás los fundamentos de las bases de datos relacionales con SQL, desde comandos avanzados hasta el diseño de un Datawarehouse robusto, y te introducirás en las bases de datos NoSQL para la gestión eficiente de datos no estructurados. Con esta formación, transformarás la capacidad de tu organización para optimizar procesos operativos y potenciar la atracción y retención de clientes mediante un análisis predictivo y prescriptivo, integrando la gestión de proyectos de software con una visión estratégica de la Inteligencia Artificial aplicada a escenarios empresariales reales y complejos.
Objectives
Diseñarás arquitecturas de datos avanzadas para la gestión de grandes volúmenes de información, integrando soluciones de procesamiento masivo y sistemas inteligentes.
Implementarás estrategias de análisis de datos a gran escala para extraer valor predictivo y prescriptivo, optimizando la toma de decisiones empresariales.
Gestionarás el ciclo de vida completo de proyectos de software orientados a la implementación de sistemas inteligentes, desde la concepción hasta la evaluación de impacto.
Tomarás decisiones estratégicas fundamentadas en el conocimiento profundo de la explotación de datos y la innovación tecnológica, impulsando la competitividad.
Diseñarás y optimizarás Datawarehouses, dominando bases de datos relacionales (SQL) y no relacionales (NoSQL) para una gestión eficiente de la información.
Evaluarás el impacto de las soluciones de analítica avanzada en la mejora de procesos operativos y la estrategia de atracción y retención de clientes.
Aplicarás principios de gobernanza de datos y seguridad en arquitecturas Big Data, asegurando la integridad y cumplimiento normativo de la información.
Integrarás algoritmos de Machine Learning en soluciones de Inteligencia Artificial para automatizar y mejorar la capacidad de análisis y predicción.
Methodology
At Educa PHAROS, we use a highly practical methodology focused on the direct application of knowledge in the student’s professional environment, combining theoretical content with real-world case studies, digital tools, and the guidance of a specialized teaching team.
Program
Data information
Knowledge wisdom
Data Management (I)
Data Management (II)
Corporate perfomance management
Bases de Datos
Business Intelligence
Data Warehousing
Big data
Hadoop Spark
Ecosistema Hadoop (I)
Ecosistema Hadoop (II)
Ecosistema Hadoop (III)
Ecosistema Spark
Instalación y configuración de arquitecturas Big Data
Analytics
Principales algoritmos (I)
Principales algoritmos (II)
Machine Learning y Deep Learning
Internet Of Things
Introducción a SQL
Manipulación de bases de datos
Tipos de datos
Normalización
Creación de tablas en SQL
Manipulación de tablas
Consulta de tablas en SQL
Combinación de tablas en SQL
Combinaciones de tablas y vistas
Otros comandos en SQL
Funciones para strings y funciones numéricas (I)
Funciones numéricas (II)
Funciones de fecha y hora
Otras funciones
Bucles, condicionales y triggers en SQL
Introducción al datawarehousing
Bases de datos en un datawarehouse. Stage
Bases de datos en un datawarehouse. ODS (I)
Datos en un datawarehouse. ODS (II)
Bases de datos en un datawarehouse. DDS
Concepto de Bases de Datos NoSQL
Ventajas y desventajas de las Bases de Datos NoSQL
Características principales de las Bases de Datos NoSQL
Bases de datos Documentales
Bases de datos de Columnas
Bases de datos Clave-Valor
Base de datos en grafos
Introducción a MongoDB
Características y arquitectura de MongoDB
Modelado de datos en MongoDB
Consultas y operaciones en MongoDB
Escalabilidad y rendimiento en MongoDB
Apache Cassandra
CouchDB
Redis
Amazon DynamoDB
NeoJS
Diseño de la estructura de datos
Configuración del entorno de desarrollo
Instalación y configuración de MongoDB
Creación y manipulación de colecciones en MongoDB
Importación y exportación de datos en MongoDB
Índices y optimización de consultas en MongoDB
Agregación de datos en MongoDB
Transacciones en MongoDB
Replicación y alta disponibilidad en MongoDB
Copias de seguridad y recuperación en MongoDB
Aplicaciones web y móviles
Big Data y análisis de datos
Internet de las cosas (IoT)
Recommendation Systems
Social media y redes sociales
Introducción a la integración de datos
Integración con lenguajes de programación (Python, Java, etc.)
Integración con herramientas de Business Intelligence (BI)
Integración con sistemas de almacenamiento en la nube
Conceptos de seguridad en Bases de Datos NoSQL
Autenticación y autorización en MongoDB
Encriptación de datos en Bases de Datos NoSQL
Auditoría y control de acceso en Bases de Datos NoSQL
The State of the Art in Artificial Intelligence
Philosophy of Artificial Intelligence
The Future of Artificial Intelligence
Project Development Processes Using Artificial Intelligence
Data: Your Greatest Asset
Machine Learning
Deep Learning
Transformers
Synthetic Data Generation
Hyperparameters in Artificial Intelligence Models
Linear Regression
Nonlinear Regression and Support Vector Machines (SVM)
Decision Trees and Random Forests
Fuzzy Logic and Gradient Descent
Recommendation Systems
Preparación del entorno de trabajo. Anaconda, Visual Studio Code y Python
Input Dataset and Data Processing
TensorHub, TensorFlow, and Keras
Image Processing
Generating Artificial Intelligence Models
Introduction
Regresión lineal, múltiple y logística (I)
Regresión lineal, múltiple y logística (II)
Máquina de vectores soporte (SVM)
Árboles de decisión
KNN (K-Nearest Neighbors)
Naive bayes
Evaluación de modelos supervisados
Ejercicio de ejemplo
Ejercicio propuesto
Introducción a clustering: propósito y métricas
K-means clustering
Clústering jerárquico, otras técnicas y ejemplos
Análisis de componentes principales (PCA)
Ejercicio de ejemplo PCA
Redes neuronales artificiales (ANN) (I)
Redes neuronales artificiales (ANN) (II)
Redes neuronales artificiales (ANN) (III)
Ejercicio de ejemplo
Ejercicio propuesto
Introduction
Clasificación de algoritmos de aprendizaje automático
Ejemplos de aprendizaje automático
Diferencias entre el aprendizaje automático y el aprendizaje profundo
Tipos de algoritmos de aprendizaje automático
El futuro del aprendizaje automático
Introduction
Algoritmos
Introduction
Filtrado colaborativo
Clusterización
Sistemas de recomendación híbridos
Clasificadores
Algoritmos
Componentes
Aprendizaje
Introduction
El proceso de paso de DSS a IDSS
Casos de aplicación
Deep Learning
Entorno de Deep Learning con Python
Aprendizaje automático y profundo
Redes neuronales
Redes profundas y redes poco profundas
Perceptrón de una capa y multicapa
Ejemplo de perceptrón
Tipos de redes profundas
Entrada y salida de datos
Entrenar una red neuronal
Gráficos computacionales
Implementación de una red profunda
El algoritmo de propagación directa
Redes neuronales profundas multicapa
Introduction
Elementos clave para la gestión de proyectos de IA
Características de los proyectos de IA
Introducción a las principales metodologías ágiles y de ideación
Integración de las diferentes metodologías
Introduction
Fase I: Empatizar
Fase II: Definir
Fase III: Idear
Fase IV: prototipar
Lean start-up. Conceptos básicos
Lean Start-up. Herramientas
Scrum. Introducción
Scrum. Roles
Scrum. Ceremonias y artefactos
Introduction
Ideando el proyecto
Ejecutando el proyecto
Algunos consejos a la hora de implementar las metodologías
Resumen y conclusiones
Sector financiero
Sector retail
Sector industria
Sector agricultura
Sector salud
Logística y operaciones
Marketing
Ventas y atención al cliente
Finanzas y control
People analytics
Escenario actual de un sector en auge
Financiación
Startups destacadas
Futuro del ecosistema IA
Inicio de una empresa de IA
Ética. Notas generales
Ejemplos de sesgos
Iniciativas globales
Organismos publicos y regulacion
IA en los ODS
Cuarta revolución industrial
Transformación digital en las empresas
Fundamentos y puntos clave
Beneficios
Tecnologías habilitadoras
Big Data
Cloud Computing
Blockchain
Artificial Intelligence
Realidad virtual y aumentada
BIM
Robots colaborativos
Fabricación aditiva
Hiperconectividad
IOT
Manufacturing Execution System (MES)
Integración y eficiencia de procesos
Casos de uso
Nuevas metodologías: agile, lean startup o design thinking
Educa PHAROS is a training solution for businesses that centralizes learning, simplifies user management, and allows progress to be tracked through dashboards and reports.
It is designed for organizations that want to develop internal skills, standardize role-based training, and have traceability and learning metrics.
It includes learning paths by profile, user and permission management, progress reports, certification, and access to masterclasses or live sessions (depending on the plan).
It is based on best practices in security, access control, learning tracking, and implementation support. Customize this text according to your commitments (SLA, compliance, etc.).
Educa PHAROS is a next-generation training model that places a company’s human capital at the forefront. Through a platform that adapts to each company’s corporate image and offers a total of more than 900 courses, it provides training tailored to each organization’s specific needs. The unlimited flat-rate plan provides each company with the number of courses that best suits its needs, as well as the ability to determine which employees will have access.
Digital Transformation and Smart Infrastructure 
Spanish 
Credits: 60 ECTS
Leadership and Management 
Spanish
60 ECTS