Master en Inteligencia Artificial in collaboration with Microsoft®

BIG DATA

• CREACIÓN DEL ENTORNO
  • Fundamentos de Linux
  • Configuración del entorno de desarrollo en Azure
  • Configuración del entorno de desarrollo en Jupyter Notebook
  • Configuración del entorno de desarrollo de Jupyter Notebook en Azure
  • Uso básico de Jupyter Notebook para la ejecución de código Python

• FORMACIÓN ESPECÍFICA EN LOS LENGUAJES
  • Scala
  • Python
  • C#
  • SQL

• HADOOP / MAPREDUCE Y HDFS
  • Fundamentos de la computación y del almacenamiento distribuido y paralelizado
  • Apache
  • Introducción a Hadoop: Map-Reduce (y sus evoluciones YARN) y HDFS (sistema de archivo distribuido)
  • Map-Reduce y HDFS

• INGESTA
  • Ingesta (carga de datos) y generación del DataLake
  • ETL y ELT
  • Introducción a Sqoop, Flume y Pig
  • Utilización de Kafka como proveedor de datos
  • Fuentes de datos: Texto, IoT, Imágenes, Películas, SSMM, sistemas de gestión
  • Event Hub + ADF – Azure Data Factory (Microsoft) + Azure Synapse Analytics + captura info en RT

• BASES DE DATOS SQL
  • Introducción a SQL
  • Introducción a Hive y HiveQL
  • Explotación directa
  • Transat-SQ (Microsoft)

• PROCESAMIENTO (Calidad y limpieza del dato y su procesamiento)
  • Python e introducción a librería Pandas
  • Introducción a Spark con PySpark (Python)
  • Introducción a SparkSQL con Pyspark
  • Generación de tablas, integración de Hive con Spark
  • Utilización de Dataframes
  • ADF – Azure Data Factory (Microsoft)

• BASES DE DATOS NoSQL
  • Introducción a NoSQL
  • BBDD Vectoriales
  • Utilización de Hbase, integración de Hbase con Spark, Couchbase, Cosmos DB, Mongo DB, grafos Neo4J
  • Profundización en una de ellas
  • ADF – Azure Data Factory (Microsoft)

• EXPLOTACIÓN FRONT
  • Utilización de herramientas front para la explotación y visualización de datos (Power BI)

INTELIGENCIA ARTIFICIAL

• INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
  • Representación del conocimiento
  • Aprendizaje automático
  • IA Generativa vs IA Tradicional
  • Estadística matemática a alto nivel, fundamental para el funcionamiento de la IA
    • Clusterización (Generación de patrones) y agregación de datos (recopilación, limpieza y transformación, agregación-resumen representativo y visualización)
    • Algoritmos bayesianos
  • Introducción a la IA
    • Familiaridad con los conceptos básicos de la inteligencia artificial
    • Aprendizaje automático
    • Redes neuronales
    • Algoritmos genéticos
    • Reconocimiento de formularios

• IA GENERATIVA
  • Conocimientos básicos sobre IA Generativa
    • Inteligencia Artificial generativa, la importancia del PROMPT
    • «Utilidad real» de la Generativa: genera código, lee manuales; un buen tutorial: preguntas varias, análisis de sentimiento, tratamiento de Imágenes
    • Peligros (alucinaciones, preentrenamiento, sesgos, etc) y limitaciones
  • Conocimientos específicos IA Generativa
    • Modelos fundacionales de lenguaje
    • Técnicas de aprendizaje profundo: comprensión de técnicas de aprendizaje profundo como backpropagation, optimización, regularización, etc., que se utilizan para entrenar modelos de IA Generativa
    •  Programación: Habilidad en un lenguaje de programación analítica como Python (visión superficial de R), para poder interactuar con herramientas y frameworks de IA Generativa
    • Implantación a través de API y/o código (aprender a crear o conectarse a una API)
    • Extensión (plugins, funciones, etc.)
  • Grounding, metodología y práctica
  • Varios usando Inteligencia artificial generativa
    • Chats
    • Descriptivo, predictivo, prescriptivo
    • Generación de códigos de varios lenguajes / entornos, conforme las normas de una organización
  • Speech
    • Conceptos básicos (LLM, tokens, lematización, stemming, annálisis de sentimientos, temperatura, modelos, embeddings, RAG, grounding, semántica, vectorización, Embeddings, grounding, etc.)
  • Imágenes y video y sus modelos fundacionales
    • Servicios cognitivos como Customer vision, OCR
    • SORA y mención de otros como Dall-e // Designer.microsoft

Esta estructura combina la utilización de Jupyter Notebook con los servicios de Azure para proporcionar a los alumnos una formación práctica y aplicada en Inteligencia Artificial, con un enfoque específico en la implementación de algoritmos predefinidos y soluciones de IA en la nube.

• IA TRADICIONAL
  • Introducción a la Inteligencia Artificial y Azure Machine Learning
    • Introducción a la Inteligencia Artificial y sus aplicaciones en Azure
      • Conceptos básicos de IA y su importancia en Azure
      • Panorama general de los servicios de IA en Azure
  • Aprendizaje Automático en Azure
    • Servicios de Aprendizaje Automático en Azure
      • Azure Machine Learning Studio
      • Azure Machine Learning Services
      • Uso de los servicios de Aprendizaje Automático en Azure Notebooks
    • Implementación de algoritmos predefinidos en Azure
      • Implementación de modelos de aprendizaje supervisado y no supervisado
      • Evaluación y ajuste de modelos en Azure
      • Entrenamiento del Algoritmo, metodología y práctica
    • Integración de Azure y Jupyter Notebook
      • Uso de SDKs de Azure en Jupyter Notebook
      • Despliegue de modelos de Machine Learning en Azure desde Jupyter Notebook
  • Procesamiento del Lenguaje Natural (PLN) en Azure
    • Servicios de Procesamiento del Lenguaje Natural en Azure
      • Azure AI Language
      • Azure AI-Search
    • Implementación de PLN en Jupyter Notebook con Azure
      • Análisis de sentimientos con Text Analytics
      • Creación de modelos de lenguaje
      • Integración de PLN con Azure Notebooks
  • Visión por Computadora en Azure
    • Visión por Computadora en Jupyter Notebook con Azure
      • Detección de objetos con Azure Computer Vision
      • Creación de modelos personalizados con Azure Custom Vision
    • Implementación de Servicios de Visión por Computadora en Azure
      • Azure Computer Vision
      • Azure Custom Vision
  • Otras aplicaciones Prácticas de la Inteligencia Artificial en Azure
    • Desarrollo de sistemas de recomendación con Azure Machine Learning
    • Creación de chatbots mediante COPILOT
    • Implementación de soluciones de IA en Azure para casos de uso empresariales
  • IA responsable – Consideraciones de ética y seguridad en IA en Azure
    • Ética en la IA y consideraciones legales
    • Seguridad y privacidad de datos en soluciones de IA en Azure

EXÁMENES DE CERTIFICACIÓN OFICIAL

• Microsoft Certified: Azure Data Engineer Associate (DP-203)
• Microsoft Certified: Azure Data Scientist Associate (DP-100)
• Microsoft Certified: Azure AI Engineer Associate (AI-102)

Los números que identifican los exámenes de certificación están sujetos a posibles actualizaciones por parte de Microsoft.