PROCESO DE INCORPORACIÓN

1. Introducción a nuestra empresa
2. Con qué sectores trabajamos
3. Qué tipo de problemas resolvemos
4. Configuración del portátil

HERRAMIENTAS DE TRABAJO

1. Sistemas operativos, nube y herramientas
2. Lenguajes de programación e IDE. R,
   1. Python y SQL.
3. Mejores prácticas para escribir código. Clean code.
4. Repositorios de código

GESTIÓN DE MANIPULACIÓN DE DATOS (DATA WRANGLING)

1. Datos pequeños o microdatos
   • Librerías habituales
2. Visualización de datos (estática y dinámica: ggplot2, matplotlib, seaborn y herramientas de visualización dinámica como plotly, Carto, Bokeh)
3. Procesamiento de grandes volúmenes de datos
   • Antecedentes e historia
   • Apache Spark
   • Procesamiento de datos distribuidos con Spark: Spark Core (pySpark), Spark SQL y procesamiento de datos en tiempo real (Spark Streaming).
   • Técnicas de ingesta, consulta y análisis de fuentes masivas de datos.

RECUPERACIÓN Y ALMACENAMIENTO DE DATOS

1. Datos abiertos y repositorios de datos públicos. Open Data y explotación de APIs.
2. Webscraping
3. Bases de datos relacionales y SQL
4. Bases de datos NoSQL
   1. Modelos no relacionales y datos no estructurados
   2. Bases de datos columnares (Cassandra)
   3. Bases de datos orientadas a documentos (MongoDB)
   4. Bases de datos orientadas a grafos (Neo4J)
   5. Bases de datos clave-valor (Redis)

ANÁLISIS DE DATOS

1. Análisis estadístico
   • Distribuciones y simulaciones. Inferencia y muestreo.
   • Regresión múltiple y técnicas de remuestreo
   • Optimización. Programación lineal y no lineal, entera estocástica y con restricciones. Algoritmos.
   • Análisis multivariante. Reducción de la dimensión, componentes principales y análisis factorial
2. Aprendizaje automático básico (Machine Learning, ML)
   • Modelos lineales generalizados, GLM
   • Regresión avanzada (Ridge, Lasso)
   • Clustering
   • Análisis discriminante
   • Naïve Bayes
   • Series temporales. Modelos ARIMA, suavizado exponencial y regresión dinámica
   • Máquinas de vector soporte, SVM
   • Algoritmo de vecinos próximos, kNN
   • Redes neuronales
   • Árboles de decisión
   • Random forest y ensambles
3. Aprendizaje automático avanzado:
   • Aprendizaje profundo
   • NLP (PLN, Programación de Lenguaje Natural)
   • Grafos y análisis de redes
     • Fundamentos de teoría de grafos y medidas de centralidad
     • Modelos estadísticos de redes
     • Análisis de redes sociales. Detección de opinión, influencia, marketing social y geomarketing.
   • Sistemas de recomendación
   • Big Data ML. ML en sistemas distribuidos.
   • Aprendizaje por refuerzo

ANÁLISIS DE DATOS NO ESTRUCTURADOS

1. Text mining
   • Clasificación y agrupación de textos
   • Análisis de sentimiento
   • Herramientas de text mining: NLTK
2. Web mining
   • Herramientas de extracción de datos de la web
3. Procesamiento de imágenes
   • Clasificación automática de imágenes
   • Extracción automática de features

APLICACIONES Y MASTERCLASSES

1. Credit scoring y pricing
   • Estándar metodológico de credit scoring y modelos avanzados
   • Estándar metodológico de pricing y modelos avanzados
   • Modelos de impago
2. Detección de Fraude
   • Reglas y anomalías
   • Detección en tiempo real en medios de pago
   • Fraude organizado y detección/análisis de redes
3. Customer and Marketing Analytics
   • Digital Marketing y A/B testing
   • LTV Analysis y Customer Value segmentation
   • Next Best Action (optimización de acciones)
   • Churn y sendas de abandono
   • Sistemas de Recomendación y Upselling/Crossselling
4. Location intelligence
5. Spatial análisis

TÉCNICAS AVANZADAS Y DATA SCIENCE EN EL MUNDO REAL

1. Explicabilidad de modelos
2. Eliminación de sesgo de datos y de modelos
3. Aspectos éticos y model fairness
4. Privacidad de datos y regulación
5. Seguridad
6. Gobierno del dato y de modelos
7. Puesta en producción de modelos de ML
8. Automated Machine Learning con DataRobot
9. Procesamiento avanzado de lenguaje natural
10. Introducción a Reinforcement Learning
11. Blockchain analytics
12. Inteligencia Artificial Generativa

CRITERIOS DE EVALUACIÓN

La superación de los exámenes, la realización del Trabajo Fin de Máster y la asistencia a clase serán requisito indispensable para la obtención del título. Los alumnos disponen de dos convocatorias por asignatura en cada año académico y un máximo de permanencia de dos años consecutivos. Los alumnos cuyo rendimiento académico se encuentre por debajo del nivel mínimo exigido podrán ser excluidos del programa.

MASTERCLASSES

En Afi Escuela, sensibles a las necesidades profesionales que marcan las empresas, se reserva un espacio en el programa para dotar al alumno de otros conocimientos. Con el objetivo de proporcionar una visión más amplia y multidisciplinar, los alumnos podrán disfrutar de masterclasses, conferencias y talleres impartidos por profesionales destacados del sector. Estos abordarán temáticas punteras e innovadoras que complementarán la visión de los estudiantes. Algunas de las masterclasses que hemos impartido anteriormente son:

• Construyendo el futuro de 2045
• Creating value with Big Financial Data
• Balanceo, reducción de sesgos y model fairness
• Gobierno del dato
• Blockchain analytics

Algunas empresas que han impartido Masterclasses:

• Google
• Microsoft
• Amazon Web Services (AWS)