Icono de modalidad 100% Online
Icono de duración 1500 horas
Icono de flexibilidad horaria Flexibilidad horaria
Precio
2195€ 1756€ -20% (hasta el 17/10/2025) * Becas y descuentos no aplicables a formación programada
2195€
Seguridad y confianza en tus pagos online.
  • Presentación
  • Temario
  • Metodología
  • Titulación

Descripción

¿Quién puede acceder al master?

El Máster en Ciencia de Datos y Aprendizaje Automático está dirigido tanto a profesionales con conocimientos previos, técnicos de informática, como a aquellos que deseen actualizar sus habilidades en estas áreas en respuesta a la creciente demanda de profesionales en el campo de la ciencia de datos. Teniendo en cuenta a estudiantes de esta rama que quieran profundizar.

Objetivos

- Repasar la programación estructurada. - Ver la elaboración y diseño de interfaces de usuario. - Estudiar el acceso a bases de datos, así como su uso, aprovechamiento y gestión. - Entender los puntos principales del Data Mining. - Ahondar en el desempeño de la Inteligencia Artificial. - Tipificar los valores del Machine Learning y aprendizaje Profundo.

Salidas Profesionales

Los perfiles del Máster en Ciencia de Datos y Aprendizaje Automático tienen una amplia gama de oportunidades laborales. Pueden desempeñarse como científicos de datos, analistas de datos, ingenieros de aprendizaje automático o consultores de análisis de datos en empresas de diferentes sectores, como tecnología, finanzas y económica, salud y marketing.

Temario

MÓDULO 1. PROGRAMACIÓN ESTRUCTURADA

UNIDAD DIDÁCTICA 1. DISEÑO DE ALGORITMOS.

  1. Conceptos básicos. Definición de algoritmo.
  2. Metodología para la solución de problemas
  3. Entidades primitivas para el diseño de instrucciones
  4. Programación estructurada. Métodos para la elaboración de algoritmos
  5. Técnicas para la formulación de algoritmos
  6. Estructuras algorítmicas básicas
  7. Arrays. Operaciones
  8. Cadenas de caracteres. Definición, función, manipulación.
  9. Módulos
  10. Confección de algoritmos básicos.

UNIDAD DIDÁCTICA 2. ESTRUCTURAS DE DATOS.

  1. Análisis de algoritmos.
  2. Manejo de memoria
  3. Estructuras lineales estáticas y dinámicas:
  4. Recursividad.
  5. Estructuras no lineales estáticas y dinámicas
  6. Algoritmos de ordenación.
  7. Métodos de búsqueda.
  8. Tipos abstractos de datos.

UNIDAD DIDÁCTICA 3. PROGRAMACIÓN EN LENGUAJES ESTRUCTURADOS.

  1. El entorno de desarrollo de programación.
  2. Lenguaje estructurado
  3. Herramientas de depuración.
  4. La reutilización del software.
  5. Herramientas de control de versiones.

MÓDULO 2. ELABORACIÓN DE INTERFACES DE USUARIO

UNIDAD DIDÁCTICA 1. DISEÑO DE INTERFACES DE USUARIO.

  1. Evolución de las interfaces en el software de gestión.
  2. Características de las Interfaces, interacción hombre-máquina.
  3. Interface gráficas de usuario
  4. Normalización y estándares
  5. User Access), CDE (Common Desktop Environment), etc.
  6. Guías de estilos.
  7. Normas CUA (Common User Access)
  8. Arquitectura y herramientas para el desarrollo de GUI:
  9. Diseño y desarrollo de interfaces de gestión:
  10. Evaluación del diseño

UNIDAD DIDÁCTICA 2. INTERFACES Y ENTORNOS GRÁFICOS.

  1. Interfaces gráficas de usuario
  2. Herramientas para el desarrollo de interfaces gráficas de usuario
  3. Técnicas de usabilidad.
  4. Rendimiento de interfaces.
  5. Notación Húngara.
  6. Estructura de un programa GUI
  7. El procedimiento de ventana
  8. Menús.
  9. Fichero de recursos.
  10. Los cajas de diálogo
  11. Controles básicos.
  12. El Interfaz de dispositivos gráficos (GDI)

MÓDULO 3. ACCESO A BASES DE DATOS

UNIDAD DIDÁCTICA 1. ACCESO A BASES DE DATOS Y OTRAS ESTRUCTURAS.

  1. El cliente del SGBD. Usuarios y privilegios.
  2. El lenguaje SQL.
  3. Objetos de la base de datos.
  4. Integridad y seguridad de los datos
  5. Sentencias del lenguaje estructurado para operar sobre las bases de datos.
  6. APIs de acceso a bases de datos.
  7. Integración de los objetos de la base de datos en el lenguaje de programación estructurado.
  8. Conexiones para el acceso a datos
  9. Realización de consultas SQL desde un programa estructurado
  10. Creación y eliminación de bases de datos.
  11. Creación y eliminación de tablas.
  12. Manipulación de datos contenidos en una base de datos:
  13. Objetos de Acceso a Datos (DAO)
  14. Herramientas de acceso a datos proporcionadas por el entorno de programación.

MÓDULO 4. ELABORACIÓN DE PRUEBAS E INSTALACIÓN Y DESPLIEGUE DE APLICACIONES

UNIDAD DIDÁCTICA 1. PRUEBAS DEL SOFTWARE.

  1. Fundamentos y objetivos de las pruebas.
  2. Tipos de errores y coste de corrección.
  3. Planificación de las pruebas
  4. Proceso de pruebas. Las pruebas en las distintas fases.
  5. Tipos de pruebas
  6. Herramientas.
  7. Normas de calidad del software
  8. Documentación de pruebas

UNIDAD DIDÁCTICA 2. HERRAMIENTAS DE GENERACIÓN DE PAQUETES.

  1. Funciones y características.
  2. Empaquetamiento, instalación y despliegue

UNIDAD DIDÁCTICA 3. DOCUMENTACIÓN DE APLICACIONES.

  1. Herramientas de documentación: características.
  2. Herramientas para generación de ayudas.
  3. Documentación de una aplicación, características, tipos

MÓDULO 5. BASES DE DATOS RELACIONALES Y MODELADO DE DATOS

UNIDAD DIDÁCTICA 1. BASES DE DATOS RELACIONALES.

  1. Concepto de base de datos relacional.
  2. Ejemplificación.
  3. Concepto de modelos de datos. Funciones y sublenguajes (DDL y DML).
  4. Clasificación los diferentes tipos de modelos de datos de acuerdo al nivel abstracción
  5. Enumeración de las reglas de Codd para un sistema relacional.

UNIDAD DIDÁCTICA 2. ANÁLISIS DEL MODELO RELACIONAL Y DE LOS ELEMENTOS QUE LO INTEGRAN.

  1. Concepto de Relaciones y sus propiedades.
  2. Concepto de Claves en el modelo relacional.
  3. Nociones de álgebra relacional.
  4. Nociones de Cálculo relacional de tuplas para poder resolver ejercicios prácticos básicos.
  5. Nociones de Calculo relacional de dominios.
  6. Teoría de la normalización y sus objetivos

UNIDAD DIDÁCTICA 3. DESCRIPCIÓN Y APLICACIÓN DEL MODELO ENTIDAD-RELACIÓN PARA EL MODELADO DE DATOS.

  1. Proceso de realización de diagramas de entidad-relación y saberlo aplicar.
  2. Elementos
  3. Diagrama entidad relación entendidos como elementos para resolver las carencias de los diagramas Entidad-Relación simples.
  4. Elementos
  5. Desarrollo de diversos supuestos prácticos de modelización mediante diagramas de entidad relación.

UNIDAD DIDÁCTICA 4. MODELO ORIENTADO A OBJETO.

  1. Contextualización del modelo orientado a objeto dentro del modelado UML.
  2. Comparación del modelo de clases con el modelo-entidad relación.
  3. Diagrama de objetos como caso especial del diagrama de clases.

UNIDAD DIDÁCTICA 5. MODELO DISTRIBUIDO Y LOS ENFOQUES PARA REALIZAR EL DISEÑO.

  1. Enumeración de las ventajas e inconvenientes respecto a otros modelos.
  2. Concepto de fragmentación y sus diferentes tipos
  3. Enumeración de las reglas de corrección de la fragmentación.
  4. Enumeración de las reglas de distribución de datos.
  5. Descripción de los esquemas de asignación y replicación de datos.

MÓDULO 6. LENGUAJES DE DEFINICIÓN Y MODIFICACIÓN DE DATOS SQL

UNIDAD DIDÁCTICA 1. ANÁLISIS DE LOS OBJETOS Y ESTRUCTURAS DE ALMACENAMIENTO DE LA INFORMACIÓN PARA DIFERENTES SGBD.

  1. Relación de estos elementos con tablas, vistas e índices.
  2. Consecuencias practicas de seleccionar los diferentes objetos de almacenamientos.
  3. Diferentes métodos de fragmentación de la información en especial para bases de datos distribuidas.

UNIDAD DIDÁCTICA 2. LENGUAJES DE DEFINICIÓN, MANIPULACIÓN Y CONTROL.

  1. Conceptos básicos, nociones y estándares.
  2. Lenguaje de definición de datos (DDL SQL) y aplicación en SGBD actuales.
  3. Discriminación de los elementos existentes en el estándar SQL-92 de otros elementos existentes en bases de datos comerciales.
  4. Sentencias de creación: CREATE
  5. Nociones sobre el almacenamiento de objetos en las bases de datos relacionales.
  6. Nociones sobre almacenamiento y recuperación de XML en las bases de datos relacionales

UNIDAD DIDÁCTICA 3. TRANSACCIONALIDAD Y CONCURRENCIA.

  1. Conceptos fundamentales.
  2. Identificación de los problemas de la concurrencia.
  3. Actualizaciones perdidas.
  4. Lecturas no repetibles.
  5. Lecturas ficticias.
  6. Nociones sobre Control de la concurrencia
  7. Conocimiento de las propiedades fundamentales de las transacciones.
  8. ACID
  9. Análisis de los niveles de aislamiento
  10. Serializable.
    1. - Desarrollo de un supuesto práctico en el que se ponga de manifiesto la relación y las implicaciones entre el modelo lógico de acceso y definición de datos y el modelo físico de almacenamiento de los datos.

MÓDULO 7. SALVAGUARDA Y SEGURIDAD DE LOS DATOS

UNIDAD DIDÁCTICA 1. SALVAGUARDA Y RECUPERACIÓN DE DATOS.

  1. Descripción de los diferentes fallos posibles (tanto físicos como lógicos) que se pueden plantear alrededor de una base de datos.
  2. Enumeración y descripción de los elementos de recuperación ante fallos lógicos que aportan los principales SGBD estudiados.
  3. Distinción de los diferentes tipos de soporte utilizados para la salvaguarda de datos y sus ventajas e inconvenientes en un entorno de backup.
  4. Concepto de RAID y niveles más comúnmente utilizados en las empresas
  5. Servidores remotos de salvaguarda de datos.
  6. Diseño y justificación de un plan de salvaguarda y un protocolo de recuperación de datos para un supuesto de entorno empresarial.
  7. Tipos de salvaguardas de datos
  8. Definición del concepto de RTO (Recovery Time Objective) y RPO (Recovery Point Objective).
  9. Empleo de los mecanismos de verificación de la integridad de las copias de seguridad.

UNIDAD DIDÁCTICA 2. BASES DE DATOS DISTRIBUIDAS DESDE UN PUNTO DE VISTA ORIENTADO A LA DISTRIBUCIÓN DE LOS DATOS Y LA EJECUCIÓN DE LAS CONSULTAS.

  1. Definición de SGBD distribuido. Principales ventajas y desventajas.
  2. Características esperadas en un SGBD distribuido.
  3. Clasificación de los SGBD distribuidos según los criterios
  4. Enumeración y explicación de las reglas de DATE para SGBD distribuidos.
  5. Replicación de la información en bases de datos distribuidas.
  6. Procesamiento de consultas.
  7. Descomposición de consultas y localización de datos.

UNIDAD DIDÁCTICA 3. SEGURIDAD DE LOS DATOS.

  1. Conceptos de seguridad de los datos: confidencialidad, integridad y disponibilidad.
  2. Normativa legal vigente sobre datos
  3. Seguimiento de la actividad de los usuarios
  4. Introducción básica a la criptografía
  5. Desarrollo de uno o varios supuestos prácticos en los que se apliquen los elementos de seguridad vistos con anterioridad.

UNIDAD DIDÁCTICA 4. TRANSFERENCIA DE DATOS.

  1. Descripción de las herramientas para importar y exportar datos
  2. Clasificación de las herramientas
  3. Muestra de un ejemplo de ejecución de una exportación e importación de datos.
  4. Migración de datos entre diferentes SGBD

MÓDULO 8. CREACIÓN Y GESTIÓN DE BASES DE DATOS SQL

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LAS BASES DE DATOS

  1. Ventajas e inconvenientes de las baes de datos
  2. Conceptos generales
  3. El modelo entidad-relación
  4. El modelo entidad-relación extendido
  5. Restricciones de integridad

UNIDAD DIDÁCTICA 2. EL MODELO DE BASES DE DATOS RELACIONAL

  1. Estructura del modelo relacional
  2. Claves en el modelo relacional
  3. Restricciones de integridad
  4. Teoría de la normalización
  5. Diseño de una base de datos relacional
  6. Tipos de lenguajes relacionales

UNIDAD DIDÁCTICA 3. LENGUAJE DE CONSULTA SQL

  1. Características de SQL
  2. Sistemas de Gestión de Bases de Datos con soporte SQL
  3. Sintaxis en SQL
  4. Especificación de restricciones de integridad

UNIDAD DIDÁCTICA 4. MYSQL COMO SISTEMA GESTOR DE BASES DE DATOS RELACIONALES

  1. Caracterísiticas de MySQL
  2. Tipos de datos
  3. Sisntaxis SQL para MySQL

UNIDAD DIDÁCTICA 5. SALVAGUARDA Y RECUPERACIÓN DE DATOS

  1. Posibles fallos en una base de datos
  2. Elementos de recuperación
  3. Tipos de soporte
  4. RAID
  5. Servidores remotos de salvaguarda de datos
  6. Diseño de un plan de salvaguarda y protocolo de recuperación de datos
  7. Tipos de salvaguardas de datos
  8. RTO (Recovery Time Objective) y RPO (Recovery Point Objective)
  9. Mecanismos de verificación de la integridad de las copias de seguridad

UNIDAD DIDÁCTICA 6. BASES DE DATOS DISTRIBUIDAS

  1. Definición de SGBD distribuido. Principales ventajas y desventajas
  2. Características esperadas en un SGBD distribuido
  3. Clasificación de los SGBD distribuidos
  4. Enumeración y explicación de las reglas de DATE para SGBD distribuidos
  5. Replicación de la información en bases de datos distribuidas
  6. Procesamiento de consultas
  7. Descomposición de consultas y localización de datos

UNIDAD DIDÁCTICA 7. SEGURIDAD DE LOS DATOS

  1. Conceptos de seguridad de los datos: confidencialidad, integridad y disponibilidad
  2. Normativa legal vigente sobre datos
  3. Supuestos prácticos

UNIDAD DIDÁCTICA 8. TRANSFERENCIA DE DATOS

  1. Herramientas para importar y exportar datos
  2. Clasificación de las herramientas
  3. Ejemplo de ejecución de una exportación e importación de datos
  4. Migración de datos entre diferentes SGBD
  5. Inconvenientes al traspasar datos entre distintos SGBD

MÓDULO 9. DATA MINING

UNIDAD DIDÁCTICA 1. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO

  1. Introducción a la minería de datos y el aprendizaje automático
  2. Proceso KDD
  3. Modelos y Técnicas de Data Mining
  4. Áreas de aplicación
  5. Minería de textos y Web Mining
  6. Data mining y marketing

UNIDAD DIDÁCTICA 2. R COMO HERRAMIENTA PARA BIG DATA

  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop

UNIDAD DIDÁCTICA 3. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS

  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis

UNIDAD DIDÁCTICA 4. ANÁLISIS DE LOS DATOS

  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

UNIDAD DIDÁCTICA 5. PROCESAMIENTO DISTRIBUIDO DE DATOS CON HADOOP

  1. ¿Qué es Hadoop?
  2. El sistema de archivos HDFS
  3. Algunos comandos de referencia
  4. Procesamiento MapReduce con Hadoop
  5. El concepto de los clusters en Hadoop

UNIDAD DIDÁCTICA 6. WEKA Y DATA MINING

  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos

MÓDULO 10. INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE INTELIGENCIA ARTIFICIAL

  1. Fundamentos de inteligencia artificial
    1. - Evolución de la inteligencia artificial
    2. - Principales Enfoques de la inteligencia artificial
    3. - Implementación de la inteligencia artificial
    4. - Retos y perspectivas de futuro de la inteligencia artificial

UNIDAD DIDÁCTICA 2. MACHINE LEARNING: PRINCIPIOS Y APLICACIONES

  1. Machine Learning: Principios y Aplicaciones
    1. - Historia del Machine Learning
    2. - Algoritmos de Machine Learning
    3. - Modelos de aprendizaje en Machine Learning

UNIDAD DIDÁCTICA 3. DEEP LEARNING: ARQUITECTURAS Y ENTRENAMIENTO

  1. Deep Learning: arquitecturas y entrenamiento
    1. - Arquitectura de redes neuronales profundas

UNIDAD DIDÁCTICA 4. INTELIGENCIA ARTIFICIAL GENERATIVA (GENAI)

  1. Inteligencia Artificial Generativa (GenAI)
    1. - Tipos de inteligencia artificial generativa
    2. - Usos de la inteligencia artificial generativa

UNIDAD DIDÁCTICA 5. PROCESAMIENTO DEL LENGUAJE NATURAL (NLP)

  1. Procesamiento del Lenguaje Natural (NLP)
    1. - Historia de los sistemas NLP
    2. - Definición y alcance del NLP
    3. - Inteligencias artificiales dedicadas al NLP
    4. - Principales problemas y desafíos en el campo del NLP

UNIDAD DIDÁCTICA 6. CHATBOTS Y SU INTEGRACIÓN EN EMPRESAS

  1. Chatbots y su integración en empresas
    1. - Historia de los chatbots
    2. - Definición y tipos de chatbot
    3. - Funcionamiento de un chatbot

UNIDAD DIDÁCTICA 7. TRANSFORMERS: ARQUITECTURA Y APLICACIONES

  1. Transformers: arquitectura y aplicaciones
    1. - Funcionamiento
    2. - Principales arquitecturas de transformers
    3. - Aplicaciones de los transformers
    4. - Ventajas de los transformers
    5. - Problemas y desafíos de los transformers

UNIDAD DIDÁCTICA 8. VISIÓN ARTIFICIAL

  1. Visión Artificial
    1. - Definición de visión artificial
    2. - Historia de la visión artificial
    3. - Proceso de visión artificial
    4. - Algoritmos de visión artificial
    5. - Arquitecturas de visión artificial
    6. - Uso de sistemas de visión artificial
    7. - Problemas y desafíos de la visión artificial

UNIDAD DIDÁCTICA 9. ÉTICA Y RESPONSABILIDAD EN INTELIGENCIA ARTIFICIAL

  1. Ética y responsabilidad en Inteligencia Artificial
    1. - Consideraciones éticas en el uso de la inteligencia artificial generativa y consejos para mantenerlas
    2. - Consideraciones éticas del procesamiento del lenguaje natural
    3. - Consideraciones éticas de los chatbots
    4. - Consideraciones éticas de la visión artificial

MÓDULO 11. MACHINE LEARNING

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING.

UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING.

UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN.

UNIDAD DIDÁCTICA 4. CLASIFICACIÓN.

UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING.

UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN.

UNIDAD DIDÁCTICA 7. PROCESAMIENTO DE LENGUAJE NATURAL.

MÓDULO 12. APRENDIZAJE PROFUNDO

UNIDAD DIDÁCTICA 1. ¿QUÉ ES EL APRENDIZAJE PROFUNDO?

  1. Concepto de aprendizaje profundo
    1. - Diferencias existentes entre el aprendizaje profundo y el aprendizaje automático
  2. Evolución e historia del aprendizaje profundo
    1. - Cronología histórica
    2. - Pioneros del campo del aprendizaje profundo
  3. Ventajas del aprendizaje profundo
    1. - Principales ventajas del aprendizaje profundo

UNIDAD DIDÁCTICA 2. SISTEMAS NEURONALES

  1. Redes neuronales
  2. Redes profundas y redes poco profundas

UNIDAD DIDÁCTICA 3. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW

  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo

UNIDAD DIDÁCTICA 4. ESTRATEGIAS DE APRENDIZAJE

  1. Entrada y salida de datos
  2. Entrenar una red neuronal
  3. Gráficos computacionales
  4. Implementación de una red profunda
  5. El algoritmo de propagación directa
  6. Redes neuronales profundas multicapa

UNIDAD DIDÁCTICA 5. EL APRENDIZAJE PROFUNDO POR REFUERZO

  1. Concepto de aprendizaje profundo por refuerzo
  2. Los elementos que componen un modelo de aprendizaje profundo por refuerzo
  3. El funcionamiento del aprendizaje profundo por refuerzo
    1. - Recompensas vs penalizaciones
    2. - Algoritmos a utilizar
    3. - La ecuación de Bellman
  4. Posibilidades del aprendizaje profundo por refuerzo

UNIDAD DIDÁCTICA 6. APLICACIONES DEL APRENDIZAJE PROFUNDO

  1. Las posibilidades futuras del aprendizaje profundo
  2. Principales usos en la actualidad
  3. Aprendizaje profundo e IoT
    1. - El concepto de IoT
  4. Aplicaciones en el entorno empresarial

MÓDULO 13. PROYECTO FIN DE MÁSTER

Metodología

EDUCA LXP se basa en 6 pilares

Item
Estrellas

Distintiva

EDUCA EDTECH Group es proveedor de conocimiento. Respaldado por el expertise de nuestras instituciones educativas, el alumnado consigue una formación relevante y avalada por un sello de calidad como es el grupo EDUCA EDTECH.

Gráfica

Realista

La metodología EDUCA LXP prescinde de conocimientos excesivamente teóricos o de métodos prácticos poco eficientes. La combinación de contenidos en constante actualización y el seguimiento personalizado durante el proceso educativo hacen de EDUCA LXP una metodología única.

Birrete

Student First

La metodología EDUCA LXP y la formación del grupo EDUCA EDTECH conciben al estudiante como el centro de la experiencia educativa, nutriéndose de su retroalimentación. Su feedback es nuestro motor del cambio.

Inteligencia Artificial

Inteligencia Artificial

La personalización en el aprendizaje no sería posible sin una combinación precisa entre experiencia académica e investigación tecnológica, así como la Inteligencia Artificial. Por eso contamos con herramientas IA de desarrollo propio, adaptadas a cada institución educativa del grupo.

Monitor

Profesionales en activo

Nuestro equipo de profesionales docentes, además de ser especialistas en su sector, cuentan con una formación específica en el manejo de herramientas tecnológicas que conforman el ecosistema EDUCA EDTECH.

Libro

Timeless Learning

La formación debe ser una experiencia de vida, concibiendo el e-learning como una excelente solución para los desafíos de la educación convencional. Entendemos el aprendizaje como un acompañamiento continuo del estudiante en cada momento de su vida.

Titulación

Titulación de Máster de Formación Permanente en Ciencia de Datos y Aprendizaje Automático con 1500 horas y 60 ECTS expedida por UTAMED - Universidad Tecnológica Atlántico Mediterráneo.
Titulacion de INESEM

También podría interesarte...

Otras Acciones Formativas relacionadas

Beca 15 %
Curso Superior en Estadística Aplicada. Análisis de Datos y SPSS
Icono de modalidad Online
Icono de duración 200 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
460€ 391€
Titulacion de INESEM
Matricularme Ver más
Beca 15 %
Curso Superior en Analítica Web y Big Data
Icono de modalidad Online
Icono de duración 220 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
460€ 391€
Titulacion de INESEM
Matricularme Ver más
Beca 15 %
Curso Superior en Blockchain
Icono de modalidad Online
Icono de duración 300 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
460€ 391€
Titulacion de INESEM
Matricularme Ver más
Beca 15 %
Curso en Data Science y Análisis de Datos
Icono de modalidad Online
Icono de duración 150 H
Icono estrella completaIcono estrella completaIcono estrella completaIcono estrella completaIcono estrella medio completa4,3
360€ 306€
Titulacion de INESEM
Matricularme Ver más

Explora nuestras Áreas Formativas

Construye tu carrera profesional

Descubre nuestro amplio Catálogo Formativo, incluye programas de Cursos Superior, Expertos, Master Profesionales y Master Universitarios en las diferentes Áreas Formativas para impulsar tu carrera profesional.

Máster de Formación Permanente en Ciencia de Datos y Aprendizaje Automático + 60 Créditos ECTS

Icono de modalidad 100% Online
Icono de duración 1500 horas
Icono de flexibilidad horaria Flexibilidad horaria
Precio
2195€ 1756€
2195€ 1756€
Matricularme
Matricularme