Master i datavitenskap og dyp læring
MIOTI - Tech & Business School
Nøkkelinformasjon
Campus plassering
Madrid, Spania
Språk
Spansk
Studieformat
Blandet
Varighet
9 måneder
Tempo
Fulltid, Deltid
Studieavgift
EUR 13 750 *
Søknadsfrist
Be om info
Tidligste startdato
Be om info
* * 50% stipend for studenter bosatt i Latin-Amerika
Introduksjon
Den eneste mesteren der du vil bruke de nyeste datavitenskapene og dyp læringsteknikkene
Master i datavitenskap og dyp læring består av to programmer:
- Med Master i Data Science & Big Data vil du lære det grunnleggende data vitenskap, fra data pre-prosessering av de viktigste prediktiv analyse algoritmer. I denne opplæringen vil vi gi deg grunnlaget for statistikk og Python for å kunne jobbe med data.
- I Master in Deep Learning vil du bruke de nyeste maskinlærings- og dyplæringsteknikkene , grunnlaget for disipliner som prediktiv analyse, bilde-, stemme- og tekstgjenkjenning.
Data Science Master tilpasser seg læringstempoet ditt , med to programmer som kan tas uavhengig.
Karrieremuligheter
Det er hva fremtiden din heter
Dette er noen av de mest spennende karrieremulighetene som vil være innen rekkevidde etter dette programmet.
- Dataforsker
- Dyplæringsekspert
- Forretningsanalytiker
- Data analytiker
- dataingeniør
- Maskinlæringsekspert
- Chief Data Officer
- Business Intelligence Professional
- Dataarkitekt, statistiker
Læreplan
Hva du vil lære i Master in Data Science & Deep Learning
Master i datavitenskap og big data (200 timer) | Master i dyp læring (170 timer) |
Grunnleggende om datavitenskap Introduksjon til datavitenskap. Presentasjon av den generelle referanserammen. | dyp læring Målet med faget er å introdusere de grunnleggende konseptene for dype nevrale nettverk. I tillegg til å gi en teoretisk-praktisk omvisning, skal de lære å bruke de viktigste verktøyene og implementere løsninger fra bunnen av. |
Statistikk for datavitenskap Gjennomgang av grunnleggende statistikk som er nødvendig for å mestre datavitenskap. | datamaskin syn Målet med kurset er å introdusere de grunnleggende konseptene innen datasynsteknikker. En praktisk teoretisk omvisning i hovedteknikkene vil bli gjennomført. |
Datavitenskap med Python Python som rammeverk for datavitenskapsspesialisten. Utvikling av bærbare PC-er, bruk av pandaer, numpy, matplotlib. Databehandling fra strukturerte kilder (CSV, REST, HSQL, Logger) og ustrukturert (Web, Spark, Cassandra). | Naturlig språkbehandling Introduksjon til de grunnleggende konseptene for mekanismene som brukes for kommunikasjon mellom mennesker og maskiner gjennom naturlig språk. Kjenn til interaksjonene og deres anvendelse innen kunstig intelligens. |
Dataforbehandling Hvordan forhåndsbehandle dataene riktig? Anvendelse av filtre, dataanonymisering, attributtvalg, sampling og dimensjonalitetsreduksjon. | Entreprenørskap II Diskusjon og oppdagelse av nye forretningsmodeller basert på datavitenskap. |
datavisualisering Hvordan visualisere ulike typer data? Hvilke teknikker skal brukes? | Maskinlæring II Bruk konvolusjonelle nettverk og dype rekursive modeller med Tensorflow i praktiske applikasjoner med bilder, implementere og designe nevrale modeller for modellering/klassifiseringsproblemløsning, designe kontradiktoriske generative modeller for datahåndtering. |
Databaser
| Forsterkende læring Introduksjon til begrepene forsterkende læring. Kjenne til måtene å beregne gjennomsnitt og glidende gjennomsnitt på, Markov-beslutningsprosesser, dynamisk programmering, læretidsforskjell og tilnærmingsmetoder. |
Prediktiv analyse Introduksjon til tidsserieanalyse, gjennomgang av de beste tilgjengelige algoritmene. Utvikling av brukstilfeller for anomalideteksjon og serieprediksjon. | Maskinlæring III Bruk konvolusjonelle nettverk og dype rekursive modeller med Tensorflow i praktiske applikasjoner med bilder, implementere og designe nevrale modeller for modellering/klassifiseringsproblemløsning, designe kontradiktoriske generative modeller for datahåndtering. |
Maskinlæring I Introduksjon til klassifiserings- og klyngeproblemer. Hvordan evaluere resultatene? Hvordan bygge datasettene? Gjennomgang av hovedalgoritmene og deres anvendelse. | Kaggle Challenge Du vil bli en del av et team hos Kaggle hvor du skal løse en Data Science-utfordring. |
Big Data for datavitenskap Oversikt over de grunnleggende konseptene for Big Data-løsninger. Referansearkitekturer og adopsjonsmodeller vil bli gjennomgått med de viktigste aktuelle teknologiene, inkludert prosesser for inntak, analyse og visualisering av data i sanntid. | siste prosjekt Temaet kan foreslås av studenten eller velges fra en liste levert av MIOTI. |
Entreprenørskap II Diskusjon og oppdagelse av nye forretningsmodeller basert på datavitenskap. | |
siste prosjekt Temaet kan foreslås av studenten eller velges fra en liste levert av MIOTI. |
Galleri
Opptak
Program undervisningsavgift
Stipend og finansiering
Vi har MIOTI-stipendplan.
Vi har stipend tilgjengelig fra Universia Foundation.
Vi har tilgjengelige stipender fra ONCE Foundation.
Bonuser av Fundae.
Du kan også dele opp betalingen uten renter.