Módulo 1: Programación científica

Asignatura	Créditos	Bimestre	Profesores	Contenidos
MATLAB y Octave para modelización	3	1	Darío Ramos López Sergio Díaz Elbal	Instalación de MATLAB y Octave. Interfaces de usuario. Variables y operaciones elementales. Vectores y matrices. Funciones. Estructuras condicionales y bucles. Representaciones gráficas.
Python para ciencia de datos	4	1	Rafael Cabañas de Paz	Características de Python y entornos de programación Tipos de datos y estructuras de control. Funciones Manejo de datos con numpy y pandas Paquetes, módulos y entornos virtuales. Visualización de datos. Modelado estadístico y machine learning.
R para ciencia de datos	4	1	Ana Devaki Maldonado González Ángel Tomás Sáez Ruiz	Objetos de R y manipulación de datos en R. Estructuras de control. Familia apply. Importación y exportación de datos en R. La filosofía tidyverse. Clases de objetos: S3, S4 y R6. Generación de documentos científicos: R Sweave y RMarkdown.

Módulo 2: Modelado estadístico y ciencia de datos

Asignatura	Créditos	Bimestre	Profesores	Contenidos
Análisis exploratorio y visualización de datos	3	1	Antonio Fernández Álvarez Ana Devaki Maldonado González	Preprocesamiento de los datos. Descripción de la muestra. Visualización de datos. ggplot2. Reducción de la dimensionalidad. Validación y análisis de los resultados.
Métodos de regresión avanzada	3	2	Rafael Rumí Rodríguez María Morales Giraldo	Regresión lineal múltiple. Modelos lineales generalizados. Selección de variables en los modelos de regresión. Regresiones sesgadas: Ridge y Lasso.
Métodos de segmentación y clasificación	3	2	Fernando Reche Lorite	Clasificación no supervisada. Métodos de clustering. Clasificación supervisada. Árboles de decisión. Métodos de ensemble. Random Forest y Boosting.
Series temporales	3	3	Sergio Martínez Puertas	Manejo de datos temporales en R. Introducción al análisis de series temporales. Series estacionarias univariantes. Análisis de series temporales no estacionarias univariantes: El modelo ARIMA. Análisis de series temporales multivariantes: series estacionarias y no estacionarias.
Machine learning probabilístico	5	3-4	Antonio Salmerón Cerdán Andrés Masegosa Arredondo José Antonio Gámez Martín José Miguel Puerta Callejón	Inferencia bayesiana. Modelos jerárquicos. Redes bayesianas. Modelos temporales.Modelos de espacio de estados y HMMs. Sistemas dinámicos lineales y filtros de Kalman. Deep Learning. Redes neuronales. Modelos probabilísticos profundos.
Inteligencia artificial generativa	3	4	Javier Cózar del Olmo	Estado del arte en modelos generativos. Uso de modelos de Hugginface. Técnicas de prompting para mejorar resultados y evitar alucinaciones. Introducción al uso de agentes.

Módulo 3: Matemática computacional

Asignatura	Créditos	Bimestre	Profesores	Contenidos
Técnicas modernas de optimización	3	2	José Cáceres González	Problemas de optimización lineales y no lineales. Resolución en MATLAB de problemas típicos en optimización lineal. Métodos iterativos de optimización. Descenso por gradientes. Métodos de descenso por gradientes estocásticos.
Ajuste de curvas y superficies	3	2	Juan Francisco Mañas Mañas Cristina Rodríguez Perales	Interpolación y aproximación polinomial. Integración numérica Interpolación y aproximación con splines. Técnicas de regularización. Técnicas avanzadas: funciones de base radial, quasi-interpolación.
Métodos de Monte Carlo	3	3	Darío Ramos López	Introducción a los métodos de Monte Carlo. Integración y optimización por Monte Carlo. Introducción a los procesos estocásticos y su simulación. Métodos MCMC: Markov chain Monte Carlo.
Simulación numérica para ciencia y empresa	3	4	Juan Francisco Mañas Mañas Juan José Moreno Balcázar	Modelos matemáticos de evolución de especies y propagación de enfermedades. Modelos matemáticos en mecánica, cinemática y dinámica. Resolución numérica de ecuaciones de la física matemática. Resolución numérica de ecuaciones diferenciales estocásticas. Movimiento browniano y aplicaciones en finanzas.

Módulo 4: Ingeniería de datos

Asignatura	Créditos	Bimestre	Profesores	Contenidos
Bases de datos para ciencia de datos	2	2	Manuel Torres Gil	Arquitecturas de datos. Datos estructurados y no estructurados. SQL para análisis de datos. Bases de datos no relacionales. Técnicas y herramientas de extracción de datos.
Procesamiento distribuido	2	3	Marcos Lupión Lorente	Fundamentos de la computación distribuida: Motivación, arquitectura, conceptos básicos y casos de uso. Procesamiento por lotes a gran escala con Apache Spark usando PySpark. Procesamiento de flujos de datos en tiempo real con Apache Flink y Apache Kafka. Despliegue de plataformas de procesamiento distribuido usando servicios cloud.
Computación de altas prestaciones para ciencia de datos	2	4	Juan José Moreno Riado	Análisis de rendimiento y profiling de códigos. Paralelismo en CPU basado en procesos e hilos. Aceleración masiva en GPU con Python.

Módulo 5: Ética y seguridad en ciencia de datos

Asignatura	Créditos	Bimestre	Profesores	Contenidos
Gobernanza y ética en la inteligencia artificial	1	3	Pablo Guillén Riado	Importancia de la ética y la gobernanza en el uso de datos, algoritmos y sistemas IA Principios éticos de la IA Cómo y donde aplicar los principios éticos en el desarrollo de algoritmos y sistemas IA Ética vs Normativa: donde termina una y empieza la otra Normativa aplicable a la IA con especial foco en la AIA Presencia de la AIA en todo el ciclo de vida del desarrollo de un sistema IA RIA: cumplimiento u oportunidad
Seguridad de la información	2	4	Juan Antonio López Ramos José Antonio Álvarez Bermejo	Almacenamiento seguro de la información. Autenticación e integridad de los datos. Análisis básico de malware.

Módulo: Trabajo Fin de Máster

Asignatura	Créditos	Bimestre	Profesores	Contenidos
Trabajo Fin de Máster	8	Anual