MÓDULO 1. ÁLGEBRA LINEAL

1. UNIDAD DIDÁCTICA 1. ESPACIOS VECTORIALES
2. Espacios y subespacios
3. Bases
4. Espacio vectorial cociente
5. Ecuaciones cartesianas o implícitas de un subespacio vectorial
7. UNIDAD DIDÁCTICA 2. MATRICES Y DETERMINANTES
8. Matrices
9. Determinantes
10. Operaciones elementales. Forma reducida de una matriz
11. Resolución de sistemas de ecuaciones lineales
13. UNIDAD DIDÁCTICA 3. SISTEMAS DE ECUACIONES LINEALES
14. Sistema de ecuaciones lineales
15. Solución de un sistema mediante eliminación de Gauss
16. Solución de un sistema mediante eliminación de Gauss-Jordan
17. Sistemas de ecuaciones homogéneas
19. UNIDAD DIDÁCTICA 4. ORTOGONALIDAD
20. Vectores paralelos y ortogonales
21. Operaciones entre vectores
22. Producto escalar
23. Vectores unitarios
25. UNIDAD DIDÁCTICA 5. APLICACIONES LINEALES
26. Operaciones con matrices
27. Multiplicación de un escalar por una matriz
28. Aplicaciones lineales
30. UNIDAD DIDÁCTICA 6. DIAGONALIZACIÓN DE MATRICES
31. Matrices diagonalizables
32. Método para diagonalizar una matriz
33. Forma normal de Jordan

MÓDULO 2. ESTADÍSTICA BIOMÉDICA

1. UNIDAD DIDÁCTICA 1. ESTADÍSTICA
2. Introducción, concepto y funciones de la estadística
3. Estadística descriptiva
4. Estadística inferencial
5. Medición y escalas de medida
6. Variables: clasificación y notación
7. Distribución de frecuencias
8. Representaciones gráficas
9. Propiedades de la distribución de frecuencias
10. Medidas de posición
11. Medidas de dispersión
12. Medidas de forma
13. Curva de Lorenz, coeficiente de Gini e índice de Theil
15. UNIDAD DIDÁCTICA 2. MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
16. Medidas de tendencia central
17. Medidas de posición
18. Medidas de variabilidad
19. Índice de asimetría de Pearson
20. Puntuaciones típicas
22. UNIDAD DIDÁCTICA 3. ANÁLISIS CONJUNTO DE VARIABLES
23. Introducción al análisis conjunto de variables
24. Asociación entre dos variables cualitativas
25. Correlación entre dos variables cuantitativas
26. Regresión lineal
28. UNIDAD DIDÁCTICA 4. DISTRIBUCIONES DE PROBABILIDAD
29. Conceptos previos de probabilidad
30. Variables discretas de probabilidad
31. Distribuciones discretas de probabilidad
32. Distribución normal
33. Distribuciones asociadas a la distribución normal
35. UNIDAD DIDÁCTICA 5. ESTADÍSTICA INFERENCIAL
36. Conceptos previos
37. Métodos de muestreo
38. Principales indicadores
40. UNIDAD DIDÁCTICA 6. CONTRASTE DE HIPÓTESIS
41. Introducción a las hipótesis estadísticas
42. Contraste de hipótesis
43. Contraste de hipótesis paramétrico
44. Tipologías de error
45. Contrastes no paramétricos
47. UNIDAD DIDÁCTICA 7. REGRESIÓN LINEAL
48. Introducción a los modelos de regresión
49. Modelos de regresión: aplicabilidad
50. Variables a introducir en el modelo de regresión
51. Construcción del modelo de regresión
52. Modelo de regresión lineal
53. Modelo de regresión logística
54. Factores de confusión
55. Interpretación de los resultados de los modelos de regresión
57. UNIDAD DIDÁCTICA 8. ANÁLISIS DE VARIANZA: UN FACTOR DE EFECTOS ALEATORIOS
58. Modelos de medidas repetidas
60. UNIDAD DIDÁCTICA 9. INTRODUCCIÓN A LA ESTADÍSTICA NO PARAMÉTRICA
61. Estadística no paramétrica. Conceptos básicos
62. Características de las pruebas
63. Ventajas y desventajas del uso de métodos no paramétricos
64. Identificación de las diferentes pruebas no paramétricas

MÓDULO 3. PENSAMIENTO COMPUTACIONAL

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN PENSAMIENTO COMPUTACIONAL
2. Presentación al pensamiento computacional
3. ¿Qué es y para qué se usa pensamiento computacional?
4. ¿Quiénes deben de aprender el pensamiento computacional?
6. UNIDAD DIDÁCTICA 2. TIPOS DE PENSAMIENTO QUE CONOCEMOS
7. Pensamiento analítico
8. Razonamiento aproximado, conceptual, convergente, divergente, sistemático, synvergente
10. UNIDAD DIDÁCTICA 3. CONOCEMOS EL PENSAMIENTO COMPUTACIONAL
11. Proceso, conceptos y actitudes del pensamiento computacional
12. Proceso de simulación
13. Concepto y procesos de paralelismo automatización
14. Trabajo en equipo en el pensamiento computacional
16. UNIDAD DIDÁCTICA 4. PARTE AVANZADA DE FONDO EL PENSAMIENTO COMPUTACIONAL
17. Abstracción en pensamiento computacional
18. Descomprimir los elementos
19. Proceso de evaluación de pensamiento computacional
21. UNIDAD DIDÁCTICA 5. APLICACIONES DEL PENSAMIENTO COMPUTACIONAL
22. Posibles problemas
23. Datos relacionados con de entrada y salida en el pensamiento
24. Solución al problema

MÓDULO 4. CÁLCULO NUMÉRICO PARA COMPUTACIÓN EN CIENCIA E INGENIERÍA

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LOS COMPUTADORES
2. Introducción
3. Conceptos básicos sobre computadores
4. Componentes de un computador
5. Software de un computador
6. Parámetros característicos del computador digital
7. Clasificación de los computadores
8. Breve historia de los computadores
9. Estudio de los computadores
10. Computación Científica en supercomputadores
12. UNIDAD DIDÁCTICA 2. INTRODUCCIÓN A LA PROGRAMACIÓN Y HERRAMIENTAS DE CÁLCULO NUMÉRICO
13. Introducción
14. Resolución de problemas
15. Lenguajes de programación
16. Herramientas de cálculo numérico
18. UNIDAD DIDÁCTICA 3. EL SISTEMA MATLAB
19. Introducción
20. Acceso a MATLAB
21. Introducción de matrices
22. Operaciones sobre matrices y componentes de matrices
23. Expresiones y variables
24. El espacio de trabajo
25. Funciones para construir matrices
26. Control de flujo programando en MATLAB
27. Funciones escalares
28. Funciones vectoriales
29. Funciones matriciales
30. Generación de submatrices
31. Ficheros .M
32. Entrada y salida de texto
33. Medidas de eficiencia de algoritmos
34. Formato de salida
35. Gráficos en dos dimensiones
36. Gráficos en tres dimensiones
37. Elaboración de programas en MATLAB
39. UNIDAD DIDÁCTICA 4. ARITMÉTICA DEL COMPUTADOR
40. Introducción
41. Representación interna de números
42. Errores debidos a la representación interna de los números
43. Errores en la realización de operaciones
44. Algoritmos estables e inestables. Condicionamiento de un problema
45. Ejercicios complementarios
47. UNIDAD DIDÁCTICA 5. ECUACIONES ALGEBRAICAS DE UNA VARIABLE
48. Introducción
49. Método de bisección o bipartición
50. Método de interpolación lineal o Regula Falsi
51. Método de aproximaciones sucesivas o punto fijo
52. Método de Newton-Raphson
53. Método de la secante
54. Criterios de convergencia para los métodos iterativos
55. Dificultades a la hora de calcular las raíces de una función
56. Cálculo de ceros de polinomios
57. Ejercicios complementarios
59. UNIDAD DIDÁCTICA 6. SISTEMAS DE ECUACIONES ALGEBRAICAS
60. Introducción
61. Métodos directos
62. Métodos iterativos
63. Comparación entre métodos iterativos y directos
64. Introducción a los sistemas de ecuaciones algebraicas no lineales
65. Ejercicios complementarios
67. UNIDAD DIDÁCTICA 7. INTERPOLACIÓN Y APROXIMACIÓN
68. Introducción
69. Interpolación polinomial
70. Aproximación por polinomios
71. Introducción a la interpolación por funciones racionales
72. Ejercicios complementarios
74. UNIDAD DIDÁCTICA 8. DIFERENCIACIÓN E INTEGRACIÓN
75. Introducción
76. Diferenciación numérica
77. Integración numérica
78. Ejercicios complementarios

MÓDULO 5. ANÁLISIS DE DATOS CON PYTHON

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
2. ¿Qué es el análisis de datos?
4. UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY PANDAS Y MATPLOTLIB
5. Análisis de datos con NumPy
6. Pandas
7. Matplotlib
9. UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
10. Cómo usar loc en Pandas
11. Cómo eliminar una columna en Pandas
13. UNIDAD DIDÁCTICA 4. PIVOT TABLES
14. Pivot tables en pandas
16. UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
17. El grupo de pandas
19. UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
20. Python Pandas fusionando marcos de datos
22. UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
23. Matplotlib
24. Seaborn
26. UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
27. Aprendizaje automático
29. UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
30. Regresión lineal
31. Regresión logística
33. UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
34. Estructura de árbol
36. UNIDAD DIDÁCTICA 11. NAIVE BAYES
37. Algoritmo de Naive bayes
38. Tipos de Naive Bayes
40. UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
41. Máquinas de vectores soporte (Support Vector Machine-SVN
42. 2.¿Cómo funciona SVM?
43. Núcleos SVM
44. Construcción de clasificador en Scikit-learn
46. UNIDAD DIDÁCTICA 13. KNN
47. K-nearest Neighbors (KNN)
48. Implementación de Python del algoritmo KNN
50. UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
51. Análisis de componentes principales
53. UNIDAD DIDÁCTICA 15. RANDOM FOREST
54. Algoritmo de random forest

MÓDULO 6. DATA SCIENCE Y PROGRAMACIÓN ESTADÍSTICA CON PYTHON Y R

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
2. ¿Qué es la ciencia de datos?
3. Herramientas necesarias para el científico de datos
4. Data Science & Cloud Compunting
5. Aspectos legales en Protección de Datos
7. UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
8. Introducción
9. El modelo relacional
10. Lenguaje de consulta SQL
11. MySQL. Una base de datos relacional
13. UNIDAD DIDÁCTICA 3. PYTHON Y EL ANÁLISIS DE DATOS
14. Introducción a Python
15. ¿Qué necesitas?
16. Librerías para el análisis de datos en Python
17. MongoDB, Hadoop y Python. Dream Team del Big Data
19. UNIDAD DIDÁCTICA 4. R COMO HERRAMIENTA PARA BIG DATA
20. Introducción a R
21. ¿Qué necesitas?
22. Tipos de datos
23. Estadística Descriptiva y Predictiva con R
24. Integración de R en Hadoop
26. UNIDAD DIDÁCTICA 5. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
27. Obtención y limpieza de los datos (ETL)
28. Inferencia estadística
29. Modelos de regresión
30. Pruebas de hipótesis
32. UNIDAD DIDÁCTICA 6. ANÁLISIS DE LOS DATOS
33. Inteligencia Analítica de negocios
34. La teoría de grafos y el análisis de redes sociales
35. Presentación de resultados

MÓDULO 7. INTRODUCCIÓN APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)

1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
2. Introducción
3. Clasificación de algoritmos de aprendizaje automático
4. Ejemplos de aprendizaje automático
5. Diferencias entre el aprendizaje automático y el aprendizaje profundo
6. Tipos de algoritmos de aprendizaje automático
7. El futuro del aprendizaje automático
9. UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
10. Introducción
11. Algoritmos
13. UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN
14. Introducción
15. Filtrado colaborativo
16. Clusterización
17. Sistemas de recomendación híbridos
19. UNIDAD DIDÁCTICA 4. CLASIFICACIÓN
20. Clasificadores
21. Algoritmos
23. UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING
24. Componentes
25. Aprendizaje
27. UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN
28. Introducción
29. El proceso de paso de DSS a IDSS
30. Casos de aplicación

MÓDULO 8. DESARROLLO DE DEEP LEARNING

1. UNIDAD DIDÁCTICA 1. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
2. Aprendizaje profundo
3. Entorno de Deep Learning con Python
4. Aprendizaje automático y profundo
6. UNIDAD DIDÁCTICA 2. SISTEMAS NEURONALES
7. Redes neuronales
8. Redes profundas y redes poco profundas
10. UNIDAD DIDÁCTICA 3. REDES DE UNA SOLA CAPA
11. Perceptrón de una capa y multicapa
12. Ejemplo de perceptrón
14. UNIDAD DIDÁCTICA 4. REDES MULTICAPA
15. Tipos de redes profundas
16. Trabajar con TensorFlow y Python
18. UNIDAD DIDÁCTICA 5. ESTRATEGIAS DE APRENDIZAJE
19. Entrada y salida de datos
20. Entrenar una red neuronal
21. Gráficos computacionales
22. Implementación de una red profunda
23. El algoritmo de propagación directa
24. Redes neuronales profundas multicapa

MÓDULO 9. PROYECTO FINAL DE MASTER