Maestría en Blockchain e Ingeniería de Datos

La estructura y materias del Master en Blockchain e Ingeniería de Datos está organizada de la siguiente manera:

Módulo 1. Tecnología Blockchain

• Blockchain pública y privada
• Criptografía básica para Blockchain
• Protocolos de consenso PoW y PoS
• Proyecto

Módulo 2. Ethereum: Clientes y transacciones

• Clientes Ethereum, Parity y Geth
• Ethereum Virtual Machine y opcodes
• Gestión de transacciones, bloques y Gas
• Proyecto

Módulo 3. Ethereum: Claves y networkss

• Instalación y uso en una Testnet propia
• Gestión de las claves y Ethereum networkss (Mainnet, Ropsten, Rinkeby)
• Escalabilidad: Redes  de segunda capa. Polygon y Optimism
• Proyecto

Módulo 4.Ethereum: Minería

• Hardware e infraestructura para la minería: Nodos y minado
• Instalación y conexión a Pool
• Análisis de rentabilidad
• Proyecto

Módulo 5. Ethereum: Desarrollo de Smart Contract

• Estructura un Smart Contract (ERC-20, ERC-721)
• Configuración de desarrollo (Nodo + Web3 + Compilador + IDE)
• Solidit: programación básica y compilación
• Proyecto

Módulo 6. Ethereum: Aplicaciones  descentralizadas (DApps)

• Arquitectura teórica y casos
• Componentes y configuración de clientes
• Gestión de wallets y Polygon para escalabilidad
• Proyecto

Módulo 7. Hyperledger: Arquitectura e instalación Fabric

• Introducción, aplicaciones y proyectos reales
• Arquitectura Hyperledger Fabric
• Instalación de Hyperledger Fabric, herramientas y archivos
• Proyecto

Módulo 8. Hyperledger: Desarrollo de Smart Contracts y DApps

• Hyperledger Composer Playground
• Desarrollo de Smart Contracts Privados: Chaincode
• Desarrollo de DApps para entorno permisionado
• Proyecto

Módulo 9. Fundamentos de IA y Machine Learning

• Introducción a la IA y Machine Learning
• Algoritmos de regresión. Evaluación y métricas
• Ecosistemas de Machine Learning en la nube
• Proyecto

Módulo 10. Aprendizaje supervisado I

• Clasificación binaria, multiclase y métricas. Curva ROC
• Clasificación con Naive Bayes
• Clasificación con Support Vector Machine (SVM)
• Proyecto

Módulo 11. Aprendizaje supervisado II

• Clasificación con KNN, regresión logística y softmax
• Regresión y clasificación con árboles de decisión
• Combinación de clasificadores: ensembles y random forests
• Proyecto

Módulo 12. Aprendizaje NO Supervisado

• Reducción de dimensionalidad en los datos: PCA
• Algoritmos de agrupamiento: Kmedias y jerárquico
• Técnicas de detección de anomalías
• Proyecto

Módulo 13. Redes neuronales y deep learning

• Hitos del Deep Learning y fundamentos de las redes neuronales
• Frameworks de Deep Learning. TensorFlow
• Tipos de Redes Neuronales y ajuste de modelos de Deep Learning
• Proyecto

Módulo 14. Redes Neuronales Convolucionales (CNNs)

• Fundamentos de las CNNs: kernels, convolución, pooling, etc.
• Modelos pre-entrenados: Transfer Learning y Fine-Tuning
• Deep Learning en producción
• Proyecto

Módulo 15. Sistemas de recomendación

• Personalización guiada por IA y datos. Filtrado colaborativo
• Recomendaciones basadas en contenido, contexto e híbridas
• Aplicaciones, tendencias y retos de los sistemas de recomendación
• Proyecto

Módulo 16. Procesamiento del Lenguaje Natural

• Modelos lógicos de PLN
• Modelos Probabilísticos de PLN
• Uso de la PLN
• Proyecto

Proyecto de Fin de Master

*El temario y las masterclass podrán sufrir modificaciones motivadas por la actualización y mejora de los mismos.