Dotar al mercado de profesionales del más alto nivel en Inteligencia Artificial, capaces de desarrollar nuevos modelos de gestión de inversiones, y con profundos conocimientos de los distintos tipos de mercados y productos.
Profundizará en las distintas ramas de inteligencia artificial, desde modelos tradicionales como redes neuronales delgadas, hasta redes neuronales profundas, aprendizaje por refuerzo o modelos adversariales.
Proporcionará herramientas y conocimientos prácticos, permitiendo aplicar las técnicas más avanzadas de la programación distribuida en nube, aplicándola al diseño de algoritmos de inversión.
Rellena el formulario y nosotros nos pondremos en contacto contigo:
Introducción a Visual Basic para finanzas Sesión I
• Sentencias y bucles
• Programación recursiva
• Estructuras anidadas
• Control y gestión de errores
Introducción a Visual Basi para finanzas Sesión II
• Cálculo de los riesgos y flujos de un proyecto.
• Entornos de alta incertidumbre
Visión General de la inteligencia Artificial
• Origen de la inteligencia artificial
• Aplicaciones en el sector financiero
y otros sectores
• Estado del arte (auto machine learning, aprendizaje por transferencia, modelos de atención)
Fundamentos de programación en R Sesión I
• Sentencias, bucles y vectores
• Crear e invocar funciones
Fundamentos de programación en R Sesión II
• Matrices y factores
• Listas y data frames
Fundamentos de programación en R Sesión III
• Gestión de datos (importación y guardado)
• Limpieza y manipulación
• Selección, filtrado, agrupación y estadísticos
Fundamentos de programación en R Sesión IV
• Librerías avanzadas: Dplyr, Data Table
• Familia Apply (Lapply, Sapply, Vapply)
• Programación con Pipes
Fundamentos de programación en R Sesión V
• Web scraping
• Generación de gráficos
• Distribuciones de probabilidad
• Análisis de rendimiento
Fundamiento de programación en Python Sesion I
• Instalación
• Sintaxis básica, operaciones y tipos básicos
• Estructuras de datos: Lists, Tuples, Sets y Diccionarios
• Control Flow
Fundamiento de programación en Python Sesion II
• Funciones.
• Modulos y Scripts
• Escritura de ficheros de texto y guardado de variables
• Librería Numpy
• Librería Pandas
Fundamiento de programación en Python Sesion III
• Visualización de datos
• Adquisición y guardado de datos
• Operaciones de combinar, juntar y agrupar
• Tratamiento de series temporales
Fundamiento de programación en Python Sesion IV
• Editores y flujo de trabajo
• Procesamiento en paralelo con multiprocessing: Itertools
• Visualizaciones interactivas con interact
• Otras librerias y documentos
Fundamiento de programación en Python Sesion V
• Obtención de datos financieros.
• Simulación para medición de riesgos (VaR)
• Valoración de opciones.
Fundamiento de programación en Python Sesion VI
•Web scraping
•Análisis de rendimiento
•Vectorización
Fundamiento de programación en Python Sesion VII
•Programación orientada a objetos
• Creación de API Rest
Productos financieros
• Productos de contado: Bonos, acciones, depósitos, divisas
• Productos derivados: Repos, Forwards, futuros, opciones, warrants y swaps
• Productos estructurados
• Mercados donde se negocian
• Operativa con productos: Compra venta, cobertura y especulación
Renta variable
• Funciones de la bolsa
• Distinción entre mercado primario y secundario
• Tipos de operaciones: OPAs y OPVs, ampliaciones de capital, Splits y ContraSplits
• Funcionamiento del mercado continuo español (SIBE)
> Fases del mercado
> Bloques y operaciones especiales
> Subastas vs mercado abierto
> Reglas de negociación
> Tipos de órdenes
> Subastas por volatilidad: rangos estáticos y dinámicos
Mercado de renta fija
• Fundamentos matemáticos: Capitalización y descuento, valor temporal
• Tipos de interés: Euribor / Eonia / EuroSTR
• Bonos y Floating rates Notes
• Valoración: Duración, sensibilidad y convexidad
• Operativa con instrumentos de RF
• Derivados de RF: Futuros sobre Bonos y Euribor
Curva cupón cero
• Tipos de curva
• Condicionantes en su construcción
• Determinación del precio a plazo: los tipos implícitos
• Métodos de construcción
• Programación de la curva en Python.
Gestión de sensibilidades y estrategias
• Coberturas estáticas
> Call, Put, Spreads y Túneles
> Selección de precio de ejercicio y vencimiento
> Análisis de situación y modificaciones sintéticas del perfil riesgo
• Estrategias combinadas
> Tendencia
> Volatilidad
> Mixtas
• Índices estratégicos y estrategias reparadoras apalancadas
• Trading de volatilidad, Delta Neutral y Gamma Scalping
Diseño de algoritmos de inversión Sesion I
• Obtención de datos históricos de renta variable: Yahoo, Finance Alphavantage
• Obtención de datos históricos de divisas: Yahoo Finance, Banco de España
• Obtención de datos históricos de renta fija: Banco de España
• Obtención de fondos de inversión
• Obtención del histórico de un índice y su composición: Yahoo Finance
Diseño de algoritmos de inversión Sesión II
• Limpieza de datos
• Homogeneización de datos de renta variable
• Ajuste de datos en renta variable: Detección y anulación de Splits y ContraSplits
Diseño de algoritmos de inversión Sesión III
• Análisis de rendimiento: Detección de cuellos de botella y búsqueda de mejoras
• Cálculo del Alpha de Jensen
• Optimización del Alpha
Diseño de algoritmos de inversión Sesión IV
• Cálculo de la frontera de Markowitz
• Resolviendo el problema de la generación de la frontera con más de 30 activos
• Optimización temporal en problemas de programación exponenciales
• Cálculo del ratio de Sharpe
• Optimización del ratio
Diseño de algoritmos de inversión Sesión V
• Backtesting avanzado
> Sesgo Look-Ahead
> Sesgo de supervivencia
> Sesgo de selección
> Presunción de ejecución
> Combinatorial Purged Cross Validation
• Prueba de aleatoriedad: El mono que escribió guerra y paz
• Construcción de un benchmark sintético Diseño de algoritmos de inversión Sesión VI
• Selección de activos: Qué comprar y cuando
• Cálculo de los precios objetivos de compra y venta
Diseño de algoritmos de inversión Sesión VII
• Parámetros dinámicos
> Creación de un sistema dinámico de selección de activos para comprar
> Creación de un sistema dinámico de selección de activos para vender
> Creación de un sistema dinámico de ventanas temporales para realizar los cálculos
• Asignación de recursos
> Diseño de un sistema de asignación de recursos en función de la probabilidad de ocurrencia
> Generación de un ranking de asignación de recursos por activo
Diseño de algoritmos de inversión Sesión VIII
• Generación de recomendaciones: Qué comprar, qué vender, en qué cuantía y a qué precio, mañana.
• Algoritmos avanzados: Demostración de algoritmos desarrollados por BME
Proyecto. Sesión I.
Backtesting avanzado de Algoritmos de Inversión Sesión I
• Métricas y niveles de evaluación
• Fallos y sesgos en el backtesting
Backtesting avanzado de Algoritmos de Inversión Sesión II
• Esquemas de validación
• Datos sintéticos y simulación de escenarios
Gestión de grandes patrimonios. Sesión I
• Asset allocation (acciones, renta fija, derivados, fondos de inversión, materias primas...)
• Asignación geográfica
• Asignación temporal
• Gestión de riesgos •
Gestión de grandes patrimonios. Sesión II
• Obtención de rentas periódicas vs incremento patrimonial
• Optimización de stop loss por tipología de activo
• Activos ilíquidos & mercados en estrés
• Gestión de expectativas
Modelos Macroeconómicos: Investment Clock
• Activo Monetario
• Renta Fija
• Renta Variable
• Materias Primas
Modelos de Gestión de Carteras
• Markowitz
• Black-Litterman
• Value at Risk
Construcción de carteras uniendo modelos macro y de gestión
Modern Portfolio Theory and beyond. Sesión I
• Impacto de la forma de la matriz de covarianzas
• Asignación de pesos
• Benchmark de la industria a batir 60/40
• Modificaciones de la matriz de covarianzas
Modern Portfolio Theory and beyond. Sesión II
• Risk parity
• Hierarchical Risk parity
Modern Portfolio Theory and beyond. Sesión III
• Inverse vol
• Kalman Filter
• Kelly Criterion
• Taller de gestión
Algoritmos genéticos
• Función objetivo
• Estrategias de selección
• Cruzamiento
• Mutación
• Reemplazo generacional
Algoritmos enjambre (sistemas multi-agente)
• Algoritmo de manada
• Algoritmo de construcción de las termitas
• Colonia de hormigas
> Construcción del entorno
> Selección del camino
> Cantidad de feromona
> Evaporación
> Poda de la solución óptima
• Fuzzy Logic
Terminal Smart y examen de certificación: licencias de operador SIBE y MEFF
• Terminal Smart
• Introducción de órdenes
• Comprensión de la operativa diaria de un operador
EXAMEN DE LAS LICENCIAS SIBE Y MEFF
Algoritmos de mejor ejecución
• Impacto de mercado vs riesgo de mercado
• Tipología de órdenes avanzada: OCO, OSO, Bracket, Ghost, Pegged, Trailing Stop
• Desarrollo con series temporales de microsegundos.
• Simulación de un libro de órdenes, profundidad del libro, prioridad precio-tiempo.
• VWAP, TWAP, POV, Smart Order Routing
Inteligencia Artificial desde una perspectiva legal Sesion I
• Marco jurídico asesoramiento / algoritmos
de inversión / MIFID II
• Responsabilidad asociada a las señales generadas
por algoritmos
• Requisitos asociados a los algoritmos de alta y baja
frecuencia
• Trazabilidad y responsabilidades asociadas)
Inteligencia Artificial desde una perspectiva legal Sesion II
• Marcos jurídicos de la Inteligencia Artificial en Europa, EEUU, Asia y oriente.
• Responsabilidad asociada a las señales generadas por algoritmos con inteligencia artificial
• Implicaciones legales: algoritmos que aprenden de manera autónoma modificando su comportamiento
• Trazabilidad en algoritmos con inteligencia artificial
• Diferencias legales entre algoritmos con aprendizaje online vs offline
Optimización Sesión I
• Lineal: modelado de problemas con restricciones
• Cuadrática: modelado de problemas, alternativas y transformaciones
• Identificación de arbitraje
Optimización Sesión II
• Programación entera mixta
• Modelado de condiciones lógicas
• Algoritmos y técnicas de resolución
• Programación de restricciones globales
Optimización Sesión III
• Búsqueda eurística: modelado de espacio de estado, búsqueda no informada
• Búsqueda local estocástica: modelado de espacio de soluciones
Principios de desarrollo
• Introducción al uso del Terminal
• Introducción a docker y kubernetes
• Desarrollo en equipo y gestión del código: Gitkraken
Google. Sesión I
• Almacenamiento de datos: Cloud Storage
• Servicio de base de datos NoSQL: Cloud BigTable
• Análisis de datos a gran escala: Google BigData
• Procesamiento de datos continuos y por lotes: Cloud Dataflow
Google. Sesión II
• Ecosistema Hadoop y Spark: Cloud Dataproc
Google. Sesión III
• Analizar datos para el aprendizaje automático: Cloud Datalab
• Google Data Studio
Google. Sesión IV
• Cloud Machine Learning Engine
Azure. Sesión I
• Administración de datos: Azure Storahe
• Repositorio de datos: Azure Data Lake Store
Azure. Sesión II
• Apoyo a la toma de decisiones: Data Lake Analytics
• Almacenamiento a gran escala: Data Warehouse
• Integración de datos híbridos (ETL/ELT): Data Factiry
Azure. Sesión III
• Servicio de análisis de macrodatos en código abierto: Azure HDInsight
• Creación de clústeres oprimizados para: Haddop, Spark, Hive, Hbase, Storm, Kafka y Microsoft R Server Azure. Sesión IV
• Azure Machine Learning: Desarrollo de algoritmos de inteligencia artificial
Amazon AWS. Sesión I
• Entorno de gestión AWS, maquinas EC2. Glue9
• Entorno de Seguridad AWS
• Entorno de facturación AWS
Amazon AWS. Sesión II
• Análisis de Información SaaS. Athena
• Flujos de datos: AWS Glue
• Visualización de Información: AWS QuickSign
Amazon AWS. Sesión III
• Gestión de Tiempo Real : AWS Kinesis
• Creación de Algoritmos AWS SageMaker
Amazon AWS. Sesión IV
• Creación de Algoritmos Distribuidos AWS SageMAker
• Integración de Frameworks de Desarrollo de Deep Learning
• Despliegue de Modelos en produción
Técnicas de visualización (Dash): Sesión I
• Visualización interacitiva con Plotly
• Visualización interacitiva con Dash
Técnicas de visualización (Dash): Sesión II
• Visualización interacitiva con Dash
• Depliege de dashboards
Proyecto. Sesión II.
Machine Learning. Sesión I
• Diseño del objetivo de aprendizaje
• Análisis exploratorio de variables
• Generación de características
• Aprendizaje basado en instancias (K-NN)
• Árboles de decisión
• Diseño experimental: Entrenamiento y Validación Machine Learning. Sesión II
• ML para series temporales
• Aprendizaje con datos transversales vs temporales
• Modelos auto-regresivos
• Validación de ventanas deslizantes
Machine Learning. Sesión III
• Modelos de clasificación Bayesianos
• Regresión Logística
• Otros modelos: LDA, SVMs
• Meta-clasificadores: Bagging, Boosting y Stacking
• Random Forest
Machine Learning. Sesión IV
• Técnicas de clustering: K-Means y K.medoids
• Técnicas aglomerativas
• Reducción de dimensionalidad: PCA
• Detección de Anomalías
Machine Learning. Sesión V
• Relevancia de características
• Aproximaciones para tareas de ranking
• Aprendizaje multi-etiqueta
• Aprendizaje semi-supervisado
Redes neuronales. Sesión I
• Descenso por gradiente
• Función de coste
• Función de activación
• Programación de un perceptrón
Redes neuronales. Sesión II
• Propagación de la información en redes multicapa
• Entrenamiento: Retroprogagación del error y ajuste de los pesos
• Early stopping: evitando el sobreaprendizaje
• Programación de una red multicapa
Tensorflow. Sesión I
• Instalación de Tensorflow en Python (con y sin GPU)
• Operaciones y tipos de datos: Tensores
• Regresión lineal
• Clustering con K-means
• Red neuronal de una capa
Tensorflow. Sesión II
• Deep learning: redes multicapa
• Tensorboard
Keras
• Instlación de Keras en Python
• Regresión lineal
• Clasificación
• Redes de una capa
• Redes multicapa
Optimización de Hiperparámetros
• Tamaño del batch y número de épocas
• Optimizadores (SGD, RMSprop, Adagrad, Adadelta, Adam, Nadam…)
• Técnicas de inicialización de pesos
• Funciones de activación
• Dropout
• Optimización del número de neuronas
• Optimización del número de capas
Redes de Kohonen
• Redes competitivas no supervisadas
• Mapas autoorganizados 2D
• Mapas autoorganizados 3D
Redes convolucionales. Sesión I
• Construcción en Tensorflow
• Tamaño del kernel
• Tamaño del paso y padding
• Maxpooling
• Número de filtros y características
• Dropout
Redes convolucionales. Sesión II
• Construcción en Keras
• Optimización del kernel
• Optimización del paso y padding
• Maxpooling
• Optimización del filtros y características
• Dropout
• Redes 1D, 2D, 3D
Redes convolucionales. Sesión III
• Redes siamesas y filtrado de imágenes basado en contenido (CBIR)
• CBIR: técnicas y aplicaciones
• Aprendizaje de representaciones por CNN
• Arquitecturas siamesas y tripletas
• Aplicaciones en búsqueda de imágenes
Redes convolucionales. Sesión IV
• One-pixel-attack: sistemas de entrenamiento adversarial
• Inestabilidad en la predicción de las DNN
• Ataques basados en perturbaciones de entradas: one-pixel-attack
• Métodos de entrenamiento adversarial: evolución diferencial (DE)
• Aplicaciones en generación de modelos robustos
Redes recurrentes. Sesión I
• Redes con memoria
• El problema de las dependencias a largo plazo
• Redes LSTM en Tensorflow y Keras Redes recurrentes. Sesión II
• Variantes de LSTM
• Backpropagation truncada
• Acumulando LSTM
• LSTM bidireccionales
Procesamiento de lenguaje natural. Sesión I
• Corpus y stopwords
• Modelos Word to Vector. Representación del lenguaje.
• Modelos en NLP y Sequential to Sequential models • Bucketing & Padding
Procesamiento de lenguaje natural. Sesión II
• Aprendizaje supervisado en NLP. Definición del dominio del lenguaje
• Name Entity Recognition. Detección de entidades y aplicación en finanzas
• Clasificación de texto. Titulares, reportes, noticias.
• Análisis de Sentimiento con Tensorflow. Noticias y Redes Sociales.
Procesamiento de lenguaje natural. Sesión III
• Transfer learning en NLP. TensorFlow Hub.
• Estado del arte. Modelos pre-entrenados BERT, ELMO.
• Re-entrenamiento de los modelos pre-entrenados para tareas especificas
Procesamiento de lenguaje natural. Sesión IV
• Capas de atención
• Modelos con atención
• Introducción a los modelos transformer
Procesamiento de lenguaje natural. Sesión V
• Modelos transformer avanzados
• Generative Pre-Training: GPT models Modelos generativos. Sesión I
• PCA
• ICA
• VAE
Modelos generativos. Sesión II
• Generación de cotizaciones de bolsa
• Generación de texto (noticias)
• Generación de imágenes (gráficos de bolsa)
• Generación de audio
Modelos generativos adversarios. Sesión III
• Algoritmo de aprendizaje en GAN
• Aplicación de modelos adversarios a redes convolucionales
• Aplicación de modelos adversarios a RNN
Modelos generativos adversarios. Sesión IV
• Aplicación de redes adversarias en algoritmos de inversión
Proyecto. Sesión III.
Sistemas de recomendación
• Clusterización de perfiles y activos
• Sistemas de generación y asignación de recomendaciones
Aprendizaje por transferencia
• Reutilización de modelos
• Concatenación de modelos
• Redes de capsula
• Solventando el problema de rotaciones
• Solventando el problema de escalado
• Mejora de redes convolucionales y generativas
Redes de gran tamaño
• Resnet 51 - 101
• Solventando el desvanecimiento del gradiente
Preparación para la certificación de desarrollador en TensorFlow
• Environment setup
• Habilidades de los desarrolladores en TensorFlow
• Construir y entrenar una red neuronal usando TensorFlow 2.x
• Clasificación de imágenes
• Procesamiento de lenguaje natural (NLP)
• Series temporales, secuencias y predicciones
Modelos gráficos probabilísticos. Sesión I
• Concepto de independencia
• Independencia condicional
• Redes Bayesianas y modelos gráficos
Modelos gráficos probabilísticos. Sesión II
• Simplificación de grafos
• Algoritmos de inferencia
• Algoritmos de aprendizaje de estructuras Aprendizaje justo (fair learning)
• Métodos de ajuste de modelos mediante aprendizaje justo
• Teoría de la información
• Dependencia usando métodos kernel
• Dependencia usando Gaussianización multivariada
Explainable Artificial Intelligence (XAI)
• Métodos de ingeniería inversa
• Adversarial examples
• XAI en deep learning
• Herramientas de XAI
Aprendizaje por refuerzo. Sesión I
• Procesos de decisión de Markov
• Algoritmos de aprendizaje
• Function approximation
• Q-learning
Aprendizaje por refuerzo. Sesión II
• Doble Q-learning
• SARSA
• Métodos de búsqueda
Aprendizaje por refuerzo. Sesión III
• Automated machine learning
• Selección de modelos
• Búsqueda de arquitecturas
• Full pipeline optimization
Aprendizaje por refuerzo. Sesión IV
• Algoritmos Policy
• Actor Critics
Aprendizaje por refuerzo. Sesión V
• Combinación de modelos (A2C, A3C)
• Estudio de hiperparámetros en RL
• Doble Q Learning en duelo
Aprendizaje por refuerzo. Sesión VI
• Creación de enviroments
EXAMEN DE CERTIFICACIÓN: DESARROLLADOR EN TENSORFLOW
Blockchain Sesión I
• Seguridad: Hash. Clave pública-privada
• Cadena de bloques: arquitectura
• Smart Contracts, Smart Properties. DAPPs y DAOs
• IDE Remix. Ejemplo de Smart Contract
Blockchain Sesión II
• Principios criptográficos, matemáticos y de arquitectura
• Direcciones, transacciones y bloques
• Algoritmos de consenso avanzados
• Tipos de blockchain: Permissioned, permissionless
• Ejecución/depuración de Solidity en Remix
• Mappings, Arrays
Blockchain Sesión III
• Características de Solidity y Ethereum
(virtual machine)
• Información privada en Blockchain
• Otras herramientas de desarrollo para Ethereum
• Truffle
• Creación de Tokens
• Estructuras de datos
• Contratos avanzados. Oráculos
Blockchain Sesión IV
• Implementaciones avanzadas
• Patrones de implementaciones Solidity
• Librerías, contratos e interacciones entre contratos
• Interactuando con el Blockchain/Smart Contracts desde Dapp
• Web3
• Servicios Off-chain
Terminal Refinitiv - Reuters
• Manejo del terminal, qué hay y dónde está
• API en Python para la Obtención de datos
• Limitaciones de uso y ejemplos prácticos
• Licencia terminal
Servicios Cognitivos: IBM Watson
• IBM Cloud & IBM Watson
• Introducción a Node-Red
• Personality Insight: detección de personalidad a través de texto
• Visual Recognition
• Natural Language Understanding
• Tone Analyzer
• Speech to text & Text to speech
• Entornos de desarrollo de modelos avanzados
Introducción a la computación cuántica
• Teoría de la Computación
• Computación cuántica
• Historia
• Aplicaciones
• Introducción a la Mecánica Cuántica
Álgebra Lineal
• Espacio vectorial, independencia lineal, bases
• Operadores lineales, autovectores y autoestados
• Producto escalar, ortonormalización
• Espacio de Hilbert (Proyectivo)
• Operadores Hermíticos y Unitarios
• Operaciones sobre operadores (traza, conmutador, anticonmutador)
• Producto tensorial de espacios vectoriales
Principios de la Mecánica Cuántica
• Espacio de estados físicos (Notación de Dirac)
• Qubits
• Evolución (Ecuación de Schrödinger)
• Interpretación probabilística
• Proceso de medida (Proyección de estados)
• Principio de Incertidumbre de Heisenberg
Sistemas compuestos
• Sistemas compuestos (Estados puros
y entrelazados)
• Operador densidad
• Paradoja EPR
• Desigualdades de Bell
• Teorema de no clonado
Ejemplos de algoritmos cuánticos
• Puertas lógicas cuánticas
• Código denso
• Teleportación cuántica
Software para computación cuántica y Qiskit Terra
• Frameworks y plataformas en la nube
• Plataforma IBM Q Experience: superposición, entrelazamiento, visualizaciones y herramientas
• Del laboratorio al primer sistema cuántico
• Qiskit: Quantum Information Science Kit – Proyecto y Qiskit Lab
• Circuitos
• Visualizaciones
• Operaciones cuánticas
• Circuitos avanzados
• Operadores
Computación clásica vs cuántica
• Teoría de la complejidad computacional
• Comparativa entre algoritmos clásicos y cuánticos
• Algoritmos de Grover y de Schor
• Ejemplos de realizaciones físicas de qubits
• Decoherencia y corrección de errores
Qiskit Aer y Qiskit Ignis
• Simuladores de alto rendimiento
• Simulación de modelos de ruido
de los procesadores
• Construcción de modelos de ruido
• Aplicación de ruido a puertas unitarias
• Transformación de ruido
• Métodos para simular circuitos cuánticos en hardware clásico.
• Análisis de errores en sistemas cuánticos
• Caracterización del Hamiltoniano y caracterización de puertas cuánticas
• Relajación y decoherencia
• Mitigación de errores de medida
• Evaluación comparativa de aleatorización
• Volumen cuántico
• Métodos de caracterización, corrección y mitigación de errores
Aplicaciones
• Criptografía Cuántica
• Algoritmos específicos (Optimización, Álgebra Lineal, Machine Learning)
• Quantum Amplitude Estimation (QAE)
• Variational Quantum Eigensolver (VQE)
• Quantum Approximate Optimization Algorithm (QAOA)
• Quantum Generative Adversarial Network (qGAN) Aplicaciones en Finanzas
• Quantum Risk Analysis
• Option Pricing using Quantum Computers Qiskit Aqua
• Optimización
• Finanzas
• Machine learning
• Química
• Videojuegos cuánticos
EXAMEN DE CERTIFICACIÓN: DESARROLLADOR EN COMPUTACIÓN CUÁNTICA
Defensa de TFM. Sesión I
Defensa de TFM. Sesión II
Clausura del máster
Departamento de Innovación en BME.
Bolsas y Mercados Españoles - Grupo BME
Socio fundador de MBIT School
Director General de Tinámica
CTO Producto Codere
Advisor MBIT School
Artificial Intelligence Scientist at University of Valencia and Fresenius Medical Care
Investigar en la Universidad de Valencia, Profesor MBIT School
Socio en Next-Step consultores, Profesor MBIT School.
Investigador en la Universidad de Valencia, Profesor MBIT School.
Founder - Quant AI Developer en IronIA Fintech
Chief Investment Officer at Santander Private Banking Gestion en SANTANDER PRIVATE BANKING
Strategic Cloud Engineer at Google
Subdirector responsable Fintech y Ciberseguridad de la CNMV
En el proceso de admisión evaluaremos las capacidades del candidato, además de analizar su perfil. Te realizaremos un assessment para que elijas el programa que se adecúa eficazmente a tu desarrollo profesional. Para ello necesitaremos que nos envíes tu CV actualizado y posteriormente realizar una entrevista. En un plazo máximo de 3 días tendrás respuesta del Comité de Evaluación sobre tu aceptación o no como candidato al programa. A partir de esa comunicación podrás formular tu matriculación en el programa.
Queremos ayudarte a alcanzar tus retos profesionales para ello desde MBIT School ponemos a tu disposición líneas de financiación alternativas, y te ofrecemos ayudar económicas por realizar una matriculación anticipada bajo pago íntegro. También contamos con ayudas para colectivos y bajo acuerdo con empresas.
Rellena el formulario y nosotros nos pondremos en contacto contigo:
