INTELIGENCIA ARTIFICIAL

MÁSTER EXECUTIVE IN INTELIGENCIA ARTIFICIAL APLICADA A LOS MERCADOS FINANCIEROS. (en colaboración con el Instituto BME )

  • Duración:

    625 horas

  • Horario:

    V 16:00h - 21:00h
    S 9:00h - 14:00h

  • Modalidad:

    PRESENCIAL Y ONLINE (LIVE STREAMING): Palacio de la Bolsa.

Este Máster está dirigido a:

El máster tiene dos perfiles de acceso:

Uno más técnico en donde el alumnado lo componen físicos, matemáticos, telecos, ingenieros, informáticos… en definitiva alumnos con profundos conocimientos de programación y matemáticas, pero con una carencia de conocimientos bursátiles.

Y un segundo perfil de componente más financiero (ADE, economía, actuariales), traders,brokers, gestores de fondos de inversión, responsables de control y gestión de riesgo, auditoría… alumnos con conocimientos financiero - bursátiles, pero con carencia de conocimientos en programación o matemáticas.

Los primeros módulos del máster están diseñados para que ambos grupos igualen sus conocimientos, reforzando sus respectivas carencias.

Objetivos

Resuelve tus dudas ahora mismo, no esperes más:

91 504 86 00

Rellena el formulario y nosotros nos pondremos en contacto contigo:






    *campos obligatorios


    Plan de
    ESTUDIOS

    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

    Experiencia
    MBIT-Instituto BME

    Licencias (además del título del máster)

    PROFESORES

    PROCESO DE ADMISIONES

    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.

    FINANCIACIÓN Y AYUDAS

    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.

    Resuelve tus dudas ahora mismo, no esperes más:

    91 504 86 00

    Rellena el formulario y nosotros nos pondremos en contacto contigo:






      *campos obligatorios


      Esta web utiliza cookies propias y de terceros para su correcto funcionamiento y para fines analíticos. Al hacer clic en el botón Aceptar, aceptas el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
      Privacidad