Máster en Inteligencia Artificial aplicada a los Mercados ... · a la incorporación de nuevos y...

CEN

TRO

DE

FOR

MA

CIÓ

ND

E B

OLS

AS

Y M

ERC

AD

OS

ESPA

ÑO

LES

M

mIA-XMáster en Inteligencia Artificial aplicada a los Mercados Financieros

EN COLABORACIÓN CON

2ª Edición

PRESENTACIÓN

Desde su creación hace casi 30 años, Instituto BME ha estado comprometido con

el desarrollo formativo del sector financiero, intentando aportar todo el conocimiento

y el saber hacer que entendemos necesitan unos mercados financieros desarrollados.

La creciente complejidad que ha adquirido la gestión financiera, debido fundamentalmente

a la incorporación de nuevos y sofisticados productos, así como la irrupción de los algoritmos

de inversión, cada vez más inteligentes, requiere a los gestores profesionales un profundo

conocimiento, tanto de las técnicas de inversión tradicionales como de las nuevas alternativas

en programación e inteligencia artificial.

Conscientes de esta necesidad y con el objetivo de aportar soluciones a la comunidad

financiera, Instituto BME pone en marcha en 2018 el Máster en Inteligencia Artificial Aplicada

a los Mercados Financieros (mIA-X). Un programa ambicioso pero cuidado al máximo detalle

donde concentramos todos nuestros esfuerzos y experiencia para dotar al mercado de

profesionales preparados al máximo nivel y dispuestos a afrontar los retos que se presenten

en su carrera de forma resuelta y creativa.

El balance que hacemos de estas tres décadas dedicadas a la formación de los profesionales

de los mercados no puede ser más positivo: alumnos que obtienen la más alta cualificación

técnica para el desempeño de su trabajo y una comunidad financiera que conoce y valora

tanto nuestros programas como a los profesionales que los han cursado.

Beatriz Alejandro Directora, Instituto BME


3

NUESTRO CURSO OBJETIVO

El principal objetivo es 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.

El Máster mIA-X:

• 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 constantemente

las técnicas más avanzadas de la programación distribuida en nube, aplicándola al diseño

de algoritmos de inversión.

• Permitirá a los alumnos afrontar cualquier desafío futuro relacionado con el nuevo entorno

económico en el que se desarrollan los Mercados Financieros.

DIRIGIDO A

Graduados en Ingeniería o Ciencias Económicas, Administración y Dirección de Empresas,

Estadística, Física o Matemáticas, que trabajen en:

• Departamentos de empresas financieras relacionados con la gestión de inversiones.

• Gestores de fondos.

• Departamentos financieros.

• Responsables de control y gestión de riesgo y de auditoría.

• Fintech y startups orientadas a los mercados financieros.

mIA-X

4

CONOCIMIENTOS PREVIOS NECESARIOS

No son necesarios conocimientos previos para cursar el máster. Los conocimientos en

programación, finanzas y bolsa serán adquiridos por el alumno a lo largo del máster.

METODOLOGÍA

• Todas las sesiones estarán enfocadas con un 15% de teoría – 85% de práctica.

Los alumnos del máster obtendrán competencias reales de programación en R y Python

mediante diferentes plataformas como Google TensorFlow o Keras, así como avanzados

conocimientos, demostrables, en la aplicación de algoritmos de Machine Learning

y Deep Learning.

• La evaluación de los conocimientos adquiridos se realizará mediante la entrega de diversas

prácticas, en donde los alumnos dispondrán de un mínimo de 2 semanas para completar

los retos propuestos.

Los alumnos tendrán a su disposición las mismas herramientas y esquema de trabajo con

las que contarían en un trabajo real. Las prácticas podrán realizarse individualmente, por

parejas o en grupos de tres, si bien la nota de los trabajos en pareja será penalizada en un

5% y la de los grupos de tres en un 10%.

El peso de las prácticas en la nota final ascenderá al 70%.

TRABAJO DE FIN DE MÁSTER

Los alumnos deberán realizar y defender ante un tribunal un proyecto de fin de máster.

Todos los trabajos consistirán en el diseño y desarrollo de un algoritmo de inversión. La naturaleza

del algoritmo así como la elección de las herramientas a emplear serán decididas por los alumnos

(cumpliendo unos mínimos de aplicación de los conocimientos adquiridos durante el máster).

Los trabajos de fin de máster podrán realizarse individualmente, en grupos de dos, o de tres,

si bien los trabajos que sean realizados en grupo tendrán las mismas penalizaciones en la nota

que las aplicadas durante las prácticas.

A lo largo de máster se realizarán diversas sesiones dedicadas a la gestión de expectativas,

uso de herramientas y resolución de dudas.

El peso del proyecto en la nota final ascenderá al 30%.


5

Módulo IIntroducción a sistemas

y programación

17%

Módulo IVAprendizaje mediante

Deep Learning

33%

Módulo IIDiseño de algoritmos de inversión

y Machine Learning

18%

Módulo VBlockchain

6%

Módulo VIIDefensa de los trabajos

de fin de máster

2%

Módulo III Infraestructura Cloud

para Big Data

18%

Módulo VI Infraestructura Cloud para Deep Learning

6%

mIA-X


6

INFORMACIÓN GENERAL

DIRECCIÓN ACADÉMICAD. Guillermo Meléndez Alonso. Departamento de Innovación en Bolsas y Mercados Españoles.

DURACIÓNDel 3 de octubre de 2018 al 2 de octubre de 2019. 385 horas de duración.

HORARIOViernes de 16:00 a 21:00 horas. Sábados de 09:00 a 14:00 horas.

Con motivo de fiestas nacionales, alguna clase tendrá lugar en jueves de 16:00 a 21:00 horas.

LUGAR DE CELEBRACIÓNLas clases se celebrarán en las aulas de Instituto BME en el Palacio de la Bolsa en Madrid.

RECOMENDACIONESEs imprescindible asistir con portátil. Se recomienda el equipo Intel Core i5, 8 GB de RAM

y disco SSD y tarjeta gráfica Nvidia compatible con CUDA.

PRECIOEl precio de este programa de formación es de 9.900 euros.

Instituto BME dispone de un programa de becas para los alumnos que cumplan con unos

determinados requisitos así como unos descuentos aplicables a matrículas de grupo.

Para más información ponerse en contacto en [email protected] o en el 91 589 12 22

MÁS INFORMACIÓNSi desea ampliar la información sobre este programa de formación puede ponerse en contacto

con Instituto BME en el teléfono 91 589 12 22 y en www.institutobme.com


7

PROGRAMA

MODULO 0.

INTRODUCCIÓN A LA PROGRAMACIÓN (10 HORAS).

Introducción a Visual Basic para aplicaciones. Cálculo de los riesgos y flujos de un proyecto.

MODULO 1.

INTRODUCCIÓN A SISTEMAS Y PROGRAMACIÓN (60 HORAS).

1.1. Visión General de la inteligencia Artificial.

1.2 Programación en Python.

1.2.1 Fundamentos de programación.Elementos de programación en Python.

Vectorización con Numpy.

Módulos y funciones.

1.2.2 Programación en Python para finanzas.Análisis estadístico.

Estructuras de datos para series financieras (Pandas).

1.2.3 Visualización e intercambio.Visualización de datos y gráficos.

Intercambio de datos con otros entornos.

1.2.4 Simulación de procesos.Simulación de procesos estocásticos.

Simulación para medición de riesgos (VaR).

1.2.5 Regresión y clasificación.Técnicas de regresión.

Técnicas de clasificación.

Práctica: Análisis de series temporales.

1.3 Ecosistema de Programación.

1.3.1 Herramientas y Máquinas Virtuales.Entornos de desarrollo integrado (IDE).Reutilización de código: librerías.Conceptos de API: REST.Comunicación HTTP y HTTPS.

1.3.2 Cloud as a Service y contenedores.Infraestructura como Servicio.Máquinas en la nube.Contenedores.Uso de Docker.

1.4 Programación en R.

1.4.1 Fundamentos de programación.Sentencias y bucles.Vectores, matrices, factores y listas.Crear e invocar funciones.Caso a resolver: Búsqueda local del primer mejor.

1.4.2 Data Frames, importación y manipulación de datos.

Data frames.Importar / guardar datos (txt, csv, xlsx etc.)Limpieza de datos.Selección, filtrado, ordenación, agrupación, estadísticos.

1.4.3 Funciones avanzadas.Dplyr y Data Table.Apply, Lapply, Sapply, Vapply.Do.call.Caso a resolver: Análisis de una base de datos.

1.4.4 Gráficos, distribuciones, análisis de rendimiento y web scraping.

Gráficos en R.Depurar un programa.Plataforma de competición Kaggle.Web scraping.Práctica: Análisis de la base de datos del TitanicEntrega de la práctica de Python.

mIA-X

8

MÓDULO 2.

DISEÑO DE ALGORITMOS DE INVERSIÓN Y MACHINE LEARNING (65 HORAS).

2.1. Obtención de datos. Renta variable (Yahoo Finance, Alpha Vantage).

Renta fija (Banco de España).

Divisas (Banco de España).

Derivados (Societe Generale, BME).

2.2. Homogeneización y desmanipulación de los datos. Búsqueda y encaje de datos.

Ajustes por dividendos.

Búsqueda y anulación de Split y contra Split.

2.3 Fabricación de algoritmosAnálisis de rendimiento.

Cálculo del Alpha de Jensen.

Cálculo de la frontera de Markowitz.

Generación de un benchmark sintético.

2.4 Generación de recomendacionesEnsamblado de las piezas del algoritmo.

Cálculo de los precios objetivo de compra y venta.

Volúmenes mínimo y máximo a comprar en cada activo.

Cálculo del capital recomendado a invertir en cada activo.

Coberturas con derivados.

Entrega de la práctica de R.

2.5 Histórico de recomendacionesGeneración de perfiles.

Stop loss de tiempo y económicos.

Gestión de una cartera.

Cálculo de los flujos de tesorería.

Generación de informes automáticos.

2.6 Análisis de recomendacionesAnálisis de frecuencia de recomendaciones.

Análisis de la duración de las operaciones.

Análisis de rentabilidad de las operaciones.

Algoritmo VS mercado.

Algoritmo VS fondos de inversión.

Análisis gráfico de recomendaciones.

2.7 Algoritmos complejosDemostración de un algoritmo completo con Inteligencia Artificial.

Análisis de patrones en gráficos en tiempo real.

Análisis de noticias en tiempo real.

Algoritmos de configuración dinámica.

Sistemas de recomendación.

Algoritmos de mejor ejecución.

Práctica de diseño de algoritmos de inversión.

2.8. Predicción y clasificación con Machine Learning. Sesión I.Validación y preparación de datos.

Distribución de las variables: Asimetría, discontinuidad.

Mejora de las variables explicativas.

Clusters: Identificar y codificar variables categóricas.

Posibles patrones y relaciones no lineales.

Codificación de variables.

Estandarización de variables.

Muestras de entrenamiento y validación.

Selección de variables.

2.9. Predicción y clasificación con Machine Learning. Sesión II.Técnicas de predicción.

LDA – Análisis Lineal Discriminante, con validación Cruzada (Leave-one-out).

QDA – Análisis Discriminante Cuadrático.

K-vecinos (KNN).

Regresión logística.

2.10 . Predicción y clasificación con Machine Learning. Sesión III.Técnicas de predicción.

SVM – Support Vector Machine.


9

Random Forest.

Técnicas de clasificación (clustering).

K-vecinos (KNN).

Selección del mejor modelo. Métricas de medición.

Práctica de predicción de datos.

2.11. Técnicas de inteligencia artificial. Diseño y programación de algoritmos genéticos.

Diseño y programación de algoritmos enjambre.

2.12 . Técnicas de inteligencia artificial. Redes neuronales. Sesión I.Descenso por gradiente.

Función de coste.

Función de activación.

Programación de un perceptrón.

Entrega de la práctica de Diseño de algoritmos.

2.13 . Técnicas de inteligencia artificial. Redes neuronales. Sesión II.Propagación de la información en redes multicapa.

Entrenamiento: Retropropagación del error y ajuste de los pesos.

Early stopping, evitando el sobreaprendizaje.

Programación de una red multicapa.

MÓDULO 3.

INFRAESTRUCTURA CLOUD PARA BIG DATA (65 HORAS).

3.1. Entorno IA Google.

3.1.1. 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.

3.1.2. Google. Sesión II.Ecosistema Hadoop y Spark: Cloud Dataproc.

3.1.3. Google. Sesión III.Analizar datos para el aprendizaje automático: Cloud Datalab.

Google Data Studio.

Entrega de la práctica de predicción con Machine Learning.

3.1.4. Google. Sesión IV.Cloud Machine Learning Engine.

Práctica IA Google.

3.2. Entorno IA Amazon.

3.2.1. Amazon AWS. Sesión I.Almacenamiento de datos: Amazon S3.

Transferir petabytes de datos: AWS Snowball.

3.2.2. AmazonEMR. Sesión II.Apache Hadoop y Apache Spark.

Entrega de la práctica de Big Data (IA Google).

Proyecto. Sesión I.Gestión de expectativas.Presentación de ideas Proyectos Fin de Master.

3.2.3. Amazon AI. Sesión III.Creación de modelos de aprendizaje automático.

3.2.4. Amazon AI. Sesión IV.Creación de modelos de aprendizaje automático.

3.3. Entorno IA Microsoft Azure.

3.3.1. Azure. Sesión I.Administración de datos: Azure Storage.

Repositorio de datos: Azure Data Lake Store.

3.3.2. 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 Factory.

3.3.3. Azure. Sesión III.Servicio de análisis de macrodatos en código abierto: Azure HDInsight.

Creación de clústeres optimizados para: Hadoop, Spark, Hive, HBase, Storm, Kafka y Microsoft R Server.

mIA-X

10

3.3.4. Azure. Sesión IV.Azure Machine Learning. Desarrollo de algoritmos de inteligencia artificial.

Práctica IA Amazon – Azure.

MÓDULO 4.

APRENDIZAJE MEDIANTE DEEP LEARNING (120 HORAS).

4.1. Tensorflow y Keras.

4.1.1. 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.

4.1.2. Tensorflow. Sesión II.Deep learning (redes multi capa).

Tensorboard.

4.1.3. Keras. Instalación de Keras en Python.

Regresión lineal.

Clasificación.

Redes de una capa.

Redes multi capa.

4.2. Mejora de modelos. Optimización de Hiperparámetros.

4.2.1. Optimización de Hiperparámetros. Tamaño del batch y número de épocas.

Optimizadores (‘SGD’, ‘RMSprop’, ‘Adagrad’, ‘Adadelta’, ‘Adam’, ‘Nadam’).

Técnicas de inicialización de pesos (‘uniform’, ‘normal’, ‘zero’…).

Funciones de activación (‘softmax’, ‘selu’, ‘softsign’, ‘relu’, ‘tanh’, ‘sigmoid’…).

Dropout.

Número de neuronas de las capas ocultas y número de capas.

Entrega de la práctica de Big Data (IA Amazon-Azure).

4.3. Redes convolucionales. Reconocimiento de imágenes.

4.3.1. Redes convolucionales. Sesión I.Construcción de una red neuronal convolucional en Tensorflow.

Tamaño del kernel.

Tamaño del paso y padding.

Maxpooling.

Número de filtros, características.

Dropout.

4.3.2. Redes convolucionales. Sesión II.Construcción de una red neuronal convolucional en Keras.

Tamaño del kernel.

Tamaño del paso y padding.

Maxpooling.

Número de filtros, características.

Dropout.

Redes 1D, 2D, 3D.

Práctica de análisis de gráficos de bolsa.

Proyecto. Sesión II.Visión general de Gestión de Proyectos.

Presentación de estado del proyecto.

Ejemplo de un algoritmo basado en predicción de gráficos.

Generación de gráficos / Predicción de la cotización.

4.4. Redes Recurrentes. LSTM. Predicción de series temporales.

4.4.1. Redes recurrentes. Sesión I.Redes con memoria.

El problema de las dependencias a largo plazo.

Redes LSTM en Tensorflow y Keras.

4.4.2. Redes recurrentes. Sesión II.Variantes de LSTM.

Backpropagation truncada.

Acumulando LSTM.

Predicción de series temporales de bolsa con redes recurrentes.


11

mIA-X

4.5. Procesamiento del lenguaje natural con redes recurrentes.

4.5.1. Procesamiento de lenguaje natural. Sesión I.Corpus y stopwords.

Sequence to Sequence models (librería en Tensorflow y Keras).

Encoder-decoder.

Bucketing and padding.

4.5.2. Procesamiento de lenguaje natural. Sesión II.Análisis de sentimiento en textos cortos.

Determinación del sentimiento con Keras y el API de Twitter.

Entrega de la práctica de análisis de gráficos de bolsa.

4.5.3. Procesamiento de lenguaje natural. Sesión III. Análisis de sentimiento en textos largos.

Determinación del sentimiento de noticias con Keras.

4.5.4. Procesamiento de lenguaje natural. Sesión IV.Determinación del impacto de noticias en bolsa.

Entrenamiento supervisado.

Entrenamiento no supervisado.

Práctica de análisis de sentimientos en noticias y su impacto en bolsa.

4.6. Modelos generativos profundos.

4.6.1. Modelos generativos. Sesión I.PCA.

ICA.

VAE.

GAN.

4.6.2. Modelos generativos. Sesión II. Generación de cotizaciones de bolsa.

Generación de texto (noticias).

Generación de imágenes (gráficos de bolsa).

Generación de audio.

4.7. Modelos gráficos probabilísticos.

4.7.1. Teoría. Sesión I.Concepto de independencia.

Independencia Condicional.

Redes bayesianas y modelos gráficos.

Simplificación de grafos.

Algoritmos de inferencia.

Algoritmos de aprendizaje de estructuras.

4.7.2. Modelos gráficos probabilísticos. Sesión II. Aplicaciones prácticas en Bolsa.

4.8. Aprendizaje por refuerzo.

4.8.1. Aprendizaje por refuerzo. Sesión I.Procesos de decisión de Markov.

Algoritmos de aprendizaje.

Function approximation.

Q-learning.

4.8.2. Aprendizaje por refuerzo. Sesión II.SARSA.

Métodos de búsqueda.

Entrega de la práctica de análisis de sentimientos en noticias y su impacto en bolsa.

4.8.3. Aprendizaje por refuerzo. Sesión III.Aprendizaje automático.

Tres en raya.

Comecocos.

4.8.4. Aprendizaje por refuerzo. Sesión IV.Aprendizaje automático aplicado a inversiones en bolsa.

Práctica: Redes generativas, grafos, o redes por refuerzo.

Proyecto. Sesión III.Visión general de Gestión de Proyectos.

Presentación de estado del proyecto.

Ejemplo de red de Kohonen.

Ejemplo de Lógica Difusa.

4.9. Redes generativas adversariales.

4.9.1. Redes generativas adversariales. Sesión I.Algoritmo de aprendizaje.

12

Aplicación de modelos adversarios a redes convolucionales.

Aplicación de modelos adversarios a RNN.

4.9.2. Redes generativas adversariales. Sesión II.Aplicación de redes adversarias en algoritmos de inversión.

Entrega de la práctica de Redes generativas, grafos, o redes por refuerzo.

MÓDULO 5.

BLOCKCHAIN (20 HORAS).

5.1. Blockchain, Bitcoin & Ethereum.

5.1.1. Tecnología. Sesión I.Seguridad: Hash. Clave pública-privada.

Cadena de bloques. Arquitectura, Consenso distribuido.

Smart Contracts, Smart Properties, DAPPs y DAOs.

IDE Remix. Ejemplo de Smart Contract.

5.1.2. Tecnología. Sesión II.Principios criptográficos, matemáticos y de arquitectura de una Blockchain.

Direcciones, transacciones y bloques.

Algoritmos de consenso avanzados.

Tipos de blockchain: Permissioned, permissionless.

Ejecución/depuración de Solidity en Remix.

Mappings, Arrays.

Ejemplo de contrato con información privada.

5.2. Programación en Solidity para Ethereum.

5.2.1. Solidity. Sesión I.Características de Solidity y Ethereum (Virtual Machine).

Información privada en Blockchain.

Otras Herramientas de Desarrollo para Ethereum.

Truffle.

Smart Contracts.

Creación de Tokens.

Estructuras de datos.

Contrato avanzado. Oráculos.

5.2.2. Solidity. Sesión II.Implementaciones avanzadas.

Patrones de implementaciones Solidity.

Librerías, contratos e interacciones entre contratos.

Interactuando con el Blockchain/Smart Contracts desde DApp.

Web3.

Servicios Off-chain.

Práctica Blockchain: Aplicación a la compra venta de acciones y derivados.

MÓDULO 6.

INFRAESTRUCTURA CLOUD PARA DEEP LEARNING (20 HORAS).

6.1. Entorno IA Google. Entorno Google Machine Learning y TensorFlow.

Entornos de GPU en Google Cloud.

6.2. Entorno IA Amazon. Apache MXnet en AWS.

TensorFlow on AWS.

AWS Deep Learning AMIs.

6.3. Entorno IA Microsoft Azure.Microsoft CTNK.

Azure Machine Learning Workbench.

6.4. Servicios Cognitivos. Servicios Cognitivos Microsoft Azure.

Servicios Cognitivos IBM Watson.

Entrega de la práctica de Blockchain.

MÓDULO 7.

MARCO LEGAL Y TRABAJOS DE FIN DE MÁSTER (25 HORAS).

7.1 Derecho aplicado:A los algoritmos de inversión.

A la inteligencia artificial.

7.2 Técnicas de visualización. Sesión I.

7.3 Técnicas de visualización. Sesión II.

Defensa de los trabajos de fin de máster.


13

PONENTES COLABORADORES

Emilio SoriaCatedrático de la Universidad de Valencia, Director Académico MBIT School

Licenciado en Físicas (1992), premio extraordinario y doctor en ingeniería electrónica (1997),

ha publicado más de 80 trabajos en revistas indexadas en JCR, Journal Citation Report (JCR), el

indicador de calidad más valorado por los organismos de evaluación de la actividad investigadora.

Jose Antonio EstebanCTO Codere, Profesor MBIT School

Presidente de la Comisión Big Data de Cloud Community Europe. Ha participado en el diseño

de soluciones de optimización de Aplicaciones para Mercury (actualmente HP) y en equipos de

diagnóstico de problemas de sistemas críticos. Actualmente responsable tecnológico de una de

las mayores plataformas de juego online y presencial para la multinacional española Codere.

Guillermo Meléndez AlonsoDepartamento de Innovación en BME

Experto en el diseño de algoritmos de inversión evolutivos, capaces de adaptarse y evolucionar

sin intervención humana. Cuatro veces número uno de promoción: Finanzas, Auditoría, Data

Science y Deep Learning.

Jorge del ValResearcher in BEEVA (BBVA)

Investigador enfocado en matemáticas aplicadas e inteligencia artificial. Centrado en el

aprendizaje automático, los sistemas multi-agente y el análisis numérico. En particular, técnicas

de aprendizaje profundo para el modelado generativo y el aprendizaje de refuerzo.

Luís LagoProfesor en la Universidad Autónoma de Madrid, Profesor MBIT School

Profesor del Departamento de Ingeniería Informática en la UAM. Investiga e imparte clases

de Machine Learning, Big Data y Data Science. Ha participado en numerosos proyectos de

minería y análisis de datos en el ámbito empresarial.

mIA-X

14

Francisco Javier González GosálbezPresident & CEO en Cartagon, Profesor MBIT School

Profesor asociado en The Valley Digital Business School.

Elena Montesinos SantosSenior Data scientist en Kernel Analytics

Consultora experta en el uso de métodos cuantitativos aplicados a la economía y las finanzas.

Licenciada en Economía (premio de excelencia), Máster en Finanzas Cuantitativas y Máster en

Data Science & Big Data.

José Luís Cano CoelloSocio en Next-Step consultores, Profesor MBIT School

Ingeniero Industrial inmerso en el desarrollo de proyectos tecnológicos, inteligencia

de negocio y formación in-company.

Juan José Garcés IniestaInvestigador en la Universidad de Valencia. Científico de datos en departamento IDAL

(Intelligent Data Analysis Laboratory). Aplicación de técnicas de Inteligencia Artificial,

Aprendizaje máquina, Clustering.

Valero Laparra PérezInvestigador en la Universidad de Valencia. Desarrollando métodos estadísticos de aprendizaje

para el proyecto europeo SEDAL http://isp.uv.es/sedal.html

Antonio Serrano LópezInvestigador en la Universidad de Valencia.

Jesús RuizCTO en Alastria Blockchain Ecosystem Blockchain e Industria 4.0 en Banco Santander

Departamento de tecnologías emergentes.

Gonzalo NavarroAsesor Legal en Grupo BME.

Doctorado en Derecho.


15


Plaza de la Lealtad, 1Palacio de la Bolsa28014 Madrid

+info

[email protected]. 91 589 12 22 91 589 12 17

Siguenos también en:

Máster en Inteligencia Artificial aplicada a los Mercados ... · a la incorporación de nuevos y...

Documents

Transcript of Máster en Inteligencia Artificial aplicada a los Mercados ... · a la incorporación de nuevos y...