El Máster Universitario en Tratamiento Estadístico-Computacional de la Información (TECI), impartido conjuntamente por las Universidades Complutense y Politécnica de Madrid, se enmarca en el Campus de Excelencia Internacional de Moncloa, liderado por estas dos Universidades. Dicho Máster es heredero del periodo de formación del programa de doctorado con Mención de Calidad Métodos Estadístico-Matemáticos y Computacionales para el Tratamiento de la Información, impartido conjuntamente por las Universidades Complutense y Politécnica de Madrid desde el curso 2005-06.
Acceso a las enseñanzas oficiales de Máster
1. Para acceder a las enseñanzas oficiales de Máster será necesario estar en posesión de un título universitario oficial español u otro expedido por una institución de educación superior del Espacio Europeo de Educación Superior que facultan en el país expedidor del título para el acceso a enseñanzas de máster.
2. Así mismo, podrán acceder los titulados conforme a sistemas educativos ajenos al Espacio Europeo de Educación Superior sin necesidad de la homologación de sus títulos, previa comprobación por la Universidad de que aquellos acreditan un nivel de formación equivalente a los correspondientes títulos universitarios oficiales españoles y que facultan en el país expedidor del título para el acceso a enseñanzas de postgrado. El acceso por esta vía no implicará, en ningún caso, la homologación del título previo de que esté en posesión el interesado, ni su reconocimiento a otros efectos que el de cursar las enseñanzas de Máster.
La adquisición por parte del estudiante de una formación avanzada en el tratamiento de la información desde un punto de vista estadístico, matemático y computacional. Esta formación se adquiere partiendo de unos conocimientos básicos en Matemáticas, Cálculo de Probabilidades, Estadística y Computación, que pueden ser proporcionados por los grados de Ciencias e Ingenierías. Los estudiantes del máster obtendrán una formación puntera en áreas como data mining, teoría de redes, inferencia bayesiana, sistemas neuronales, teoría de colas, matemática financiera, información difusa o soft computing, entre otras.
Módulo 1. Fundamentos:
Métodos Clásicos en Optimización:
Técnicas numéricas
Técnicas de optimización
Técnicas de Monte Carlo
Métodos Clásicos en Estadística:
Software estadístico
Métodos de análisis multivariante
Métodos de regresión y predicción
Técnicas de Computación Inteligente:
Redes neuronales y aprendizaje estadístico
Técnicas de reconocimiento de patrones
Técnicas Estadísticas Avanzadas:
Minería de datos
Series temporales
Módulo 2. Especialización:
Inferencia bayesiana
Redes bayesianas
Cálculo estocástico en finanzas
Métodos numéricos en finanzas
Modelos estocásticos y aplicaciones
Teoría de Juegos
Modelización con Incertidumbre. Información Difusa y Soft Computing
Análisis y Modelización de Datos Categóricos. Aplicaciones
Análisis de redes sociales
Métodos tiempo-frecuencia e imágenes
Mundo interconectado. Una introducción práctica a la ciencia de las redes.
Módulo 3. Trabajo Fin de Máster
Aprender a aplicar los conocimientos adquiridos y a explotar su potencial para la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) en el tratamiento estadístico computacional de la información.
Elaborar adecuadamente y con originalidad argumentos motivados y proyectos de trabajo, redactar planes, así como formular hipótesis y conjeturas razonables en su área de especialización.
Integrar los conocimientos adecuados y enfrentarse a la complejidad de emitir juicios en función de criterios, de normas externas o de reflexiones personales justificadas.
Comunicar y presentar públicamente ideas, procedimientos o informes de investigación, así como asesorar a personas u organizaciones en el tratamiento estadístico-computacional de la información. La presentación de estas ideas debe transmitir de forma clara y precisa las conclusiones de forma que sean entendidas tanto por el especialista como por el profano en temas estadístico-computacionales.
Comprender y utilizar el lenguaje y las herramientas matemáticas para modelizar y resolver problemas complejos, reconociendo y valorando las situaciones y problemas susceptibles de ser tratados matemáticamente.
Conocer los modelos, métodos y técnicas relevantes en distintas áreas de aplicación de la Estadística matemática participando en la creación de nuevas tecnologías que contribuyan al desarrollo de la Sociedad de la Información.
Saber abstraer en un modelo matemático las propiedades y características esenciales de un problema real reconociendo su rango de aplicabilidad y limitaciones.
