Grado en Matemáticas y Ciencia de Datos
Información del curso
Descripción
El perfil de AI Engineer fue el de mayor crecimiento en LinkedIn en 2025, con un incremento del 60% en nuevas publicaciones interanuales (Intuition Labs, 2025). Sin embargo, de forma simultánea, la contratación en el sector tecnológico ha experimentado una contracción hasta niveles no observados en décadas.
¿Cómo se explica esta aparente paradoja?
La demanda de talento especializado no solo persiste, sino que se intensifica. El desajuste radica, fundamentalmente, en la insuficiente adecuación de muchos perfiles profesionales a las exigencias reales del mercado. En particular, se observa una brecha significativa entre la formación recibida y las competencias requeridas: no basta con programar, sino que resulta imprescindible saber formular problemas, diseñar modelos y tomar decisiones en entornos complejos dominados por la inteligencia artificial.
En este contexto, el Grado en Matemáticas y Ciencia de Datos de la Universidad de las Hespérides surge como una respuesta académica a dicha brecha. Con un claustro integrado por profesionales en activo en algunas de las compañías tecnológicas más exigentes, se configura como un programa selectivo orientado a formar perfiles capaces no solo de utilizar herramientas de inteligencia artificial, sino de comprender sus fundamentos, diseñarlas y aplicarlas con criterio en contextos reales.
Ante esta realidad, la pregunta clave es: ¿quieres limitarte a utilizar la inteligencia artificial o aspiras a comprenderla, diseñarla y aplicarla con criterio en entornos reales?
La inteligencia artificial necesita perfiles capaces de entenderla, construirla y llevarla a producción.
En este grado, la teoría y la implementación no se estudian por separado: cada concepto matemático se traduce en código y cada modelo se valida en entornos reales. El objetivo no es solo aprender IA, sino operar con mentalidad de sistema.
El alumno trabaja desde los fundamentos —aprendizaje estadístico, optimización, backpropagation y generalización— hasta el desarrollo con frameworks como PyTorch, Keras o JAX, y el despliegue mediante herramientas de MLOps como MLflow, W&B, Git, Docker, Kubernetes y cloud.
Además, se abordan sistemas a escala: procesamiento distribuido, computación en GPU y arquitecturas para grandes volúmenes de datos con tecnologías como Spark y Ray.
El resultado es un perfil capaz de moverse entre matemáticas, ingeniería y ejecución real: entre el modelo y el sistema. Ahí se están creando algunos de los roles más demandados y mejor remunerados de la industria.
Temario
Primer curso
Primer semestre
- Álgebra y Geometría
- Cálculo
- Introducción al Derecho
- Principios de Economía I
- Introducción a las Ciencias
- Programación I
Segundo semestre
- Filosofía Política
- Introducción a la Metodología de las Ciencias Sociales
- Emprendimiento
- Principios de Economía II
- Programación II
- Álgebra Lineal
- Análisis Matemático I: Cálculo Diferencial
Segundo curso
Primer semestre
- Estructuras Algebraicas
- Análisis Matemático II: Cálculo Integral
- Geometría Lineal
- Topología
- Estructuras y Bases de Datos para la Ciencia de Datos
Segundo semestre
- Análisis Matemático III: Cálculo en Varias Variables
- Probabilidad y Estadística
- Geometría Diferencial de Curvas y Superficies
- Métodos Bayesianos
- Cálculo Numérico
Tercer curso
Primer semestre
- Ecuaciones Diferenciales Ordinarias
- Análisis Matemático IV: Variable Compleja
- Inferencia Estadística
- Aprendizaje Automático: Fundamentos de Machine Learning (inglés)
- Métodos de Optimización en Ciencia de Datos
- Optativa 1
Segundo semestre
- Ecuaciones en Derivadas Parciales
- Teoría de la Medida
- Procesos Estocásticos
- Redes Neuronales y Aprendizaje Profundo
- Simulación de Sistemas Aleatorios en Ciencia de Datos
Cuarto curso
Primer semestre
- Cálculo Estocástico y Modelización Financiera
- Proyectos Aplicados en Ciencia de Datos en la Empresa
- Inteligencia Artificial (inglés)
- Simulación Numérica en Ingeniería (EDPs)
- Optativa 2
Segundo semestre
- Optativa 3
- Optativa 4
- Prácticas Académicas Externas
- Trabajo Fin de Grado
Oferta de asignaturas optativas
3.º curso (primer semestre)
- Modelización de Derivados Financieros
- Modelos Dinámicos
- Análisis de Fourier
4.º curso (primer semestre)
- Econometría I
- Arquitectura Avanzada de Código en Python
- Topología Algebraica
4.º curso (segundo semestre)
- Redes Neuronales Avanzadas
- Programación Avanzada orientada a los Mercados Financieros
- Econometría II: Modelos de Series Temporales
- Teoría de Juegos
- Análisis Funcional
- Álgebra Conmutativa
Metodología
En .h, estarás constantemente inmerso en un ecosistema digital de aprendizaje activo y colaborativo. Más que un observador, serás parte de una comunidad dinámica de aprendizaje con miembros de distintas partes del mundo.
Clases sincrónicas
Videoconferencias en tiempo real, donde tus profesores facilitarán experiencias de aprendizaje colaborativo y podrás explorar el contenido de forma activa. Si no puedes asistir a estas sesiones sincrónicas, tendrás la posibilidad de recuperar tu clase viendo la grabación y haciendo los ejercicios propuestos.
Clases asincrónicas
Sesiones de aprendizaje guiadas por vídeos de tus profesores, acompañados de actividades para realizar de forma individual o en equipo. Podrás explorar los vídeos, producidos en nuestro estudio de grabación .h, a tu ritmo y en todo momento.
Duración
Perspectivas laborales
Entornos cuantitativos y financieros de alto nivel
Diseño y análisis de modelos para valoración, riesgo y toma de decisiones en contextos altamente competitivos.
Tecnología avanzada e inteligencia artificial
Desarrollo, evaluación y mejora de sistemas donde la comprensión profunda de los modelos y sus límites es clave.
Consultoría estratégica y resolución de problemas complejos
Análisis de situaciones ambiguas y toma de decisiones en organizaciones de alto impacto.
Estrategia en empresas tecnológicas
Definición de modelos de negocio, análisis de producto y toma de decisiones en entornos de alta incertidumbre.
Análisis de datos y modelización avanzada
Construcción de modelos y extracción de conocimiento en entornos donde los datos requieren interpretación rigurosa.
Investigación académica y pensamiento avanzado
Carrera en matemáticas, filosofía o disciplinas interdisciplinarias en instituciones de referencia.
Política pública y análisis institucional
Evaluación de políticas, regulación y toma de decisiones en organismos donde el rigor analítico es clave.
Promociones
