Grado en Matemáticas y Ciencia de Datos.
Información del curso.
Nivel: Grado- Oficial / Homologado
Modalidad: On-line
Duración: 4 años
Créditos: 240 ECTS
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.
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.
