Criteria

Ficha del curso

Transformacion empresarial con inteligencia artificial: estrategias y aplicaciones

Curso e-Learning 10 horas Generar ficha
Transformación digital

Contenidos

Transformacion Empresarial con Inteligencia Artificial: Estrategias y Aplicaciones

MODULO.- Introduccion a la inteligencia artificial

UNIDAD - Introduccion a la Inteligencia Artificial

  • Definicion de inteligencia artificial
  • Evolucion historica de la inteligencia artificial
  • La inteligencia artificial en la vida cotidiana y en diferentes sectores
  • La inteligencia artificial como subcampo de la informatica
  • Enfoques, tecnicas y objetivos de la IA

UNIDAD - Fundamentos de Machine Learning

  • Inteligencia artificial, machine learning, deep learning y redes neuronales
  • Aprendizaje automatico (Machine Learning)
  • Tipos de Machine Learning (Supervisado, No Supervisado, por Refuerzo)
  • Caracteristicas definitorias de un algoritmo
  • Un ejemplo de las caracteristicas definitorias de un algoritmo
  • Evaluacion y mejora de modelos

UNIDAD - Modelos de procesamiento del lenguaje natural

  • Procesamiento del lenguaje natural (Natural Language Processing)
  • Tecnicas clave del procesamiento de texto
  • Modelos de procesamiento del lenguaje natural
  • Los Transformadores y el procesamiento del lenguaje natural
  • Aplicaciones del procesamiento del lenguaje natural

UNIDAD - Modelos de vision computacional

  • Vision computacional (Computer Vision)
  • Conceptos basicos de la vision computacional
  • Modelos de vision computacional
  • Procesamiento de imagenes y redes neuronales convolucionales (CNN)
  • Aplicaciones de la vision por computadora

UNIDAD - Casos de uso de la Inteligencia Artificial

  • Impacto de la inteligencia artificial en la sociedad y la economia
  • Ejemplos de aplicaciones de la IA en instituciones publicas
  • Ejemplos de aplicaciones de la IA en el mundo empresarial

UNIDAD - Aspectos eticos y legales de la inteligencia artificial

  • Explicabilidad y transparencia de los modelos de Deep Learning
  • Sesgos y discriminacion en los modelos de inteligencia artificial
  • Responsabilidad y regulacion en la IA

UNIDAD - Tendencias y desafios futuros en Inteligencia Artificial

  • Avances y retos en la investigacion de IA
  • Innovacion y oportunidades en el campo de la IA

UNIDAD - Introduccion al Big Data

  • Que es el Big Data
  • El Big Data como solucion al tratamiento masivo de datos
  • Del Business Intelligence al Big Data
  • Retos del Big Data
  • Caracteristicas del Big Data (4 V'

Objetivos

  • Aplicaciones del Big Data
  • Introduccion a las bases de datos relacionales
  • Introduccion a las bases de datos no relacionales
  • Diferencias entre SQL y NoSQL
  • Ventajas e inconvenientes de cada tipo de base de datos
  • Ejemplos de bases de datos utilizadas en Big Data
  • Hadoop como revolucion para el tratamiento paralelo de datos masivos
  • Casos de uso de Hadoop
  • El ecosistema Hadoop: HDFS y MapReduce
  • Ejemplos de HDFS y MapReduce
  • Principales lenguajes de programacion utilizados para el Big Data: Java, Scala, SQL y Python
  • Procesos ETL (extraccion, transformacion y carga): Flume, Sqoop y HIVE
  • Ejemplos de procesos ETL
  • Procesos Real Time y bases de datos de alta disponibilidad: Kafka, HBASE y Redis
  • Nuevos paradigmas del Big Data: Procesos en Real Time y Cloud Computing
  • Ventajas y desafios del procesamiento en tiempo real y del Cloud Computing
  • Ejemplos de uso del cloud computing
  • ¿Que es TensorFlow?
  • Presentacion de las diferentes tecnicas de analisis de datos
  • Tecnicas de visualizacion de datos
  • Herramientas y tecnicas para crear visualizaciones interactivas y dashboards
  • Desafios y consideraciones en la visualizacion de datos
  • Aplicaciones del Big Data en Instituciones Publicas
  • Aplicaciones del Big Data en el Mundo Empresarial
  • Analisis de los beneficios del uso del Big Data
  • Metodos de aprendizaje supervisado
  • Modelos de Algoritmos Supervisados
  • Modelos de regresion lineal
  • Modelos de regresion logistica
  • Modelos de arboles de decision
  • Modelos de maquina de vectores de soporte
  • Metodos de aprendizaje no supervisado
  • Modelos de Algoritmos no Supervisados
  • k-means
  • DBSCAN
  • Analisis de Componentes Principales (PCA)
  • Agrupamiento Jerarquico
  • Comparativa de los principales algoritmos no supervisados
  • Cuando utilizar unos u otros algoritmos de aprendizaje no supervisado
  • Como elegir el algoritmo adecuado supervisado o no supervisado
  • Aprendizaje por Refuerzo: Aprendiendo a traves de la interaccion
  • Desafios del Aprendizaje por Refuerzo
  • Los agentes en el aprendizaje por refuerzo
  • Algoritmos de Aprendizaje por Refuerzo
  • Los enfoques heuristicos en la inteligencia artificial
  • Algoritmos geneticos
  • Recocido simulado
  • Busqueda tabu
  • Algoritmos voraces
  • Deep Learning: Aprendiendo representaciones jerarquicas
  • Desafios del Deep Learning
  • Redes neuronales artificiales
  • Conceptos basicos de las redes neuronales
  • Capas de neuronas de una red artificial
  • Parametros de un modelo de inteligencia artificial
  • Entrenamiento de redes neuronales
  • Tecnicas de entrenamiento de una red neuronal
  • Aprendizaje por transferencia
  • Tipos de arquitecturas de Deep Learning
  • Redes Neuronales Recurrentes (RNN)
  • Redes neuronales convolucionales (CNN)
  • Redes Generativas Adversarias (GAN)
  • Redes Neuronales Transformadoras (TNN)
  • Comparativa entre las distintas arquitecturas de Deep Learning
  • Introduccion a Weka y Orange
  • ¿Que son Weka y Orange?
  • Importancia de Weka y Orange en el Aprendizaje Automatico
  • Comparacion entre Weka y Orange: Ventajas y Desventajas
  • Instalacion y Configuracion de Weka y Orange
  • Exploracion de la Interfaz de Weka
  • Vision General de la Interfaz de Weka
  • Modos de Weka: Explorador, Experto, Flujo de Trabajo
  • Descripcion de Modulos Clave en el Explorador
  • Exploracion de la Interfaz de Orange
  • Introduccion a la Interfaz Visual de Orange
  • Comprension de los Widgets de Orange
  • Creacion de un Flujo de Trabajo Basico en Orange
  • Importacion y Preparacion de Datos en Weka y Orange
  • Fuentes de Datos
  • Preprocesamiento de Datos
  • Visualizacion de Datos
  • Implementacion de Modelos de Aprendizaje Automatico
  • Modelos Supervisados en Weka y Orange
  • Modelos No Supervisados en Weka y Orange
  • Algoritmos de Aprendizaje por Refuerzo
  • Modelos Profundos (Deep Learning)
  • Evaluacion y Validacion de Modelos
  • Metodos de Validacion
  • Metricas de Evaluacion
  • Evaluacion de Modelos en Weka
  • Evaluacion de Modelos en Orange
  • Analisis de Resultados
  • Visualizacion de Resultados
  • Visualizacion de Resultados en Weka
  • Visualizacion de Resultados en Orange
  • Interpretacion de Visualizaciones para la Toma de Decisiones
  • Casos Practicos y Ejercicios
  • Estudio de Caso 1: Clasificacion de Datos Medicos
  • Estudio de Caso 2: Segmentacion de Clientes
  • Automatizacion y Flujo de Trabajo en Weka/Orange
  • Creacion de Flujos de Trabajo Automatizados en Weka
  • Uso de Scripts Python en Orange para Automatizacion
  • Exportacion e Implementacion de Modelos en Entornos de Produccion
  • Conclusiones y Buenas Practicas
  • Conclusiones
  • Buenas practicas

Volver al catálogo