MÓDULO.- Introducción a la inteligencia artificial
UNIDAD.- Introducción a la Inteligencia Artificial
Definición de inteligencia artificial
Evolución histórica de la inteligencia artificial
La inteligencia artificial en la vida cotidiana y en diferentes sectores
La inteligencia artificial como subcampo de la informática
Enfoques, técnicas y objetivos de la IA
UNIDAD.- Fundamentos de Machine Learning
Inteligencia artificial, machine learning, deep learning y redes neuronales
Aprendizaje automático (Machine Learning)
Tipos de Machine Learning (Supervisado, No Supervisado, por Refuerzo)
Características definitorias de un algoritmo
Un ejemplo de las características definitorias de un algoritmo
Evaluación y mejora de modelos
UNIDAD.- Modelos de procesamiento del lenguaje natural
Procesamiento del lenguaje natural (Natural Language Processing)
Técnicas 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 visión computacional
Visión computacional (Computer Vision)
Conceptos básicos de la visión computacional
Modelos de visión computacional
Procesamiento de imágenes y redes neuronales convolucionales (CNN)
Aplicaciones de la visión por computadora
UNIDAD.- Casos de uso de la Inteligencia Artificial
Impacto de la inteligencia artificial en la sociedad y la economía
Ejemplos de aplicaciones de la IA en instituciones públicas
Ejemplos de aplicaciones de la IA en el mundo empresarial
UNIDAD.- Aspectos éticos y legales de la inteligencia artificial
Explicabilidad y transparencia de los modelos de Deep Learning
Sesgos y discriminación en los modelos de inteligencia artificial
Responsabilidad y regulación en la IA
UNIDAD.- Tendencias y desafíos futuros en Inteligencia Artificial
Avances y retos en la investigación de IA
Innovación y oportunidades en el campo de la IA
UNIDAD.- Introducción al Big Data
Qué es el Big Data
El Big Data como solución al tratamiento masivo de datos
Del Business Intelligence al Big Data
Retos del Big Data
Características del Big Data (4 V's)
Aplicaciones del Big Data
UNIDAD.- Bases de datos
Introducción a las bases de datos relacionales
Introducción 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 revolución 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 programación utilizados para el Big Data: Java, Scala, SQL y Python
Procesos ETL (extracción, transformación y carga): Flume, Sqoop y HIVE
Ejemplos de procesos ETL
Procesos Real Time y bases de datos de alta disponibilidad: Kafka, HBASE y Redis
UNIDAD.- Arquitectura de Big Data
Nuevos paradigmas del Big Data: Procesos en Real Time y Cloud Computing
Ventajas y desafíos del procesamiento en tiempo real y del Cloud Computing
Ejemplos de uso del cloud computing
¿Qué es TensorFlow?
Presentación de las diferentes técnicas de análisis de datos
Técnicas de visualización de datos
Herramientas y técnicas para crear visualizaciones interactivas y dashboards
Desafíos y consideraciones en la visualización de datos
UNIDAD.- Casos de uso de Big Data:
Aplicaciones del Big Data en Instituciones Públicas
Aplicaciones del Big Data en el Mundo Empresarial
Análisis de los beneficios del uso del Big Data
MÓDULO.- Aplicación del algoritmo de inteligencia artificial
UNIDAD.- Aprendizaje Supervisado
Métodos de aprendizaje supervisado
Modelos de Algoritmos Supervisados
Modelos de regresión lineal
Modelos de regresión logística
Modelos de árboles de decisión
Modelos de máquina de vectores de soporte
UNIDAD.- Aprendizaje No Supervisado
Métodos de aprendizaje no supervisado
Modelos de Algoritmos no Supervisados
k-means
DBSCAN
Análisis de Componentes Principales (PCA)
Agrupamiento Jerárquico
Comparativa de los principales algoritmos no supervisados
Cuándo utilizar unos u otros algoritmos de aprendizaje no supervisado
Cómo elegir el algoritmo adecuado supervisado o no supervisado
UNIDAD.- Aprendizaje por Refuerzo
Aprendizaje por Refuerzo: Aprendiendo a través de la interacción
Desafíos del Aprendizaje por Refuerzo
Los agentes en el aprendizaje por refuerzo
Algoritmos de Aprendizaje por Refuerzo
UNIDAD.- Enfoques heurísticos
Los enfoques heurísticos en la inteligencia artificial
Algoritmos genéticos
Recocido simulado
Búsqueda tabú
Algoritmos voraces
UNIDAD.- Deep Learning y Redes Neuronales
Deep Learning: Aprendiendo representaciones jerárquicas
Desafíos del Deep Learning
Redes neuronales artificiales
Conceptos básicos de las redes neuronales
Capas de neuronas de una red artificial
Parámetros de un modelo de inteligencia artificial
Entrenamiento de redes neuronales
Técnicas de entrenamiento de una red neuronal
Aprendizaje por transferencia
UNIDAD.- Arquitecturas de Deep Learning
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
MÓDULO.- Asimilación de ejemplos con Weka/Orange
UNIDAD.- Introducción a Weka y Orange
Introducción a Weka y Orange
¿Qué son Weka y Orange?
Importancia de Weka y Orange en el Aprendizaje Automático
Comparación entre Weka y Orange: Ventajas y Desventajas
Instalación y Configuración de Weka y Orange
UNIDAD.- Exploración de la Interfaz de Weka
Exploración de la Interfaz de Weka
Visión General de la Interfaz de Weka
Modos de Weka: Explorador, Experto, Flujo de Trabajo
Descripción de Módulos Clave en el Explorador
UNIDAD.- Exploración de la Interfaz de Orange
Exploración de la Interfaz de Orange
Introducción a la Interfaz Visual de Orange
Comprensión de los Widgets de Orange
Creación de un Flujo de Trabajo Básico en Orange
UNIDAD.- Importación y Preparación de Datos en Weka y Orange
Importación y Preparación de Datos en Weka y Orange
Fuentes de Datos
Preprocesamiento de Datos
Visualización de Datos
UNIDAD.- Implementación de Modelos de Aprendizaje Automático
Implementación de Modelos de Aprendizaje Automático
Modelos Supervisados en Weka y Orange
Modelos No Supervisados en Weka y Orange
Algoritmos de Aprendizaje por Refuerzo
Modelos Profundos (Deep Learning)
UNIDAD.- Evaluación y Validación de Modelos
Evaluación y Validación de Modelos
Métodos de Validación
Métricas de Evaluación
Evaluación de Modelos en Weka
Evaluación de Modelos en Orange
Análisis de Resultados
UNIDAD.- Visualización de Resultados
Visualización de Resultados
Visualización de Resultados en Weka
Visualización de Resultados en Orange
Interpretación de Visualizaciones para la Toma de Decisiones
UNIDAD.- Casos Prácticos y Ejercicios
Casos Prácticos y Ejercicios
Estudio de Caso 1: Clasificación de Datos Médicos
Estudio de Caso 2: Segmentación de Clientes
UNIDAD.- Automatización y Flujo de Trabajo en Weka/Orange
Automatización y Flujo de Trabajo en Weka/Orange
Creación de Flujos de Trabajo Automatizados en Weka
Uso de Scripts Python en Orange para Automatización
Exportación e Implementación de Modelos en Entornos de Producción
UNIDAD.- Conclusiones y Buenas Prácticas
Conclusiones y Buenas Prácticas
Conclusiones
Buenas prácticas
En Criteria creemos que para que la formación e-Learning sea realmente exitosa, tiene que estar basada en contenidos 100% multimedia (imágenes, sonidos, vídeos, etc.) diseñados con criterio pedagógico y soportados en una plataforma que ofrezca recursos de comunicación como chats, foros y conferencias…
Esto se logra gracias al trabajo coordinado de nuestro equipo e-Learning integrado por profesionales en pedagogía, diseño multimedia y docentes con mucha experiencia en las diferentes áreas temáticas de nuestro catálogo.