Saltar al contenido
En colaboración con
Formación online Hasta el 100% Bonificado

Executive Master en Ética e Inteligencia Artificial

Duración total 1500 horas
Modalidad Online
Convocatoria Abierta
Descargar Dossier

Precio 1.995 €

Solicitar información

Resumen del curso

Descripción

El avance imparable de la tecnología, la inteligencia artificial y los robots alumbra nuevas preguntas y cuestionamientos acerca del uso ético de las innovaciones. Este Master en Ética e Inteligencia Artificial es un compendio formativo que cubre disciplinas interrelacionadas como el procesamiento natural del lenguaje, el machine learning, el análisis de datos, el Big Data o inteligencia de datos y el proceso de toma de decisiones empresarial. En definitiva, este programa educativo online ofrece una visión profunda y exhaustiva del panorama actual de las diferentes facetas de la inteligencia artificial y la aplicación ética de esta en el procesamiento de datos y las máquinas que funcionan con IA.

Objetivos

  • Poder desarrollar un proyecto de Big Data haciendo uso de las herramientas de Business Intelligence.
  • Aplicar correctamente el lenguaje Python y React en analítica e inteligencia de datos.
  • Visualizar los datos y elaborar informes utilizando herramientas especializadas como Tableau, Google Data Studio o ggplot2.
  • Ser capaz de implementar algoritmos de aprendizaje automático y aplicar TensorFlow, Keras y Python en redes neuronales.
  • Conocer la actualidad ética, política y jurídica de la moral de las máquinas e integrarla en la toma de decisiones empresariales.

¿Para qué te prepara?

Con este Executive Master en Ética e Inteligencia Artificial podrás comprender la situación actual de la inteligencia artificial y su aplicación en el ámbito empresarial y estratégico. A su vez, aprenderás a manejar herramientas de extracción, análisis y visualización de datos a un alto nivel. También conocerás ámbitos relacionados con la IA como la creación de chatbots o el data storytelling.

¿A quién va dirigido?

Este Executive Master en Ética e Inteligencia Artificial puede abarcar el área de interés de varios perfiles profesionales. Los analistas de datos, ingenieros, CMO, business strategists e incluso juristas especializados en el ámbito digital pueden beneficiarse de esta formación integral en IA. Conviene tener conocimientos en lenguajes de programación como Python o React.

Salidas profesionales

Este Executive Master en Ética e Inteligencia Artificial es perfecto para todos aquellos profesionales del ámbito jurídico, empresarial, informático o analítico que aspiren a especializarse en la floreciente inteligencia artificial. Sus posibles salidas laborales son ingeniero de inteligencia artificial, desarrollador de machine learning, data scientist y AI strategist.

Temario

MÓDULO 1. FUNDAMENTO DE ÉTICA EMPRESARIAL
UNIDAD DIDÁCTICA 1. LA ÉTICA EN EL CONTEXTO CORPORATIVO.
  1. Definición de ética.
  2. Normas.
  3. Principios éticos.
  4. Los códigos éticos.
UNIDAD DIDÁCTICA 2. EL PROCESO DE TOMA DE DECISIONES.
  1. La toma de decisiones.
  2. Tipos de decisiones.
  3. Criterios de decisión. Ambientes.
  4. Decisiones secuenciales. Árboles de decisión.
UNIDAD DIDÁCTICA 3. EL MÉTODO RACIONAL O DE OPTIMIZACIÓN EN LA TOMA DE DECISIONES.
  1. Introducción.
  2. Los métodos cuantitativos.
  3. Esquemas resumen.
UNIDAD DIDÁCTICA 4. LA IMPLEMENTACIÓN DE LAS DECISIONES.
  1. Procesos de la implementación.
  2. Evaluación.
  3. Resultados.
  4. Consecuencias de la no implementación.
MÓDULO 2. BIG DATA, BUSINESS INTELLIGENCE Y DATA SCIENCE
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
  1. ¿Qué es Big Data?
  2. La era de las grandes cantidades de información: historia del Big Data
  3. La importancia de almacenar y extraer información
  4. Big Data enfocado a los negocios
  5. Open data
  6. Información pública
  7. IoT (internet of things-internet de las cosas)
UNIDAD DIDÁCTICA 2. FASES DE UN PROYECTO DE BIG DATA
  1. Diagnóstico inicial
  2. Diseño del proyecto
  3. Proceso de implementación
  4. Monitorización y control del proyecto
  5. Responsable y recursos disponibles
  6. Calendarización
  7. Alcance y valoración económica del proyecto
UNIDAD DIDÁCTICA 3. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
  1. Definiendo el concepto de Business Intelligence y sociedad de la información
  2. Arquitectura de una solución Business Intelligence
  3. Business Intelligence en los departamentos de la empresa
  4. Conceptos de plan director, plan estratégico y plan de operativa anual
  5. Sistemas operacionales y procesos ETL en un sistema de BI
  6. Ventajas y factores de riesgos del Business Intelligence
UNIDAD DIDÁCTICA 4. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
  1. Cuadros de mando integrales (CMI)
  2. Sistemas de soporte a la decisión (DSS)
  3. Sistemas de información ejecutiva (EIS)
UNIDAD DIDÁCTICA 5. MINERÍA DE DATOS Y APRENDIZAJE AUTOMÁTICO: FUNDAMENTOS
  1. Introducción a la minería de datos y el aprendizaje automático
  2. Proceso KDD
  3. Modelos y técnicas de Data Mining
  4. Áreas de aplicación
  5. Minería de textos y web mining
  6. Data Mining y marketing
UNIDAD DIDÁCTICA 6. ARQUITECTURAS DE ALMACENAMIENTO DE DATOS: DATAMART Y DATA WAREHOUSE
  1. Aproximación al concepto de DataMart
  2. Bases de datos OLTP y OLAP
  3. Variantes OLAP: MOLAP, ROLAP y HOLAP
  4. Herramientas para el desarrollo de cubos OLAP
  5. Qué es un Data Warehouse: estructura y construcción
  6. Fases de implantación y características de un Data Warehouse
  7. Data Warehouse en la nube
UNIDAD DIDÁCTICA 7. CIENCIA DE DATOS, STORYTELLING Y COMUNICACIÓN DE RESULTADOS
  1. ¿Qué es la ciencia de datos?
  2. Herramientas y perfil profesional del científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en protección de datos
  5. Qué es y por qué importa el data storytelling
  6. Elementos clave y metodología para construir un data story
  7. Inteligencia analítica de negocio y análisis de redes sociales
  8. Presentación de resultados
MÓDULO 3. VISUALIZACIÓN DE DATOS
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS
  1. ¿Qué es la visualización de datos?
  2. Importancia y herramientas de la visualización de datos
  3. Visualización de datos: Principios básicos
UNIDAD DIDÁCTICA 2. TABLEAU
  1. ¿Qué es Tableau? Usos y aplicaciones
  2. Tableau Server: Arquitectura y Componentes
  3. Instalación Tableau
  4. Espacio de trabajo y navegación
  5. Conexiones de datos en Tableau
  6. Tipos de filtros en Tableau
  7. Ordenación de datos, grupos, jerarquías y conjuntos
  8. Tablas y gráficos en Tableau
UNIDAD DIDÁCTICA 3. D3 (DATA DRIVEN DOCUMENTS)
  1. Fundamentos D3
  2. Instalación D3
  3. Funcionamiento D3
  4. SVG
  5. Tipos de datos en D3
  6. Diagrama de barras con D3
  7. Diagrama de dispersión con D3
UNIDAD DIDÁCTICA 4. LOOKER STUDIO (GOOGLE DATA STUDIO)
  1. Visualización de datos
  2. Tipologías de gráficos
  3. Fuentes de datos
  4. Creación de informes
UNIDAD DIDÁCTICA 5. QLIKVIEW
  1. Instalación y arquitectura
  2. Carga de datos
  3. Informes
  4. Transformación y modelo de datos
  5. Análisis de datos
UNIDAD DIDÁCTICA 6. POWER BI
  1. Introducción a Power BI
  2. Instalación de Power BI
  3. Modelado de datos
  4. Visualización de datos
  5. Dashboards
  6. Uso compartido de datos
UNIDAD DIDÁCTICA 7. CARTO
  1. CartoDB
  2. ¿Qué es CARTO?
  3. Carga y uso de datos. Tipos de análisis
  4. Programación de un visor con la librería CARTO.js
  5. Uso de ejemplos y ayudas de la documentación de la API
MÓDULO 4. VISUALIZACIÓN DE DATOS EN R CON GGPLOT2
UNIDAD DIDÁCTICA 1. GGPLOT2 COMO LIBRERÍA PARA VISUALIZACIÓN DE DATOS EN R
  1. Introducción a Gplot
  2. El paquete ggplot2
UNIDAD DIDÁCTICA 2. EJES
  1. Cambiar títulos de eje
  2. Aumentar el espacio entre ejes y títulos de ejes
  3. Cambiar la estética de los títulos de Axis
  4. Cambiar la estética del texto del eje
  5. Texto del eje de rotación
  6. Eliminar texto de eje y marcas
  7. Eliminar títulos de eje
  8. Límite del rango del eje
  9. Forzar el trazado para que comience en el origen
  10. Ejes con la misma escala
  11. Usar una función para modificar etiquetas
UNIDAD DIDÁCTICA 3. TÍTULOS
  1. Añade un título
  2. Ajustar la posición de los títulos
  3. Use una fuente no tradicional en su título
  4. Cambiar espaciado en texto de varias líneas
UNIDAD DIDÁCTICA 4. LEYENDAS
  1. Trabajando con leyendas
  2. Apaga la leyenda
  3. Eliminar títulos de leyenda
  4. Cambiar la posición de la leyenda
  5. Cambiar la dirección de la leyenda
  6. Cambiar el estilo del título de la leyenda
  7. Cambiar título de leyenda
  8. Cambiar el orden de las claves de leyenda
  9. Cambiar etiquetas de leyenda
  10. Cambiar cuadros de fondo en la leyenda
  11. Cambiar el tamaño de los símbolos de leyenda
  12. Dejar una capa fuera de la leyenda
  13. Adición manual de elementos de leyenda
  14. Usar otros estilos de leyenda
UNIDAD DIDÁCTICA 5. FONDOS Y LÍNEAS DE CUADRÍCULA
  1. Cambiar el color de fondo del panel
  2. Cambiar líneas de cuadrícula
  3. Cambiar el espaciado de las líneas de cuadrícula
  4. Cambiar el color de fondo de la trama
UNIDAD DIDÁCTICA 6. MÁRGENES
  1. Trabajar con márgenes
UNIDAD DIDÁCTICA 7. GRÁFICOS DE PANELES MÚLTIPLES
  1. Trabajar con gráficos de paneles múltiples
  2. Crear múltiplos pequeños basados en una variable
  3. Permitir que los ejes deambulen libremente
  4. Uso facet_wrapcon dos variables
  5. Modificar el estilo de los textos de la tira
  6. Crear un panel de diferentes parcelas
UNIDAD DIDÁCTICA 8. COLORES
  1. Trabajar con colores
  2. Especificar colores individuales
  3. Asignar colores a las variables
  4. Variables Cualitativas
  5. Seleccionar manualmente colores cualitativos
  6. Utilice paletas de colores cualitativas integradas
  7. Use paletas de colores cualitativos de paquetes de extensión
  8. Variables Cuantitativas
  9. La paleta de colores Viridis
  10. Usar paletas de colores cuantitativas de paquetes de extensión
  11. Modificar paletas de colores después
UNIDAD DIDÁCTICA 9. TEMAS
  1. Cambiar el estilo de trazado general
  2. Cambiar la fuente de todos los elementos de texto
  3. Cambiar el tamaño de todos los elementos de texto
  4. Cambiar el tamaño de todos los elementos de línea y rectángulo
  5. Crea tu propio tema
  6. Actualizar el tema actual
UNIDAD DIDÁCTICA 10. LÍNEAS
  1. Agregar líneas horizontales o verticales a un gráfico
  2. Agregar una línea dentro de un gráfico
  3. Agregar líneas curvas y flechas a un gráfico
UNIDAD DIDÁCTICA 11. TEXTO
  1. Agregue etiquetas
  2. Agregar anotaciones de texto
  3. Use Markdown y HTML Rendering para anotaciones
UNIDAD DIDÁCTICA 12. COORDENADAS
  1. Voltear una parcela
  2. arreglar un eje
  3. Invertir un eje
  4. Transformar un eje
  5. Circularizar una parcela
UNIDAD DIDÁCTICA 13. TIPOS DE GRÁFICOS
  1. Alternativas a un diagrama de caja
  2. Crear una representación de alfombra en un gráfico
  3. Crear una matriz de correlación
  4. Crear un gráfico de contorno
  5. Crear un mapa de calor
  6. Crear un diagrama de cresta
UNIDAD DIDÁCTICA 14. CINTAS
  1. Trabajar con cintas (AUC, CI, etc.)
UNIDAD DIDÁCTICA 15. SUAVIZADOS
  1. Predeterminado: agregar un suavizado LOESS o GAM
UNIDAD DIDÁCTICA 16. GRÁFICOS INTERACTIVOS
  1. Trabajar con gráficos interactivos
MÓDULO 5. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1. QUÉ ES LA INTELIGENCIA ARTIFICIAL Y CÓMO SE ORGANIZA EL CAMPO
  1. Definiciones de inteligencia artificial: actuar como humanos frente a actuar racionalmente
  2. El agente inteligente: percepción, entorno y racionalidad
  3. Tipos de agentes: reactivos, basados en objetivos, en utilidad y que aprenden
  4. IA débil, IA general y superinteligencia: dónde está hoy la frontera
  5. Las ramas de la IA y cómo se relacionan: simbólica, aprendizaje automático, percepción, lenguaje y robótica
UNIDAD DIDÁCTICA 2. EVOLUCIÓN DE LA INTELIGENCIA ARTIFICIAL: HITOS Y CICLOS DE EXPECTATIVAS
  1. Los orígenes: Turing, la cibernética y la conferencia de Dartmouth
  2. La IA simbólica y los inviernos de la IA
  3. Del auge de los sistemas expertos a los métodos estadísticos
  4. Hitos recientes que explican la adopción actual de la IA
  5. Ciclos de expectativas: cómo evaluar con criterio las promesas de la IA
UNIDAD DIDÁCTICA 3. RESOLUCIÓN DE PROBLEMAS MEDIANTE BÚSQUEDA Y OPTIMIZACIÓN
  1. Formulación de problemas como espacio de estados
  2. Búsqueda no informada y búsqueda heurística: del recorrido en anchura al algoritmo A*
  3. Búsqueda en entornos competitivos: minimax y poda alfa-beta
  4. Búsqueda local y metaheurísticas: ascenso de colinas y recocido simulado
  5. Algoritmos genéticos e inteligencia de enjambre aplicados a la optimización
UNIDAD DIDÁCTICA 4. REPRESENTACIÓN DEL CONOCIMIENTO
  1. Lógica proposicional y de predicados para representar conocimiento
  2. Reglas de producción, redes semánticas y marcos
  3. Ontologías y grafos de conocimiento: diseño y usos en la empresa
  4. IA neurosimbólica: cómo se combinan razonamiento simbólico y aprendizaje
UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS BASADOS EN REGLAS
  1. Arquitectura de un sistema experto: base de conocimiento, motor de inferencia e interfaz
  2. Estrategias de inferencia: encadenamiento hacia delante y hacia atrás
  3. Ingeniería del conocimiento: adquisición y validación con personas expertas
  4. Construcción de un sistema experto con un motor de reglas
  5. Dominios de aplicación y límites de los sistemas expertos
UNIDAD DIDÁCTICA 6. RAZONAMIENTO CON INCERTIDUMBRE Y TOMA DE DECISIONES
  1. Probabilidad y teorema de Bayes como base del razonamiento incierto
  2. Redes bayesianas para modelar relaciones causales y diagnósticos
  3. Lógica difusa para decidir con información imprecisa
  4. Procesos de decisión de Markov: decisiones secuenciales con recompensas
  5. Fundamentos del aprendizaje por refuerzo: políticas, recompensas y Q-learning
MÓDULO 6. MACHINE LEARNING Y DEEP LEARNING
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
  1. Introducción
  2. Clasificación de algoritmos de aprendizaje automático
  3. Ejemplos de aprendizaje automático
  4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
  5. Tipos de algoritmos de aprendizaje automático
  6. El futuro del aprendizaje automático
UNIDAD DIDÁCTICA 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
  1. Introducción
  2. Algoritmos
UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN
  1. Introducción
  2. Filtrado colaborativo
  3. Clusterización
  4. Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN
  1. Clasificadores
  2. Algoritmos
UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING
  1. Componentes
  2. Aprendizaje
UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN
  1. Introducción
  2. El proceso de paso de DSS a IDSS
  3. Casos de aplicación
UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES
  1. Redes neuronales
  2. Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 9. REDES DE UNA SOLA CAPA
  1. Perceptrón de una capa y multicapa
  2. Ejemplo de perceptrón
UNIDAD DIDÁCTICA 10. REDES MULTICAPA
  1. Tipos de redes profundas
  2. Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 11. ESTRATEGIAS DE APRENDIZAJE
  1. Entrada y salida de datos
  2. Entrenar una red neuronal
  3. Gráficos computacionales
  4. Implementación de una red profunda
  5. El algoritmo de propagación directa
  6. Redes neuronales profundas multicapa
MÓDULO 7. INTELIGENCIA ARTIFICIAL Y ÉTICA
UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL Y FUNDAMENTOS ÉTICOS
  1. Ética normativa y ética aplicada
  2. Historia y caracteres de la ética de la inteligencia artificial
  3. Ética realista y ética ficción
  4. Inteligencia artificial como objeto y sujeto
  5. Singularidad tecnológica y futuro de la especie humana
  6. Machine ethics. Nuevos entes autónomos y estatus moral
  7. Controversias éticas de la aplicación de la inteligencia artificial
  8. Bioética e inteligencia artificial
  9. Democracia e inteligencia artificial
UNIDAD DIDÁCTICA 2. ÉTICA DE GOBERNANZA E INTELIGENCIA ARTIFICIAL
  1. Gobernanza como sistema de prevención y control de riesgos en la inteligencia artificial
  2. Papel de la UE en la gobernanza de la inteligencia artificial
  3. Evaluaciones de impacto social, ético y legal de inteligencia artificial de alto riesgo
  4. Elaboración de un plan de gobernanza
UNIDAD DIDÁCTICA 3. INTELIGENCIA ARTIFICIAL CONFIABLE. EXPLICABILIDAD Y SESGO
  1. Principios de la inteligencia artificial responsable
  2. Aspectos de diseño éticos para Machine Learning
  3. Inteligencia artificial explicable (XAI). Hacia la IA responsable
  4. Imparcialidad de Datos (Fairness). Control del sesgo en los modelos
  5. Escenarios con modelos de IA de alto riesgo
  6. Auditabilidad en los sistemas de inteligencia artificial
  7. Sandbox normativo piloto del futuro reglamentario de IA en España
  8. Transparencia en modelos de Machine Learning
  9. Análisis de herramientas software para medir la imparcialidad
UNIDAD DIDÁCTICA 4. ÉTICA DE LA INTELIGENCIA ARTIFICIAL
  1. Metodología de la ética en la inteligencia artificial
  2. Agentes artificiales morales
  3. Moralidad artificial desde un enfoque funcionalista
  4. Objeciones acerca de agencias morales artificiales
  5. Responsabilidad y Derechos de los robots
UNIDAD DIDÁCTICA 5. FILOSOFÍA POLÍTICA DE LA INTELIGENCIA ARTIFICIAL
  1. Introducción a la filosofía política de la inteligencia artificial
  2. Empleo e inteligencia artificial
  3. Relaciones humanas e inteligencia artificial
  4. Funciones de los Estados e inteligencia artificial
  5. Educación e inteligencia artificial
  6. Salud e inteligencia artificial
  7. Movilidad e inteligencia artificial
  8. Articulación entre ética y política sobre la inteligencia artificial
  9. Globalización e inteligencia artificial
UNIDAD DIDÁCTICA 6. INTELIGENCIA ARTIFICIAL, SOSTENIBILIDAD Y ÉTICA MEDIOAMBIENTAL
  1. Digitalización al servicio de los Objetivos de Desarrollo Sostenible (ODS)
  2. Estrategia Europea de transición hacia una economía sostenible
  3. Cambio climático global
  4. Mejora de eficiencia en procesos organizativos con IA.
  5. Mejora de eficiencia en prácticas individuales con IA.
  6. Ética ambiental e inteligencia artificial
UNIDAD DIDÁCTICA 7. ÉTICA DE LA GUERRA E INTELIGENCIA ARTIFICIAL
  1. Armas autónomas
  2. Intervenciones militares teledirigidas
  3. Ética de la guerra
UNIDAD DIDÁCTICA 8. TECNOLOGÍA, ÉTICA Y DERECHO DE LA REALIDAD VIRTUAL
  1. El metaverso
  2. Gemelos digitales humanos
  3. Creación de universos paralelos en 3D
UNIDAD DIDÁCTICA 9. ÉTICA DE LA INTELIGENCIA ARTIFICIAL INTERACTIVA Y ROBÓTICA SOCIAL
  1. Sistemas autónomos en el ámbito laboral
  2. Inteligencia artificial para la mejora de calidad de vida en ciudades. Mejora del impacto medioambiental
  3. Combinación de smart cities, internet de las cosas y big data
  4. Inteligencia artificial y cuidado personal y sexual
  5. Análisis ético de la incorporación de la robótica en la vida humana
UNIDAD DIDÁCTICA 10. INTELIGENCIA ARTIFICIAL, MEJORA HUMANA Y TRANSHUMANISMO
  1. Inteligencia artificial para restaurar funciones físicas y cognitivas deterioradas
  2. Optimizar las capacidades humanas con inteligencia artificial
  3. Debate académico sobre transhumanismo y poshumanismo
MÓDULO 8. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL PROCESAMIENTO DEL LENGUAJE NATURAL
  1. Concepto, evolución y aplicaciones del PLN
  2. Principales tareas del procesamiento del lenguaje
  3. Del PLN basado en reglas a los modelos basados en aprendizaje automático
  4. Representación del lenguaje: tokens, vectores y embeddings
  5. PLN multilingüe y retos del lenguaje natural
  6. Aplicaciones actuales del PLN
UNIDAD DIDÁCTICA 2. MODELOS DE LENGUAJE Y TRANSFORMERS
  1. Concepto y evolución de los modelos de lenguaje
  2. De las redes neuronales recurrentes a los Transformers en el procesamiento del lenguaje
  3. Modelos preentrenados y modelos fundacionales de PLN: BERT, GPT y otras familias
  4. Grandes modelos de lenguaje (LLM) aplicados al procesamiento del lenguaje
  5. Adaptación de modelos de lenguaje a tareas específicas de PLN: fine-tuning y transfer learning
  6. Criterios de selección de un modelo de lenguaje según la tarea de PLN
UNIDAD DIDÁCTICA 3. TÉCNICAS Y APLICACIONES DEL PLN
  1. Procesamiento y preparación de textos
  2. Clasificación y análisis de textos
  3. Extracción de información y reconocimiento de entidades
  4. Análisis de sentimientos y opiniones
  5. Generación, resumen y traducción automática
  6. Búsqueda semántica y recuperación de información
UNIDAD DIDÁCTICA 4. CHATBOTS E INTELIGENCIA ARTIFICIAL CONVERSACIONAL
  1. Evolución de los sistemas conversacionales
  2. Concepto y arquitectura de un chatbot
  3. Chatbots basados en reglas, intención y modelos de lenguaje
  4. LLM como motor de sistemas conversacionales
  5. Contexto, memoria y gestión del diálogo
  6. Voicebots y asistentes conversacionales
  7. Limitaciones y retos de los sistemas conversacionales
UNIDAD DIDÁCTICA 5. DISEÑO Y DESARROLLO DE SISTEMAS CONVERSACIONALES
  1. Diseño de experiencias conversacionales
  2. Definición de objetivos, usuarios y casos de uso
  3. Prompting y diseño de instrucciones
  4. Integración de modelos de lenguaje mediante API
  5. Embeddings y bases de datos vectoriales
  6. RAG (Retrieval-Augmented Generation)
  7. Evaluación y mejora de sistemas conversacionales
UNIDAD DIDÁCTICA 6. HERRAMIENTAS Y PLATAFORMAS PARA EL DESARROLLO DE SISTEMAS CONVERSACIONALES
  1. Frameworks de desarrollo: Rasa, Microsoft Bot Framework y Dialogflow
  2. Orquestación de aplicaciones con LLM: LangChain y LlamaIndex
  3. Plataformas no-code y low-code para chatbots
  4. Despliegue e integración en canales: web, WhatsApp y redes sociales
  5. Pruebas, monitorización y mantenimiento de un chatbot en producción
UNIDAD DIDÁCTICA 7. AGENTES DE IA Y SISTEMAS CONVERSACIONALES AVANZADOS
  1. Concepto y evolución de los agentes de IA
  2. Agentes basados en modelos de lenguaje
  3. Uso de herramientas y conexión con sistemas externos
  4. Memoria, planificación y ejecución de tareas
  5. Sistemas multimodales: texto, voz, imagen y vídeo
  6. Aplicaciones empresariales de agentes y asistentes de IA
UNIDAD DIDÁCTICA 8. SEGURIDAD, ÉTICA Y APLICACIONES DEL PLN Y LA IA CONVERSACIONAL
  1. Matriz de riesgo por caso de uso: dónde la seguridad y la ética del PLN son críticas
  2. Alucinaciones y limitaciones de los modelos de lenguaje
  3. Sesgos, privacidad y protección de datos
  4. Seguridad de los sistemas conversacionales
  5. Evaluación, supervisión y control de sistemas de IA
  6. Diseño responsable de experiencias conversacionales
  7. Tendencias y evolución de la IA conversacional
MÓDULO 9. CIENCIAS DEL COMPORTAMIENTO, BIG DATA, INTELIGENCIA ARTIFICIAL E INTERNET OF BEHAVIORS (IOB)
UNIDAD DIDÁCTICA 1. MARKETING, MERCHANDISING Y PUBLICIDAD EN IOB
  1. Internet of Behavior
UNIDAD DIDÁCTICA 2. CIENCIAS COGNITIVAS DEL COMPORTAMIENTO
  1. Ciencia cognitiva
UNIDAD DIDÁCTICA 3. NEUROPSICOLOGÍA Y CÓMO CAPTAR LA ATENCIÓN DE UN USUARIO
  1. Neuropsicología
UNIDAD DIDÁCTICA 4. PRODUCTOS Y CONTENIDOS PERSONALIZADOS GRACIAS AL INTERNET OF BEHAVIORS (IOB)
  1. Personalización IOB
UNIDAD DIDÁCTICA 5. VISIÓN POR COMPUTADORA Y ANÁLISIS FACIAL
  1. La visión Artificial
UNIDAD DIDÁCTICA 6. PROCESAMIENTO AUTOMÁTICO DE IDIOMAS
  1. Procesamiento del lenguaje natural
UNIDAD DIDÁCTICA 7. ANÁLISIS DE COMPORTAMIENTO Y SEGURIDAD OPERACIONAL
  1. Análisis de comportamiento
UNIDAD DIDÁCTICA 8. DEL BIG DATA AL ANÁLISIS DE SENTIMIENTOS
  1. Análisis de opinión
MÓDULO 10. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV
  1. VISIÓN ARTIFICIAL CON PYTHON Y OPENCV APLICADA A LA INDUSTRIA 4.0
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA VISIÓN ARTIFICIAL INDUSTRIAL
  1. Concepto, evolución y aplicaciones de la visión artificial
  2. Componentes y funcionamiento de un sistema de visión artificial
  3. Captura, procesamiento e interpretación de imágenes
UNIDAD DIDÁCTICA 2. MODALIDADES Y APLICACIÓN DE LA VISIÓN ARTIFICIAL EN LA INDUSTRIA 4.0
  1. Visión 2D, 3D y sistemas multiespectrales
  2. Ventajas, limitaciones y retos de la visión artificial industrial
  3. Integración de la visión artificial en la Industria 4.0
UNIDAD DIDÁCTICA 3. SISTEMAS DE CAPTURA Y ADQUISICIÓN DE IMÁGENES
  1. Cámaras y sensores para visión industrial
  2. Ópticas, resolución y campo de visión
  3. Iluminación y condiciones de captura
  4. Sistemas de visión 3D
  5. Selección y configuración del sistema de adquisición
  6. Integración de cámaras y sistemas de visión en entornos industriales
UNIDAD DIDÁCTICA 4. PROCESAMIENTO DE IMÁGENES CON PYTHON Y OPENCV
  1. Python y OpenCV para visión artificial
  2. Lectura, visualización y gestión de imágenes y vídeo
  3. Transformaciones geométricas y espacios de color
  4. Filtrado, reducción de ruido y mejora de imágenes
  5. Umbralización y operaciones morfológicas
  6. Segmentación, detección de bordes y extracción de características
UNIDAD DIDÁCTICA 5. DETECCIÓN DE FORMAS Y CARACTERÍSTICAS EN IMÁGENES
  1. Histogramas y análisis de características de imagen
  2. Detección de contornos, formas y objetos
  3. Detección de líneas, círculos y puntos de interés
UNIDAD DIDÁCTICA 6. RECONOCIMIENTO Y EXTRACCIÓN DE INFORMACIÓN EN IMÁGENES
  1. Reconocimiento y comparación de patrones
  2. Template matching y técnicas de correspondencia
  3. Extracción de información y reconocimiento de texto (OCR)
UNIDAD DIDÁCTICA 7. APLICACIONES DE VISIÓN ARTIFICIAL EN LA INDUSTRIA
  1. Inspección y control de calidad
  2. Detección de defectos y anomalías
  3. Medición, posicionamiento y guiado de procesos
  4. Identificación, lectura de códigos y trazabilidad
  5. Visión artificial aplicada a robótica y automatización
  6. Integración de sistemas de visión con procesos industriales
UNIDAD DIDÁCTICA 8. MACHINE LEARNING APLICADO A LA VISIÓN ARTIFICIAL
  1. Fundamentos del aprendizaje automático aplicado a imágenes
  2. Clasificación y reconocimiento de imágenes
  3. Extracción y selección de características
  4. Clustering y detección de patrones
  5. Evaluación y validación de modelos
  6. Aplicaciones de machine learning en inspección industrial
UNIDAD DIDÁCTICA 9. DEEP LEARNING Y VISIÓN ARTIFICIAL AVANZADA
  1. Redes neuronales convolucionales aplicadas a visión
  2. Clasificación de imágenes mediante deep learning
  3. Detección y localización de objetos
  4. Segmentación semántica y segmentación de instancias
  5. Modelos preentrenados de visión artificial: ImageNet y transfer learning aplicado a visión
  6. YOLO y otros modelos modernos de detección
  7. Visión clásica frente a deep learning: selección del enfoque adecuado
UNIDAD DIDÁCTICA 10. DESARROLLO E IMPLANTACIÓN DE SOLUCIONES DE VISIÓN ARTIFICIAL
  1. Diseño de un sistema de visión artificial industrial
  2. Selección de hardware, software y modelos de IA
  3. Desarrollo y prueba de soluciones con Python y OpenCV
  4. Integración con sistemas industriales y edge computing
  5. Evaluación del rendimiento y fiabilidad del sistema
  6. Mantenimiento, monitorización y mejora de modelos
  7. Seguridad, privacidad y uso responsable de la visión artificial
MÓDULO 11. PROYECTO FIN DE MÁSTER

Descubre cuánto puede invertir tu empresa en formación sin coste

Como cliente o asociado de AFT, puedes solicitar información personalizada sobre tu crédito Fundae y la formación disponible para tu equipo.

Formulario de solicitud de información