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

Máster en Machine Learning, Inteligencia Artificial y Big Data

Duración total 1500 horas
Modalidad Online
Convocatoria Abierta
Descargar Dossier

Precio 1.995 €

Solicitar información

Resumen del curso

Descripción

Este Máster en Machine Learning, Inteligencia Artificial y Big Data proporciona una formación integral en estas tecnologías disruptivas. Abarca desde los fundamentos teóricos hasta aplicaciones prácticas avanzadas, incluyendo la programación en Python y el uso de herramientas como TensorFlow y OpenCV.

La formación no solo se enfoca en el desarrollo técnico, sino que también aborda aspectos éticos y de gobernanza, esenciales en el uso responsable de la inteligencia artificial.

Al realizar este máster adquirirás las habilidades necesarias para diseñar, implementar y evaluar modelos de IA, preparar datos para el despliegue de modelos y comprender el impacto de la IA en diversos sectores, preparándolos para roles innovadores en la industria

Objetivos

  • Comprender los fundamentos de la inteligencia artificial.
  • Aprender a desarrollar sistemas expertos en C#.
  • Explorar la relación entre Big Data e IA.
  • Dominar el uso de Python para deep learning.
  • Implementar redes neuronales con TensorFlow.
  • Analizar el impacto ético de la IA.
  • Crear chatbots utilizando ChatterBot y Chatfuel.

¿Para qué te prepara?

Este Máster en Machine Learning, Inteligencia Artificial y Big Data te prepara para diseñar, desarrollar y aplicar sistemas de IA y machine learning en diversos contextos. Aprenderás a programar con Python, usar librerías como TensorFlow y OpenCV e implementar soluciones de big data y deep learning. Además, podrás abordar los desafíos éticos y de gobernanza asociados con la IA y sus aplicaciones en PLN, programación o visión artificial.

¿A quién va dirigido?

Este Máster en Machine Learning, Inteligencia Artificial y Big Data está dirigido a profesionales y personas graduadas en informática, ingeniería, matemáticas y campos afines que deseen especializarse en inteligencia artificial, machine learning y big data. También es adecuado para personas con experiencia en programación que buscan un campo en auge.

Salidas profesionales

Al completar este Máster en Machine Learning, Inteligencia Artificial y Big Data optarás a roles en ciencia de datos, ingeniería de machine learning, desarrollo de inteligencia artificial, análisis de big data y consultoría en IA, en sectores como tecnología, salud, finanzas o educación, contribuyendo al desarrollo de soluciones inteligentes y éticamente responsables.

Temario

MÓDULO 1. DATA MINING, DATA ANALYST Y AUGMENTED ANALYTICS
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. FUENTES DE DATOS
  1. Definición y relevancia de la selección de las fuentes de datos
  2. Naturaleza de las fuentes de datos Big Data
UNIDAD DIDÁCTICA 3. OPEN DATA
  1. Definición, Beneficios y Características
  2. Ejemplo de uso de Open Data
UNIDAD DIDÁCTICA 4. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
  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 5. AUGMENTED ANALYTICS
  1. Analítica aumentada
  2. Beneficios y desafíos
  3. Herramientas y plataformas
  4. Escalabilidad e integración
UNIDAD DIDÁCTICA 6. ECOSISTEMA HADOOP
  1. ¿Qué es Hadoop? Relación con Big Data
  2. Instalación y configuración de insfraestructura y ecosistema Hadoop
  3. Sistema de archivos HDFS
  4. MapReduce con Hadoop
  5. Apache Hive
  6. Apache Hue
  7. Apache Spark
UNIDAD DIDÁCTICA 7. WEKA Y DATA MINING
  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN A LA CIENCIA DE DATOS
  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Compunting
  4. Aspectos legales en Protección de Datos
UNIDAD DIDÁCTICA 9. BASES DE DATOS RELACIONALES
  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL. Una base de datos relacional
UNIDAD DIDÁCTICA 10. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL. Teorema de CAP
  4. Sistemas de Bases de datos NoSQL
UNIDAD DIDÁCTICA 11. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL. MONGODB
  1. ¿Qué es MongoDB?
  2. Funcionamiento y uso de MongoDB
  3. Primeros pasos con MongoDB. Instalación y shell de comandos
  4. Creando nuestra primera Base de Datos NoSQL.Modelo e Inserción de Datos
  5. Actualización de datos en MongoDB. Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB
UNIDAD DIDÁCTICA 12. PYTHON Y EL ANÁLISIS DE DATOS
  1. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. MongoDB, Hadoop y Python. Dream Team del Big Data
UNIDAD DIDÁCTICA 13. R COMO HERRAMIENTA PARA BIG DATA
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
UNIDAD DIDÁCTICA 14. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
UNIDAD DIDÁCTICA 15. ANÁLISIS DE LOS DATOS
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados
MÓDULO 2. ANÁLISIS DE DATOS CON PYTHON
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
  1. ¿Qué es el análisis de datos?
UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
  1. Análisis de datos con NumPy
  2. Pandas
  3. Matplotlib
UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
  1. Cómo usar loc en Pandas
  2. Cómo eliminar una columna en Pandas
UNIDAD DIDÁCTICA 4. PIVOT TABLES
  1. Pivot tables en pandas
UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
  1. El grupo de pandas
UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
  1. Python Pandas fusionando marcos de datos
UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
  1. Matplotlib
  2. Seaborn
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
  1. Aprendizaje automático
UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
  1. Regresión lineal
  2. Regresión logística
UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
  1. Estructura de árbol
UNIDAD DIDÁCTICA 11. NAIVE BAYES
  1. Algortimo de Naive bayes
  2. Tipos de Naive Bayes
UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
  1. Máquinas de vectores soporte (Support Vector Machine-SVM)
  2. ¿Cómo funciona SVM?
  3. Núcleos SVM
  4. Construcción de clasificador en Scikit-learn
UNIDAD DIDÁCTICA 13. KNN
  1. K-nearest Neighbors (KNN)
  2. Implementación de Python del algoritmo KNN
UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
  1. Análisis de componentes principales
UNIDAD DIDÁCTICA 15. RANDOM FOREST
  1. Algorimto de Random Forest
MÓDULO 3. BUSINESS INTELLIGENCE Y 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. 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 3. 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 4. 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 5. LOOKER
  1. Looker Studio
  2. Acceder a Looker Studio
  3. Informes
  4. Tipologías de gráficos
  5. Personalización de informes
UNIDAD DIDÁCTICA 6. QLIKVIEW
  1. Instalación y arquitectura
  2. Carga de datos
  3. Informes
  4. Transformación y modelo de datos
  5. Análisis de datos
UNIDAD DIDÁCTICA 7. GOOGLE CHART
  1. Google Charts
  2. Preparación de datos
  3. Incluir la librería de Google Charts
  4. Ejemplo básico de Google Chart
UNIDAD DIDÁCTICA 8. CHARTBLOCKS
  1. ¿Qué es ChartBlocks?
  2. Registro y acceso
  3. Creación de gráficos
  4. Personalización de gráficos
  5. Compartir y descargar el gráfico
UNIDAD DIDÁCTICA 9. INFOGRAM
  1. ¿Qué es Infogram?
  2. Creación de una cuenta en Infogram
  3. Interfaz de usuario de Infogram
  4. Creación de infografías
  5. Publicación y compartición de proyectos
UNIDAD DIDÁCTICA 10. LEAFLET
  1. ¿Qué es Leaflet?
  2. Configuración inicial
  3. Creación de un mapa básico
  4. Marcadores
  5. Capas
UNIDAD DIDÁCTICA 11. CARTO
  1. CartoDB
MÓDULO 4. INTELIGENCIA ARTIFICIAL, MACHINE LEARNING Y DEEP LEARNING
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
  1. Concepto, evolución y aplicaciones de la inteligencia artificial
  2. Principales enfoques de la IA: simbólica, conexionista y basada en datos
  3. Sistemas expertos y evolución hacia la IA moderna
  4. Tipos y capacidades de los sistemas de inteligencia artificial
  5. IA generativa y nuevos paradigmas de inteligencia artificial
  6. Aplicaciones, oportunidades y limitaciones de la IA
UNIDAD DIDÁCTICA 2. DATOS Y APRENDIZAJE AUTOMÁTICO
  1. Fundamentos del machine learning
  2. Aprendizaje supervisado, no supervisado y por refuerzo
  3. Datos de entrenamiento, validación y prueba
  4. Preparación y transformación de datos
  5. Selección y construcción de variables (features)
  6. Algoritmos de aprendizaje automático y criterios de selección
UNIDAD DIDÁCTICA 3. ALGORITMOS DE APRENDIZAJE SUPERVISADO
  1. Regresión y predicción
  2. Clasificación y principales algoritmos
  3. Árboles de decisión y métodos ensemble
  4. Máquinas de vectores soporte (SVM)
UNIDAD DIDÁCTICA 4. ALGORITMOS DE APRENDIZAJE NO SUPERVISADO
  1. Clustering: K-means, jerárquico y DBSCAN
  2. Reducción de dimensionalidad: PCA y t-SNE
  3. Detección de anomalías
UNIDAD DIDÁCTICA 5. APRENDIZAJE POR REFUERZO
  1. Fundamentos del aprendizaje por refuerzo: agente, entorno, recompensa y política
  2. Métodos de aprendizaje por refuerzo: de Q-learning a los métodos basados en política
  3. Exploración frente a explotación y principales retos del aprendizaje por refuerzo
  4. Aplicaciones del aprendizaje por refuerzo: juegos, robótica y sistemas de recomendación
UNIDAD DIDÁCTICA 6. EVALUACIÓN Y DESARROLLO DE MODELOS DE MACHINE LEARNING
  1. Entrenamiento y evaluación de modelos
  2. Métricas de evaluación y selección según el problema
  3. Validación cruzada y partición de los datos
  4. Sobreajuste, infraajuste y regularización
  5. Optimización e hiperparámetros
  6. Interpretación y comparación de modelos
UNIDAD DIDÁCTICA 7. REDES NEURONALES Y DEEP LEARNING
  1. Fundamentos de las redes neuronales artificiales
  2. Perceptrón y redes neuronales multicapa
  3. Funciones de activación y arquitectura de una red
  4. Entrenamiento, descenso de gradiente y retropropagación
  5. Sobreajuste y técnicas de regularización en redes profundas
  6. Fundamentos y aplicaciones del deep learning
UNIDAD DIDÁCTICA 8. ARQUITECTURAS DE REDES NEURONALES PROFUNDAS
  1. Redes neuronales convolucionales (CNN)
  2. Redes recurrentes y modelos para datos secuenciales (RNN y LSTM)
  3. Transformers frente a las arquitecturas secuenciales anteriores
  4. Arquitecturas generativas: autoencoders y redes generativas antagónicas (GAN)
UNIDAD DIDÁCTICA 9. APLICACIONES Y TRANSFERENCIA DE APRENDIZAJE EN DEEP LEARNING
  1. Aplicaciones del deep learning en visión artificial
  2. Aplicaciones del deep learning en procesamiento del lenguaje natural
  3. Transferencia de aprendizaje y modelos preentrenados
UNIDAD DIDÁCTICA 10. APLICACIÓN, IMPACTO Y USO RESPONSABLE DE LA IA
  1. Sistemas de recomendación y soporte a la decisión
  2. Casos de uso de IA en diferentes sectores
  3. Sesgos, explicabilidad y transparencia
  4. Privacidad, seguridad, ética y gobernanza de la IA
  5. Impacto económico y social de la inteligencia artificial
MÓDULO 5. 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 6. 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 7. INTELIGENCIA ARTIFICIAL PARA PROGRAMADORES
UNIDAD DIDÁCTICA 1. APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)
  1. Aprendizaje Automático
  2. Tipos de aprendizaje automático
  3. Algoritmos y modelos de aprendizaje automático
  4. Métricas de evalución en aprendizaje automático
  5. Regularización y selección de características en aprendizaje automático
UNIDAD DIDÁCTICA 2. REDES NEURONALES ARTIFICIALES (RNA)
  1. Redes Neuronales Artificiales (RNA)
  2. Estructura y arquitectura
  3. Funciones de activación
  4. Entrenamiento de las RNA
  5. Redes Neuronales Convolucionales (CNN) y su aplicación
  6. Redes Neuronales Recurrentes (RNN) y su aplicación
  7. Redes Neuronales Adversariales (GAN) y su aplicación
UNIDAD DIDÁCTICA 3. PROCESAMIENTO DE LENGUAJE NATURAL (NATURAL LANGUAGE PROCESSING - NLP)
  1. Fundamentos del Procesamiento del Lenguaje Natural (PLN)
  2. Representación del lenguaje en PLN
  3. Extracción de características en PLN
  4. Modelos de PLN basados en secuencias
  5. Modelos de PLN para tareas específicas
  6. Aplicaciones de PLN
UNIDAD DIDÁCTICA 4. VISIÓN ARTIFICIAL
  1. Visión artificial
  2. Preprocesamiento y transformación de imágenes
  3. Detección y reconocimiento de objetos
  4. Segmentación y clasificación de imágenes
  5. Aplicaciones de visión artificial
UNIDAD DIDÁCTICA 5. PROCESAMIENTO DE DATOS MASIVOS (BIG DATA) EN INTELIGENCIA ARTIFICIAL
  1. Big Data en Inteligencia Artificial
  2. Almacenamiento y procesamiento distribuido
  3. Tecnologías y herramientas para el procesamiento de Big Data
  4. Extracción de conocimiento a partir de datos masivos
  5. Aprendizaje automático en Big Data
UNIDAD DIDÁCTICA 6. OPTIMIZACIÓN Y SINTONIZACIÓN DE MODELOS DE IA
  1. Evaluación de modelos y métricas de rendimiento
  2. Optimización de hiperparámetros
  3. Regularización y técnicas de prevención de sobreajuste
  4. Técnicas de reducción de dimensionalidad
  5. Ajuste y ensamblado de modelos
UNIDAD DIDÁCTICA 7. APRENDIZAJE POR REFUERZO (REINFORCEMENT LEARNING)
  1. Aprendizaje por refuerzo
  2. Agentes y entornos de aprendizaje por refuerzo
  3. Métdos de aprendizaje por refuerzo
  4. Exploración y explotación en aprendizaje por refuerzo
  5. Aplicaciones de aprendizaje por refuerzo
UNIDAD DIDÁCTICA 8. DESPLIEGUE Y PRODUCCIÓN DE MODELOS DE IA
  1. Preparación de datos para despliegue de modelos
  2. Diseño e implementación de servicios de IA
  3. Monitoreo y evaluación de modelos en producción
  4. Actualización y mantenimiento de modelos de IA
  5. Escalabilidad y rendimiento en despliegue de modelos de IA
MÓDULO 8. PROGRAMACIÓN DE VISIÓN ARTIFICIAL CON PYTHON Y OPENCV
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN E INSTALACIÓN DE OPENCV
  1. Descripción general OpenCV
  2. Instalación OpenCV para Python en Windows
  3. Instalación OpenCV para Python en Linux
  4. Anaconda y OpenCV
UNIDAD DIDÁCTICA 2. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS
  1. Manejo de archivos
  2. Leer una imagen con OpenCV
  3. Mostrar imagen con OpenCV
  4. Guardar una imagen con OpenCV
  5. Operaciones aritméticas en imágenes usando OpenCV
  6. Funciones de dibujo
UNIDAD DIDÁCTICA 3. TRATAMIENTO DE IMÁGENES
  1. Redimensión de imágenes
  2. Erosión de imágenes
  3. Desenfoque de imágenes
  4. Bordeado de imágenes
  5. Escala de grises en imágenes
  6. Escalado, rotación, desplazamiento y detección de bordes
  7. Erosión y dilatación de imágenes
  8. Umbrales simples
  9. Umbrales adaptativos
  10. Umbral de Otsu
  11. Contornos de imágenes
  12. Incrustación de imágenes
  13. Intensidad en imágenes
  14. Registro de imágenes
  15. Extracción de primer plano
  16. Operaciones morfológicas en imágenes
  17. Pirámide de imágen
UNIDAD DIDÁCTICA 4. HISTOGRAMAS Y TEMPLATE MATCHING
  1. Analizar imágenes usando histogramas
  2. Ecualización de histogramas
  3. Template matching
  4. Detección de campos en documentos usando Template matching
UNIDAD DIDÁCTICA 5. COLORES Y ESPACIOS DE COLOR
  1. Espacios de color en OpenCV
  2. Cambio de espacio de color
  3. Filtrado de color
  4. Denoising de imágenes en color
  5. Visualizar una imagen en diferentes espacios de color
UNIDAD DIDÁCTICA 6. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS
  1. Detección de líneas
  2. Detección de círculos
  3. Detectar esquinas (Método Shi-Tomasi)
  4. Detectar esquinas (método Harris)
  5. Encontrar círculos y elipses
  6. Detección de caras y sonrisas
UNIDAD DIDÁCTICA 7. APRENDIZAJE AUTOMÁTICO
  1. Vecino más cercano (K-Nearest Neighbour)
  2. Agrupamiento de K-medias (K-Means Clustering)
MÓDULO 9. PROYECTO FINAL

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