Máster en Machine Learning, Inteligencia Artificial y Big Data
Descargar DossierPrecio 1.995 €
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
- ¿Qué es Big Data?
- La era de las grandes cantidades de información. Historia del big data
- La importancia de almacenar y extraer información
- Big Data enfocado a los negocios
- Open Data
- Información pública
- IoT (Internet of Things-Internet de las cosas)
UNIDAD DIDÁCTICA 2. FUENTES DE DATOS
- Definición y relevancia de la selección de las fuentes de datos
- Naturaleza de las fuentes de datos Big Data
UNIDAD DIDÁCTICA 3. OPEN DATA
- Definición, Beneficios y Características
- Ejemplo de uso de Open Data
UNIDAD DIDÁCTICA 4. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO
- Introducción a la minería de datos y el aprendizaje automático
- Proceso KDD
- Modelos y Técnicas de Data Mining
- Áreas de aplicación
- Minería de textos y Web Mining
- Data mining y marketing
UNIDAD DIDÁCTICA 5. AUGMENTED ANALYTICS
- Analítica aumentada
- Beneficios y desafíos
- Herramientas y plataformas
- Escalabilidad e integración
UNIDAD DIDÁCTICA 6. ECOSISTEMA HADOOP
- ¿Qué es Hadoop? Relación con Big Data
- Instalación y configuración de insfraestructura y ecosistema Hadoop
- Sistema de archivos HDFS
- MapReduce con Hadoop
- Apache Hive
- Apache Hue
- Apache Spark
UNIDAD DIDÁCTICA 7. WEKA Y DATA MINING
- ¿Qué es Weka?
- Técnicas de Data Mining en Weka
- Interfaces de Weka
- Selección de atributos
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN A LA CIENCIA DE DATOS
- ¿Qué es la ciencia de datos?
- Herramientas necesarias para el científico de datos
- Data Science & Cloud Compunting
- Aspectos legales en Protección de Datos
UNIDAD DIDÁCTICA 9. BASES DE DATOS RELACIONALES
- Introducción
- El modelo relacional
- Lenguaje de consulta SQL
- MySQL. Una base de datos relacional
UNIDAD DIDÁCTICA 10. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
- ¿Qué es una base de datos NoSQL?
- Bases de datos Relaciones Vs Bases de datos NoSQL
- Tipo de Bases de datos NoSQL. Teorema de CAP
- Sistemas de Bases de datos NoSQL
UNIDAD DIDÁCTICA 11. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL. MONGODB
- ¿Qué es MongoDB?
- Funcionamiento y uso de MongoDB
- Primeros pasos con MongoDB. Instalación y shell de comandos
- Creando nuestra primera Base de Datos NoSQL.Modelo e Inserción de Datos
- Actualización de datos en MongoDB. Sentencias set y update
- Trabajando con índices en MongoDB para optimización de datos
- Consulta de datos en MongoDB
UNIDAD DIDÁCTICA 12. PYTHON Y EL ANÁLISIS DE DATOS
- Introducción a Python
- ¿Qué necesitas?
- Librerías para el análisis de datos en Python
- MongoDB, Hadoop y Python. Dream Team del Big Data
UNIDAD DIDÁCTICA 13. R COMO HERRAMIENTA PARA BIG DATA
- Introducción a R
- ¿Qué necesitas?
- Tipos de datos
- Estadística Descriptiva y Predictiva con R
- Integración de R en Hadoop
UNIDAD DIDÁCTICA 14. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
- Obtención y limpieza de los datos (ETL)
- Inferencia estadística
- Modelos de regresión
- Pruebas de hipótesis
UNIDAD DIDÁCTICA 15. ANÁLISIS DE LOS DATOS
- Inteligencia Analítica de negocios
- La teoría de grafos y el análisis de redes sociales
- Presentación de resultados
MÓDULO 2. ANÁLISIS DE DATOS CON PYTHON
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
- ¿Qué es el análisis de datos?
UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
- Análisis de datos con NumPy
- Pandas
- Matplotlib
UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
- Cómo usar loc en Pandas
- Cómo eliminar una columna en Pandas
UNIDAD DIDÁCTICA 4. PIVOT TABLES
- Pivot tables en pandas
UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
- El grupo de pandas
UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
- Python Pandas fusionando marcos de datos
UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
- Matplotlib
- Seaborn
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
- Aprendizaje automático
UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
- Regresión lineal
- Regresión logística
UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
- Estructura de árbol
UNIDAD DIDÁCTICA 11. NAIVE BAYES
- Algortimo de Naive bayes
- Tipos de Naive Bayes
UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
- Máquinas de vectores soporte (Support Vector Machine-SVM)
- ¿Cómo funciona SVM?
- Núcleos SVM
- Construcción de clasificador en Scikit-learn
UNIDAD DIDÁCTICA 13. KNN
- K-nearest Neighbors (KNN)
- Implementación de Python del algoritmo KNN
UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
- Análisis de componentes principales
UNIDAD DIDÁCTICA 15. RANDOM FOREST
- Algorimto de Random Forest
MÓDULO 3. BUSINESS INTELLIGENCE Y VISUALIZACIÓN DE DATOS
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA VISUALIZACIÓN DE DATOS
- ¿Qué es la visualización de datos?
- Importancia y herramientas de la visualización de datos
- Visualización de datos: Principios básicos
UNIDAD DIDÁCTICA 2. POWER BI
- Introducción a Power BI
- Instalación de Power BI
- Modelado de datos
- Visualización de datos
- Dashboards
- Uso compartido de datos
UNIDAD DIDÁCTICA 3. TABLEAU
- ¿Qué es Tableau? Usos y aplicaciones
- Tableau Server: Arquitectura y Componentes
- Instalación Tableau
- Espacio de trabajo y navegación
- Conexiones de datos en Tableau
- Tipos de filtros en Tableau
- Ordenación de datos, grupos, jerarquías y conjuntos
- Tablas y gráficos en Tableau
UNIDAD DIDÁCTICA 4. D3 (DATA DRIVEN DOCUMENTS)
- Fundamentos D3
- Instalación D3
- Funcionamiento D3
- SVG
- Tipos de datos en D3
- Diagrama de barras con D3
- Diagrama de dispersión con D3
UNIDAD DIDÁCTICA 5. LOOKER
- Looker Studio
- Acceder a Looker Studio
- Informes
- Tipologías de gráficos
- Personalización de informes
UNIDAD DIDÁCTICA 6. QLIKVIEW
- Instalación y arquitectura
- Carga de datos
- Informes
- Transformación y modelo de datos
- Análisis de datos
UNIDAD DIDÁCTICA 7. GOOGLE CHART
- Google Charts
- Preparación de datos
- Incluir la librería de Google Charts
- Ejemplo básico de Google Chart
UNIDAD DIDÁCTICA 8. CHARTBLOCKS
- ¿Qué es ChartBlocks?
- Registro y acceso
- Creación de gráficos
- Personalización de gráficos
- Compartir y descargar el gráfico
UNIDAD DIDÁCTICA 9. INFOGRAM
- ¿Qué es Infogram?
- Creación de una cuenta en Infogram
- Interfaz de usuario de Infogram
- Creación de infografías
- Publicación y compartición de proyectos
UNIDAD DIDÁCTICA 10. LEAFLET
- ¿Qué es Leaflet?
- Configuración inicial
- Creación de un mapa básico
- Marcadores
- Capas
UNIDAD DIDÁCTICA 11. CARTO
- CartoDB
MÓDULO 4. INTELIGENCIA ARTIFICIAL, MACHINE LEARNING Y DEEP LEARNING
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
- Concepto, evolución y aplicaciones de la inteligencia artificial
- Principales enfoques de la IA: simbólica, conexionista y basada en datos
- Sistemas expertos y evolución hacia la IA moderna
- Tipos y capacidades de los sistemas de inteligencia artificial
- IA generativa y nuevos paradigmas de inteligencia artificial
- Aplicaciones, oportunidades y limitaciones de la IA
UNIDAD DIDÁCTICA 2. DATOS Y APRENDIZAJE AUTOMÁTICO
- Fundamentos del machine learning
- Aprendizaje supervisado, no supervisado y por refuerzo
- Datos de entrenamiento, validación y prueba
- Preparación y transformación de datos
- Selección y construcción de variables (features)
- Algoritmos de aprendizaje automático y criterios de selección
UNIDAD DIDÁCTICA 3. ALGORITMOS DE APRENDIZAJE SUPERVISADO
- Regresión y predicción
- Clasificación y principales algoritmos
- Árboles de decisión y métodos ensemble
- Máquinas de vectores soporte (SVM)
UNIDAD DIDÁCTICA 4. ALGORITMOS DE APRENDIZAJE NO SUPERVISADO
- Clustering: K-means, jerárquico y DBSCAN
- Reducción de dimensionalidad: PCA y t-SNE
- Detección de anomalías
UNIDAD DIDÁCTICA 5. APRENDIZAJE POR REFUERZO
- Fundamentos del aprendizaje por refuerzo: agente, entorno, recompensa y política
- Métodos de aprendizaje por refuerzo: de Q-learning a los métodos basados en política
- Exploración frente a explotación y principales retos del aprendizaje por refuerzo
- Aplicaciones del aprendizaje por refuerzo: juegos, robótica y sistemas de recomendación
UNIDAD DIDÁCTICA 6. EVALUACIÓN Y DESARROLLO DE MODELOS DE MACHINE LEARNING
- Entrenamiento y evaluación de modelos
- Métricas de evaluación y selección según el problema
- Validación cruzada y partición de los datos
- Sobreajuste, infraajuste y regularización
- Optimización e hiperparámetros
- Interpretación y comparación de modelos
UNIDAD DIDÁCTICA 7. REDES NEURONALES Y DEEP LEARNING
- Fundamentos de las redes neuronales artificiales
- Perceptrón y redes neuronales multicapa
- Funciones de activación y arquitectura de una red
- Entrenamiento, descenso de gradiente y retropropagación
- Sobreajuste y técnicas de regularización en redes profundas
- Fundamentos y aplicaciones del deep learning
UNIDAD DIDÁCTICA 8. ARQUITECTURAS DE REDES NEURONALES PROFUNDAS
- Redes neuronales convolucionales (CNN)
- Redes recurrentes y modelos para datos secuenciales (RNN y LSTM)
- Transformers frente a las arquitecturas secuenciales anteriores
- Arquitecturas generativas: autoencoders y redes generativas antagónicas (GAN)
UNIDAD DIDÁCTICA 9. APLICACIONES Y TRANSFERENCIA DE APRENDIZAJE EN DEEP LEARNING
- Aplicaciones del deep learning en visión artificial
- Aplicaciones del deep learning en procesamiento del lenguaje natural
- Transferencia de aprendizaje y modelos preentrenados
UNIDAD DIDÁCTICA 10. APLICACIÓN, IMPACTO Y USO RESPONSABLE DE LA IA
- Sistemas de recomendación y soporte a la decisión
- Casos de uso de IA en diferentes sectores
- Sesgos, explicabilidad y transparencia
- Privacidad, seguridad, ética y gobernanza de la IA
- Impacto económico y social de la inteligencia artificial
MÓDULO 5. INTELIGENCIA ARTIFICIAL Y ÉTICA
UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL Y FUNDAMENTOS ÉTICOS
- Ética normativa y ética aplicada
- Historia y caracteres de la ética de la inteligencia artificial
- Ética realista y ética ficción
- Inteligencia artificial como objeto y sujeto
- Singularidad tecnológica y futuro de la especie humana
- Machine ethics. Nuevos entes autónomos y estatus moral
- Controversias éticas de la aplicación de la inteligencia artificial
- Bioética e inteligencia artificial
- Democracia e inteligencia artificial
UNIDAD DIDÁCTICA 2. ÉTICA DE GOBERNANZA E INTELIGENCIA ARTIFICIAL
- Gobernanza como sistema de prevención y control de riesgos en la inteligencia artificial
- Papel de la UE en la gobernanza de la inteligencia artificial
- Evaluaciones de impacto social, ético y legal de inteligencia artificial de alto riesgo
- Elaboración de un plan de gobernanza
UNIDAD DIDÁCTICA 3. INTELIGENCIA ARTIFICIAL CONFIABLE. EXPLICABILIDAD Y SESGO
- Principios de la inteligencia artificial responsable
- Aspectos de diseño éticos para Machine Learning
- Inteligencia artificial explicable (XAI). Hacia la IA responsable
- Imparcialidad de Datos (Fairness). Control del sesgo en los modelos
- Escenarios con modelos de IA de alto riesgo
- Auditabilidad en los sistemas de inteligencia artificial
- Sandbox normativo piloto del futuro reglamentario de IA en España
- Transparencia en modelos de Machine Learning
- Análisis de herramientas software para medir la imparcialidad
UNIDAD DIDÁCTICA 4. ÉTICA DE LA INTELIGENCIA ARTIFICIAL
- Metodología de la ética en la inteligencia artificial
- Agentes artificiales morales
- Moralidad artificial desde un enfoque funcionalista
- Objeciones acerca de agencias morales artificiales
- Responsabilidad y Derechos de los robots
UNIDAD DIDÁCTICA 5. FILOSOFÍA POLÍTICA DE LA INTELIGENCIA ARTIFICIAL
- Introducción a la filosofía política de la inteligencia artificial
- Empleo e inteligencia artificial
- Relaciones humanas e inteligencia artificial
- Funciones de los Estados e inteligencia artificial
- Educación e inteligencia artificial
- Salud e inteligencia artificial
- Movilidad e inteligencia artificial
- Articulación entre ética y política sobre la inteligencia artificial
- Globalización e inteligencia artificial
UNIDAD DIDÁCTICA 6. INTELIGENCIA ARTIFICIAL, SOSTENIBILIDAD Y ÉTICA MEDIOAMBIENTAL
- Digitalización al servicio de los Objetivos de Desarrollo Sostenible (ODS)
- Estrategia Europea de transición hacia una economía sostenible
- Cambio climático global
- Mejora de eficiencia en procesos organizativos con IA
- Mejora de eficiencia en prácticas individuales con IA
- Ética ambiental e inteligencia artificial
UNIDAD DIDÁCTICA 7. ÉTICA DE LA GUERRA E INTELIGENCIA ARTIFICIAL
- Armas autónomas
- Intervenciones militares teledirigidas
- Ética de la guerra
UNIDAD DIDÁCTICA 8. TECNOLOGÍA, ÉTICA Y DERECHO DE LA REALIDAD VIRTUAL
- El metaverso
- Gemelos digitales humanos
- Creación de universos paralelos en 3D
UNIDAD DIDÁCTICA 9. ÉTICA DE LA INTELIGENCIA ARTIFICIAL INTERACTIVA Y ROBÓTICA SOCIAL
- Sistemas autónomos en el ámbito laboral
- Inteligencia artificial para la mejora de calidad de vida en ciudades. Mejora del impacto medioambiental
- Combinación de smart cities, internet de las cosas y big data
- Inteligencia artificial y cuidado personal y sexual
- Análisis ético de la incorporación de la robótica en la vida humana
UNIDAD DIDÁCTICA 10. INTELIGENCIA ARTIFICIAL, MEJORA HUMANA Y TRANSHUMANISMO
- Inteligencia artificial para restaurar funciones físicas y cognitivas deterioradas
- Optimizar las capacidades humanas con inteligencia artificial
- Debate académico sobre transhumanismo y poshumanismo
MÓDULO 6. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL
UNIDAD DIDÁCTICA 1. FUNDAMENTOS DEL PROCESAMIENTO DEL LENGUAJE NATURAL
- Concepto, evolución y aplicaciones del PLN
- Principales tareas del procesamiento del lenguaje
- Del PLN basado en reglas a los modelos basados en aprendizaje automático
- Representación del lenguaje: tokens, vectores y embeddings
- PLN multilingüe y retos del lenguaje natural
- Aplicaciones actuales del PLN
UNIDAD DIDÁCTICA 2. MODELOS DE LENGUAJE Y TRANSFORMERS
- Concepto y evolución de los modelos de lenguaje
- De las redes neuronales recurrentes a los Transformers en el procesamiento del lenguaje
- Modelos preentrenados y modelos fundacionales de PLN: BERT, GPT y otras familias
- Grandes modelos de lenguaje (LLM) aplicados al procesamiento del lenguaje
- Adaptación de modelos de lenguaje a tareas específicas de PLN: fine-tuning y transfer learning
- Criterios de selección de un modelo de lenguaje según la tarea de PLN
UNIDAD DIDÁCTICA 3. TÉCNICAS Y APLICACIONES DEL PLN
- Procesamiento y preparación de textos
- Clasificación y análisis de textos
- Extracción de información y reconocimiento de entidades
- Análisis de sentimientos y opiniones
- Generación, resumen y traducción automática
- Búsqueda semántica y recuperación de información
UNIDAD DIDÁCTICA 4. CHATBOTS E INTELIGENCIA ARTIFICIAL CONVERSACIONAL
- Evolución de los sistemas conversacionales
- Concepto y arquitectura de un chatbot
- Chatbots basados en reglas, intención y modelos de lenguaje
- LLM como motor de sistemas conversacionales
- Contexto, memoria y gestión del diálogo
- Voicebots y asistentes conversacionales
- Limitaciones y retos de los sistemas conversacionales
UNIDAD DIDÁCTICA 5. DISEÑO Y DESARROLLO DE SISTEMAS CONVERSACIONALES
- Diseño de experiencias conversacionales
- Definición de objetivos, usuarios y casos de uso
- Prompting y diseño de instrucciones
- Integración de modelos de lenguaje mediante API
- Embeddings y bases de datos vectoriales
- RAG (Retrieval-Augmented Generation)
- Evaluación y mejora de sistemas conversacionales
UNIDAD DIDÁCTICA 6. HERRAMIENTAS Y PLATAFORMAS PARA EL DESARROLLO DE SISTEMAS CONVERSACIONALES
- Frameworks de desarrollo: Rasa, Microsoft Bot Framework y Dialogflow
- Orquestación de aplicaciones con LLM: LangChain y LlamaIndex
- Plataformas no-code y low-code para chatbots
- Despliegue e integración en canales: web, WhatsApp y redes sociales
- Pruebas, monitorización y mantenimiento de un chatbot en producción
UNIDAD DIDÁCTICA 7. AGENTES DE IA Y SISTEMAS CONVERSACIONALES AVANZADOS
- Concepto y evolución de los agentes de IA
- Agentes basados en modelos de lenguaje
- Uso de herramientas y conexión con sistemas externos
- Memoria, planificación y ejecución de tareas
- Sistemas multimodales: texto, voz, imagen y vídeo
- Aplicaciones empresariales de agentes y asistentes de IA
UNIDAD DIDÁCTICA 8. SEGURIDAD, ÉTICA Y APLICACIONES DEL PLN Y LA IA CONVERSACIONAL
- Matriz de riesgo por caso de uso: dónde la seguridad y la ética del PLN son críticas
- Alucinaciones y limitaciones de los modelos de lenguaje
- Sesgos, privacidad y protección de datos
- Seguridad de los sistemas conversacionales
- Evaluación, supervisión y control de sistemas de IA
- Diseño responsable de experiencias conversacionales
- Tendencias y evolución de la IA conversacional
MÓDULO 7. INTELIGENCIA ARTIFICIAL PARA PROGRAMADORES
UNIDAD DIDÁCTICA 1. APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)
- Aprendizaje Automático
- Tipos de aprendizaje automático
- Algoritmos y modelos de aprendizaje automático
- Métricas de evalución en aprendizaje automático
- Regularización y selección de características en aprendizaje automático
UNIDAD DIDÁCTICA 2. REDES NEURONALES ARTIFICIALES (RNA)
- Redes Neuronales Artificiales (RNA)
- Estructura y arquitectura
- Funciones de activación
- Entrenamiento de las RNA
- Redes Neuronales Convolucionales (CNN) y su aplicación
- Redes Neuronales Recurrentes (RNN) y su aplicación
- Redes Neuronales Adversariales (GAN) y su aplicación
UNIDAD DIDÁCTICA 3. PROCESAMIENTO DE LENGUAJE NATURAL (NATURAL LANGUAGE PROCESSING - NLP)
- Fundamentos del Procesamiento del Lenguaje Natural (PLN)
- Representación del lenguaje en PLN
- Extracción de características en PLN
- Modelos de PLN basados en secuencias
- Modelos de PLN para tareas específicas
- Aplicaciones de PLN
UNIDAD DIDÁCTICA 4. VISIÓN ARTIFICIAL
- Visión artificial
- Preprocesamiento y transformación de imágenes
- Detección y reconocimiento de objetos
- Segmentación y clasificación de imágenes
- Aplicaciones de visión artificial
UNIDAD DIDÁCTICA 5. PROCESAMIENTO DE DATOS MASIVOS (BIG DATA) EN INTELIGENCIA ARTIFICIAL
- Big Data en Inteligencia Artificial
- Almacenamiento y procesamiento distribuido
- Tecnologías y herramientas para el procesamiento de Big Data
- Extracción de conocimiento a partir de datos masivos
- Aprendizaje automático en Big Data
UNIDAD DIDÁCTICA 6. OPTIMIZACIÓN Y SINTONIZACIÓN DE MODELOS DE IA
- Evaluación de modelos y métricas de rendimiento
- Optimización de hiperparámetros
- Regularización y técnicas de prevención de sobreajuste
- Técnicas de reducción de dimensionalidad
- Ajuste y ensamblado de modelos
UNIDAD DIDÁCTICA 7. APRENDIZAJE POR REFUERZO (REINFORCEMENT LEARNING)
- Aprendizaje por refuerzo
- Agentes y entornos de aprendizaje por refuerzo
- Métdos de aprendizaje por refuerzo
- Exploración y explotación en aprendizaje por refuerzo
- Aplicaciones de aprendizaje por refuerzo
UNIDAD DIDÁCTICA 8. DESPLIEGUE Y PRODUCCIÓN DE MODELOS DE IA
- Preparación de datos para despliegue de modelos
- Diseño e implementación de servicios de IA
- Monitoreo y evaluación de modelos en producción
- Actualización y mantenimiento de modelos de IA
- 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
- Descripción general OpenCV
- Instalación OpenCV para Python en Windows
- Instalación OpenCV para Python en Linux
- Anaconda y OpenCV
UNIDAD DIDÁCTICA 2. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS
- Manejo de archivos
- Leer una imagen con OpenCV
- Mostrar imagen con OpenCV
- Guardar una imagen con OpenCV
- Operaciones aritméticas en imágenes usando OpenCV
- Funciones de dibujo
UNIDAD DIDÁCTICA 3. TRATAMIENTO DE IMÁGENES
- Redimensión de imágenes
- Erosión de imágenes
- Desenfoque de imágenes
- Bordeado de imágenes
- Escala de grises en imágenes
- Escalado, rotación, desplazamiento y detección de bordes
- Erosión y dilatación de imágenes
- Umbrales simples
- Umbrales adaptativos
- Umbral de Otsu
- Contornos de imágenes
- Incrustación de imágenes
- Intensidad en imágenes
- Registro de imágenes
- Extracción de primer plano
- Operaciones morfológicas en imágenes
- Pirámide de imágen
UNIDAD DIDÁCTICA 4. HISTOGRAMAS Y TEMPLATE MATCHING
- Analizar imágenes usando histogramas
- Ecualización de histogramas
- Template matching
- Detección de campos en documentos usando Template matching
UNIDAD DIDÁCTICA 5. COLORES Y ESPACIOS DE COLOR
- Espacios de color en OpenCV
- Cambio de espacio de color
- Filtrado de color
- Denoising de imágenes en color
- Visualizar una imagen en diferentes espacios de color
UNIDAD DIDÁCTICA 6. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS
- Detección de líneas
- Detección de círculos
- Detectar esquinas (Método Shi-Tomasi)
- Detectar esquinas (método Harris)
- Encontrar círculos y elipses
- Detección de caras y sonrisas
UNIDAD DIDÁCTICA 7. APRENDIZAJE AUTOMÁTICO
- Vecino más cercano (K-Nearest Neighbour)
- 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.