Introducción al Big Data e IA

MÓDULO.- Introducción al Big Data

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

UNIDAD.- Ética y privacidad en Big Data:

Discusión sobre la importancia de la ética y la privacidad en el uso de Big Data Principales riesgos y desafíos éticos asociados con el Big Data Mejores prácticas para garantizar la ética y la privacidad en Big Data

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.- 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

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