Transformación empresarial con inteligencia artificial: estrategias y aplicaciones

Transformación Empresarial con Inteligencia Artificial: Estrategias y Aplicaciones

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