Introduccion al Big Data e Inteligencia Artificial (IA)

UNIDAD.- Bases de datos

• Introduccion a las bases de datos relacionales
• Introduccion 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 revolucion 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 programacion utilizados para el Big Data: Java, Scala, SQL y Python
• Procesos ETL (extraccion, transformacion 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 desafios del procesamiento en tiempo real y del Cloud Computing
• Ejemplos de uso del cloud computing
• ¿Que es TensorFlow?
• Presentacion de las diferentes tecnicas de analisis de datos
• Tecnicas de visualizacion de datos
• Herramientas y tecnicas para crear visualizaciones interactivas y dashboards
• Desafios y consideraciones en la visualizacion de datos

UNIDAD.- Casos de uso de Big Data:

• Aplicaciones del Big Data en Instituciones Publicas
• Aplicaciones del Big Data en el Mundo Empresarial
• Analisis de los beneficios del uso del Big Data

UNIDAD.- Etica y privacidad en Big Data:

• Discusion sobre la importancia de la etica y la privacidad en el uso de Big Data
• Principales riesgos y desafios eticos asociados con el Big Data
• Mejores practicas para garantizar la etica y la privacidad en Big Data

MODULO.- Introduccion a la Inteligencia Artificial

UNIDAD.- Introduccion a la Inteligencia Artificial

• Definicion de inteligencia artificial
• Evolucion historica de la inteligencia artificial
• La inteligencia artificial en la vida cotidiana y en diferentes sectores
• La inteligencia artificial como subcampo de la informatica
• Enfoques, tecnicas y objetivos de la IA

UNIDAD.- Fundamentos de Machine Learning

• Inteligencia artificial, machine learning, deep learning y redes neuronales
• Aprendizaje automatico (Machine Learning)
• Tipos de Machine Learning (Supervisado, No Supervisado, por Refuerzo)
• Caracteristicas definitorias de un algoritmo
• Un ejemplo de las caracteristicas definitorias de un algoritmo
• Evaluacion y mejora de modelos

UNIDAD.- Aprendizaje Supervisado

• Metodos de aprendizaje supervisado
• Modelos de Algoritmos Supervisados
• Modelos de regresion lineal
• Modelos de regresion logistica
• Modelos de arboles de decision
• Modelos de maquina de vectores de soporte

UNIDAD.- Aprendizaje No Supervisado

• Metodos de aprendizaje no supervisado
• Modelos de Algoritmos no Supervisados
• k-means
• DBSCAN
• Analisis de Componentes Principales (PCA)
• Agrupamiento Jerarquico
• Comparativa de los principales algoritmos no supervisados
• Cuando utilizar unos u otros algoritmos de aprendizaje no supervisado
• Como elegir el algoritmo adecuado supervisado o no supervisado

UNIDAD.- Aprendizaje por Refuerzo

• Aprendizaje por Refuerzo: Aprendiendo a traves de la interaccion
• Desafios del Aprendizaje por Refuerzo
• Los agentes en el aprendizaje por refuerzo
• Algoritmos de Aprendizaje por Refuerzo

UNIDAD.- Enfoques heuristicos

• Los enfoques heuristicos en la inteligencia artificial
• Algoritmos geneticos
• Recocido simulado
• Busqueda tabu
• Algoritmos voraces

UNIDAD.- Deep Learning y Redes Neuronales

• Deep Learning: Aprendiendo representaciones jerarquicas
• Desafios del Deep Learning
• Redes neuronales artificiales
• Conceptos basicos de las redes neuronales
• Capas de neuronas de una red artificial
• Parametros de un modelo de inteligencia artificial
• Entrenamiento de redes neuronales
• Tecnicas 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)
• Tecnicas 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 vision computacional

• Vision computacional (Computer Vision)
• Conceptos basicos de la vision computacional
• Modelos de vision computacional
• Procesamiento de imagenes y redes neuronales convolucionales (CNN)
• Aplicaciones de la vision por computadora

UNIDAD.- Casos de uso de la Inteligencia Artificial

• Impacto de la inteligencia artificial en la sociedad y la economia
• Ejemplos de aplicaciones de la IA en instituciones publicas
• Ejemplos de aplicaciones de la IA en el mundo empresarial

UNIDAD.- Aspectos eticos y legales de la inteligencia artificial

• Explicabilidad y transparencia de los modelos de Deep Learning
• Sesgos y discriminacion en los modelos de inteligencia artificial
• Responsabilidad y regulacion en la IA

UNIDAD.- Tendencias y desafios futuros en Inteligencia Artificial

• Avances y retos en la investigacion de IA
• Innovacion y oportunidades en el campo de la IA