Criteria

Ficha del curso

Transformacion empresarial con inteligencia artificial: estrategias y aplicaciones

Curso e-Learning 10 horas Generar ficha
Transformación digital

Contenidos

Transformacion Empresarial con Inteligencia Artificial: Estrategias y Aplicaciones

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 - 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

UNIDAD - Introduccion al Big Data

  • Que es el Big Data
  • El Big Data como solucion al tratamiento masivo de datos
  • Del Business Intelligence al Big Data
  • Retos del Big Data
  • Caracteristicas del Big Data (4 V'

Objetivos

s)
  • Aplicaciones del Big Data

    • 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

    MODULO.- Aplicacion del algoritmo de inteligencia artificial

    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

    MODULO.- Asimilacion de ejemplos con Weka/Orange

    UNIDAD.- Introduccion a Weka y Orange

    • Introduccion a Weka y Orange
    • ¿Que son Weka y Orange?
    • Importancia de Weka y Orange en el Aprendizaje Automatico
    • Comparacion entre Weka y Orange: Ventajas y Desventajas
    • Instalacion y Configuracion de Weka y Orange

    UNIDAD.- Exploracion de la Interfaz de Weka

    • Exploracion de la Interfaz de Weka
    • Vision General de la Interfaz de Weka
    • Modos de Weka: Explorador, Experto, Flujo de Trabajo
    • Descripcion de Modulos Clave en el Explorador

    UNIDAD.- Exploracion de la Interfaz de Orange

    • Exploracion de la Interfaz de Orange
    • Introduccion a la Interfaz Visual de Orange
    • Comprension de los Widgets de Orange
    • Creacion de un Flujo de Trabajo Basico en Orange

    UNIDAD.- Importacion y Preparacion de Datos en Weka y Orange

    • Importacion y Preparacion de Datos en Weka y Orange
    • Fuentes de Datos
    • Preprocesamiento de Datos
    • Visualizacion de Datos

    UNIDAD.- Implementacion de Modelos de Aprendizaje Automatico

    • Implementacion de Modelos de Aprendizaje Automatico
    • Modelos Supervisados en Weka y Orange
    • Modelos No Supervisados en Weka y Orange
    • Algoritmos de Aprendizaje por Refuerzo
    • Modelos Profundos (Deep Learning)

    UNIDAD.- Evaluacion y Validacion de Modelos

    • Evaluacion y Validacion de Modelos
    • Metodos de Validacion
    • Metricas de Evaluacion
    • Evaluacion de Modelos en Weka
    • Evaluacion de Modelos en Orange
    • Analisis de Resultados

    UNIDAD.- Visualizacion de Resultados

    • Visualizacion de Resultados
    • Visualizacion de Resultados en Weka
    • Visualizacion de Resultados en Orange
    • Interpretacion de Visualizaciones para la Toma de Decisiones

    UNIDAD.- Casos Practicos y Ejercicios

    • Casos Practicos y Ejercicios
    • Estudio de Caso 1: Clasificacion de Datos Medicos
    • Estudio de Caso 2: Segmentacion de Clientes

    UNIDAD.- Automatizacion y Flujo de Trabajo en Weka/Orange

    • Automatizacion y Flujo de Trabajo en Weka/Orange
    • Creacion de Flujos de Trabajo Automatizados en Weka
    • Uso de Scripts Python en Orange para Automatizacion
    • Exportacion e Implementacion de Modelos en Entornos de Produccion

    UNIDAD.- Conclusiones y Buenas Practicas

    • Conclusiones y Buenas Practicas
    • Conclusiones
    • Buenas practicas

    Volver al catálogo