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