¿Qué es Inteligencia Artificial?
La inteligencia artificial (IA) se refiere al estudio, desarrollo y aplicación de técnicas informáticas que les permiten a las computadoras adquirir ciertas habilidades propias de la inteligencia humana. Algunas de estas son:
- Entender las situaciones y los contextos.
- Identificar objetos y reconocer sus significados.
- Analizar y resolver problemas.Aprender a realizar nuevas tareas.
- Comprender el lenguaje natural.
- Reconocer imágenes.
Objetivos del curso
- Adquirirás una visión integradora de la Inteligencia Artificial y el dominio de técnicas avanzadas de Machine Learning, Deep Learning, Natural, Language Processing (NLP), Artificial Vision…
- Conocerás los procesos de diseño, desarrollo e implementación de sistemas inteligentes por medio del uso de técnicas de Inteligencia Artificial y computación en la nube.
- Pondrás en práctica los conocimientos teóricos con las herramientas y librerías de software más utilizadas en la industria: Python (Pandas, Numpy, Matplotlib, Skit-Learn…),TensorFlow, Keras, Anaconda, Jupyter Notebooks…
- Aprenderás qué es la Inteligencia Artificial de una forma práctica mediante casos reales y utilizarás las herramientas y técnicas algorítmicas más punteras en el estado del arte para resolverlos.
Dirigido a
Este programa está dirigido a personas de diferentes perfiles que quieran orientarse hacia profesiones emergentes relacionadas con la Inteligencia Artificial. Los perfiles pueden ser de tres tipos:
- Perfiles TIC: Personas con conocimientos en informática y programación, ya sea que tengan conocimientos en el área y estén buscando su primer empleo o que ya estén trabajando en el sector TI y quieran especializarse en Inteligencia Artificial.
- Perfiles cuantitativos: Graduados en carreras con un componente cuantitativo fuerte, como estadística, matemáticas, ingenierías, física… que quieran dedicarse a la inteligencia artificial profesionalmente.
- Perfiles de negocio: Graduados y profesionales en diferentes áreas de empresa y economía que quieran especializarse en dirigir equipos, liderar proyectos y vender proyectos de Inteligencia Artificial. Este máster les permitirá adquirir un background técnico sólido en esta área.
Salidas Laborales
- Data Scientist
- Experto en Inteligencia Artificial
- Experto en Deep Learning
- Experto en NLP
- Experto en Visión Artificial o
- Experto en dirección de proyectos de Ciencia de Datos e Inteligencia Artificial.
Otros Datos
Profesores Expertos, Formación online tutorizada, Clases/Tutorías en directo, Formación basada en la práctica y en el desarrollo de ejercicios, Programa De Becas Personalizadas y Acceso a Bolsa de Empleo.
Prácticas: Prácticas en empresas especializadas (opcionales). Disponemos de una red de empresas colaboradoras para que puedas cursar tus prácticas.
Precio: 3.057€
Duración: 400 horas
PROGRAMA
1) Módulo 1: Introducción a los sistemas Informáticos y tecnologías Big Data
– Principales componentes de un sistema informático. Sistemas Operativos, para que sirven, que tipos hay y cómo funcionan…
– Introducción a GNU/Linux
– GNU/Linux Avanzado
– Como usar GNU/Linux en Cloud (AWS)
– Introducción teórica a las tecnologías Big Data: Bases de Datos SQL/No SQL, Computación distribuida, Cloud…
2) Módulo 2: Fundamentos de Programación en Python
– Introducción a los lenguajes de programación
– Python: Sentencias Básicas y Bloques Lógicos
– Python: Funciones y Scope
– Python: Clases y Objetos y Tratamiento de Excepciones
– Python: Módulos y Uso de librerías de Python
3) Módulo 3: Análisis de Datos con Python
– Python: Librerías básicas de Data Science: Pandas, Numpy, Matplotlib, Sklearn…
– Introducción teórica al análisis exploratorio de Datos
– Python: Ejemplificación del análisis exploratorio de datos mediate Datasets reales
4) Módulo 4: Introducción al Machine Learning
– Desambiguación de términos: ¿Machine Learning? ¿Deep Learning? ¿Data Science? ¿Big Data? Machine Learning: Aprendizaje supervisado (regresión/clasificación), no supervisado y por refuerzo.
– Nuestros primeros pasos con el Machine Learning: Regresión Lineal y Regresión Logística. Ejemplos con datos reales en Python.
4.1) Módulo 4.1: Introducción a la IA Generativa
– ¿Como aprovechar los recientes avances en IA generativa? Panorama actual de tecnologías más relevantes por campo:
o Texto: ChatGPT, Bard, LLaMA…
o Imagen: Dalle, Midjourney, Stable Diffusion…
– ¿Qué es el Prompt Engineering? ¿Es quizás una de las profesiones del futuro¿
– Usando la API de Open AI para crear nuestros primeros chatbots basados en ChatGPT.
5) Módulo 5: Bases de Datos Big Data
– Introducción a las Bases de datos SQL.
– Programación en Python con SQLite.
– Bases de datos NoSQL: Clave-Valor, Columnares, Documentales y de Grafos
– Bases de Datos NoSQL Documentales: MongoDB (PyMongo)
6) Módulo 6: Procesamiento Distribuido
– Funcionamiento de un sistema Big Data de Procesamiento Distribuido: Ingestión, Almacenamiento, Gestión de Recursos, Cálculo Distribuido…
– Hadoop
– Introducción a Spark: pySpark y DataFrame API
– Machine Learning con Spark ML
– PySpark Pandas
7) Módulo 7: Algoritmos de Machine Learning y su implementación
– ¿Qué es un modelo de machine learning? ¿Qué es el entrenamiento? ¿Cómo valido que mis modelos generalizan correctamente?
– Regresión Lineal
– Regresión Logística
– Algoritmos de agrupamiento (K-Means, Clustering espectral, Clustering jerárquico…)
– Support Vector Machines (SVM)
– Árboles de Decisión y Random Forests
– K Nearest Neighbors (KNN)
– Redes Bayesianas
– Modelos Ocultos de Markov
– Algoritmos de reducción de la dimensionalidad (PCA, t-SNE…)
– Algoritmos de selección de modelos y búsqueda inteligente de hiper parámetros (grid search, random search, cross validation…)
– Modelos Ensemble y Sistemas multi-agente
– Ecosistema Data Science en Python: Skit Learn, Pandas, Numpy, Matplotlib…
– Pre-procesamiento de datos numéricos (Normalización, discretización, estandarización…)
7) Módulo 7: Deep Learning (Opcional)
– Introducción a los sistemas cognitivos y al aprendizaje profundo
– Perceptrones multi capa (MLP)
– Aspectos prácticos en el entrenamiento de redes neuronales y computación en GPU/TPU
– Redes Convolucionales (CNN)
– Redes Recurrentes (RNN)
– Auto-Encoders
– Redes Generativas Adversarias (GAN)
– Deep Reinforcement Learning (DRL)
– Deep Learning Frameworks: Keras, TensorFlow, Pytorch…
8) Módulo 8: Procesamiento de Lenguaje Natural (Opcional)
– Pre-procesamiento de texto y creación de corpus (tokenización, lematización, separación de oraciones…)
– Conceptos clave de análisis a nivel de documento (TF-IDF, BoW…)
– Topic Modeling (LDA y LSI)
– Análisis morfológico y morfosintáctico (PoS Tagging)
– Named Entity Recognition
– Embeddings
– Deep Learning aplicado a NLP
– La revolución de los modelos Deep Learning de lenguaje basados en contexto (BERT, ELMo…)
– Modelos de generación de texto y agentes conversacionales
– Ecosistema NLP en Python: NLTK, gensim, spacy, rasa…
9) Módulo 9: TFM (Opcional)
– El alumno presentará una propuesta de proyecto al docente, que utilice algoritmos y tecnologías vistos en este máster para la resolución de un problema real de negocio.
– Una vez aprobada la propuesta el alumno lo realizará
– Al entregarlo el docente dará su feedback y si este es positivo el alumno tendrá una mención especial en su diploma y prioridad en nuestra bolsa de empleo.
Herramientas y librerías que aprenderás.
• Python
• Linux
• Jupyter Lab
• Pycharm
• Spark (PySpark, Spark MLlib)
• Hadoop (HDFS, YARN)
• Mongo DB
• AWS
• NumPy
• Pandas
• Matplotlib
• Sklearn
• Keras
• TensorFlow
• NLTK
• Gensim
• TextBlob
• ChatGPT
• DALL·E 3
• OpenAI API
• Chatbots
Títulos que conseguirás
Una vez que finalices nuestro curso conseguirás 7 titulaciones:
• Máster en Inteligencia Artificial
• Máster en Machine Learning y Deep Learning
• Iniciación a GNU/Linux
• Desarrollo en Python Avanzado
• Análisis de datos y visualización con Python
• Big Data Avanzado
• NPL Avanzado
Claustro de profesores
Daniel Martínez García
Experto en Inteligencia Artificial con dilatada experiencia en el sector. Fue durante años director de I+D en la División de Inteligencia Artificial de Altran y actualmente dirige la parte de Inteligencia Artificial en MonoM (Grupo Álava). Tiene un máster en Big Data y otro en Deep Learning e imparte clases en universidades y escuelas de negocios.