LÓPEZ BENÍTEZ, YOLANDA
Objetivos - Aplicar en empresas conocimientos acerca de la inteligencia artificial, sus diversas ramas y más específicamente aquellas relacionadas con Big Data, Deep Learning y los algoritmos relacionados con estas nuevas tecnologías. - Implementar aplicaciones basadas en IA para ser usadas en la empresa. - Navegar por la historia de la inteligencia artificial para saber la esencia sobre la que se sustenta el complejo mundo de esta tecnología, reconociendo así la razón de su existencia y desarrollo de su potencial. - Distinguir los tipos de aprendizaje automático para construir modelos predictivos basados en inteligencia artificial, conociendo los numerosos algoritmos y conjuntos de algoritmos que se pueden utilizar. - Descubrir distintos modelos predictivos, aprendiendo el funcionamiento de una plataforma de aprendizaje automático. - Revelar las oportunidades que ofrecen la inteligencia artificial y el big data para el mundo de las empresas, descubriendo herramientas que tienen integrada este tipo de tecnología y métodos de trabajo que sirven para fomentar una cultura Data Driven dentro de los negocios para ser más competitivos. - Aportar una visión estratégica que permita identificar oportunidades de negocio basados en inteligencia artificial, conociendo ejemplos, herramientas y recursos humanos. - Proveer una comprensión integral y práctica del lenguaje de programación Python en su aplicación en el desarrollo de soluciones de inteligencia artificial. Contenidos Introducción a la inteligencia artificial Introducción Definición. Historia Principio y campos de aplicaciones Ramas de la inteligencia artificial. Algoritmos Machine/Deep Learning Big data: el cambio en la IA Resumen Algoritmos de la IA Introducción Machine Learning, Deep Learning y aprendizaje por refuerzo Machine Learning: modelos supervisados Construcción de un modelo de Machine Learning Métricas de rendimiento de un modelo de Machine Learning Algoritmos de inteligencia artificial Machine Learning: modelos no supervisados Aprendizaje por refuerzo Modelos profundos (Deep Learning) Resumen Ejemplos de modelos Introducción Procesamiento de datos con Orange y Weka Orange Weka Resumen Aplicaciones en la empresa Introducción Recursos humanos y técnicas de datos. People Analytics Predicción: stocks, demandas, comportamientos Segmentación: análisis de oferta. Identificar tendencias Fidelización de clientes usando aprendizaje reforzado Estrategias nacionales para el desarrollo de la inteligencia artificial Recomendaciones web Mejora de procesos Resumen Recursos basados en inteligencia artificial aplicables a la empresa Introducción Oportunidades que ofrece la inteligencia artificial Impacto de la inteligencia artificial en las empresas Recursos basados en inteligencia artificial aplicables a la empresa Resumen Python e inteligencia artificial: fundamentos y aplicaciones avanzadas Introducción Fundamentos de big data Técnicas de minería de datos Big data e inteligencia artificial ChatGPT y los sesgos de la inteligencia artificial generativa Pasos para construir un proyecto de k Definir el objetivo Obtener los datos Limpiar los datos Enriquecer los datos Encontrar insights Desplegar Machine Learning Iterar Los profesionales del big data Ingeniero de datos Analistas de datos Arquitecto de datos Especialista en IA Científico de datos Sistemas de aprendizaje automático vs sistemas de aprendizaje manual Arquitectura de big Data: marco integral de herramientas tecnológicas Construcción de un proyecto de Machine Learning Usos, métodos, enfoques del aprendizaje automático y lenguajes de programación Métodos de aprendizaje automático Enfoques algorítmicos K-Nearets Neighbors (KNN) Árboles de decisión Aprendizaje profundo Aprendizaje por refuerzo Construcción de un clasificador de aprendizaje automático en Python con Scikit Learn Configuración de un entorno de programación Python Pasos para la instalación de Python 3 Importar Scikit Learn Importar el conjunto de datos de Scikit Learn Organizar datos en conjuntos Construcción del modelo y evaluación de las predicciones Construcción de una red neural para el reconocimiento de números escritos a mano en TensorFlow con Python Configuración del proyecto Importar datos de MNIST Definición de la arquitectura de la red neuronal artificial Construcción del gráfico de TensorFlow Proceso de entrenamiento y pruebas Generación de código con inteligencia artificial Gemini Vertex AI Resumen
