Cursos gratuitos

Curso Gratuito Maestría en Inteligencia Artificial

Duración: 1500
EURO64abd4509e8aa
Valoración: 4.8 /5 basada en 93 revisores
cursos gratuitos

Para qué te prepara este curso subvencionado Curso Gratuito Maestría en Inteligencia Artificial:

A lo largo de nuestra Maestría en Inteligencia Artificial encontrarás los conocimientos para comprender las Ciencias del Comportamiento, Big Data, Inteligencia Artificial e Internet Of Behaviors (IOB). De igual modo abarcarás las habilidades necesarias de análisis de datos y programación en Python para poder sumergirte en el diseño, desarrollo y uso de las inteligencias artificiales, tanto de lenguaje natural como de estadística o procesamiento de datos.

A quién va dirigido:

Nuestra Maestría en Inteligencia Artificial es de gran interés para una amplia variedad de profesionales y estudiantes que deseen adquirir habilidades y conocimientos avanzados en esta área en constante crecimiento. Aquí se contemplan profesionales de la informática y tecnología, investigadores y académicos de las TIC o consultores de negocio y marketing entre otros.

Objetivos de este curso subvencionado Curso Gratuito Maestría en Inteligencia Artificial:

- Revisar los conceptos de Big Data, Inteligencia Artificial e Internet Of Behaviors (IOB). - Conocer los fundamentos del Big Data y sus principales herramientas de uso. - Aprender sobre el Data Science y cómo poder aprovecharlo para las Inteligencias Artificiales. - Repasar las herramientas de SQL, Bases de Datos y Data Mining - Ahondar en el uso de Python como herramienta de programación en nuestras IAs. - Estudiar las aplicaciones de las IAs, como procesamiento de datos o lenguaje, así como enmarcarlo dentro del ML y DL.

Salidas Laborales:

Las orientaciones laborales en las que se enfoca nuestra Maestría en Inteligencia Artificial son muy amplias, al abarcar a ingenieros de software, especialistas en Big Data y Data Science e investigadores. Además, sectores de nueva implementación de las IAs como son la lingüística, la medicina, arquitectura, y los especialistas que deben tanto legislar o debatir sobre su ética y uso.

 

Resumen:

La inteligencia artificial (IA) ha experimentado un crecimiento significativo en los últimos años y ha demostrado su capacidad para transformar diversas áreas de la sociedad. Actualmente, la IA se utiliza en campos como el comercio electrónico, la atención médica, la automoción, la banca, la educación, la seguridad y la defensa, entre otros. También está impulsando el desarrollo de tecnologías emergentes como la robótica, el procesamiento del lenguaje natural y la visión por computadora. La IA también ha generado preocupaciones y debates en torno a temas como la privacidad, la ética y el impacto en el mercado laboral. Con nuestra Maestría en Inteligencia Artificial podrás especializarte en esta nueva herramienta que ha revolucionado al mundo.

Titulación:

Titulación Universitaria de Maestría en Inteligencia Artificial otorgada por San Ignacio University of Miami (SIU)

Metodología:

Entre el material entregado en este curso se adjunta un documento llamado Guía del Alumno dónde aparece un horario de tutorías telefónicas y una dirección de e-mail dónde podrá enviar sus consultas, dudas y ejercicios. La metodología a seguir es ir avanzando a lo largo del itinerario de aprendizaje online, que cuenta con una serie de temas y ejercicios. Para su evaluación, el alumno/a deberá completar todos los ejercicios propuestos en el curso. La titulación será remitida al alumno/a por correo una vez se haya comprobado que ha completado el itinerario de aprendizaje satisfactoriamente.

Temario:


MÓDULO 1. BIG DATA INTRODUCTION

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL BIG DATA
  1. ¿Qué es Big Data?
  2. La era de las grandes cantidades de información. Historia del big data
  3. La importancia de almacenar y extraer información
  4. Big Data enfocado a los negocios
  5. Open Data
  6. Información pública
  7. IoT (Internet of Things-Internet de las cosas)
UNIDAD DIDÁCTICA 2. FUENTES DE DATOS
  1. Definición y relevancia de la selección de las fuentes de datos
  2. Naturaleza de las fuentes de datos Big Data
UNIDAD DIDÁCTICA 3. OPEN DATA
  1. Definición, Beneficios y Características
  2. Ejemplo de uso de Open Data
UNIDAD DIDÁCTICA 4. FASES DE UN PROYECTO DE BIG DATA
  1. Diagnóstico inicial
  2. Diseño del proyecto
  3. Proceso de implementación
  4. Monitorización y control del proyecto
  5. Responsable y recursos disponibles
  6. Calendarización
  7. Alcance y valoración económica del proyecto
UNIDAD DIDÁCTICA 5. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN
  1. Definiendo el concepto de Business Intelligence y sociedad de la información
  2. Arquitectura de una solución de Business Intelligence
  3. Business Intelligence en los departamentos de la empresa
  4. Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual
  5. Sistemas operacionales y Procesos ETL en un sistema de BI
  6. Ventajas y Factores de Riesgos del Business Intelligence
UNIDAD DIDÁCTICA 6. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE
  1. Cuadros de Mando Integrales (CMI)
  2. Sistemas de Soporte a la Decisión (DSS)
  3. Sistemas de Información Ejecutiva (EIS)
UNIDAD DIDÁCTICA 7. BIG DATA Y MARKETING
  1. Apoyo del Big Data en el proceso de toma de decisiones
  2. Toma de decisiones operativas
  3. Marketing estratégico y Big Data
  4. Nuevas tendencias en management
UNIDAD DIDÁCTICA 8. DEL BIG DATA AL LINKED OPEN DATA
  1. Concepto de web semántica
  2. Linked Data Vs Big Data
  3. Lenguaje de consulta SPARQL
UNIDAD DIDÁCTICA 9. INTERNET DE LAS COSAS
  1. Contexto Internet de las Cosas (IoT)
  2. ¿Qué es IoT?
  3. Elementos que componen el ecosistema IoT
  4. Arquitectura IoT
  5. Dispositivos y elementos empleados
  6. Ejemplos de uso
  7. Retos y líneas de trabajo futuras

MÓDULO 2. DATA SCIENCE: ALMACENAMIENTO, ANÁLISIS Y PROCESAMIENTO DE DATOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
  4. Aspectos legales en Protección de Datos
UNIDAD DIDÁCTICA 2. BASES DE DATOS RELACIONALES
  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional
UNIDAD DIDÁCTICA 3. BASES DE DATOS NOSQL Y EL ALMACENAMIENTO ESCALABLE
  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL Teorema de CAP
  4. Sistemas de Bases de datos NoSQL
UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A UN SISTEMA DE BASES DE DATOS NOSQL: MONGODB
  1. ¿Qué es MongoDB?
  2. Funcionamiento y uso de MongoDB
  3. Primeros pasos con MongoDB: Instalación y shell de comandos
  4. Creando nuestra primera Base de Datos NoSQL: Modelo e Inserción de Datos
  5. Actualización de datos en MongoDB: Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB
UNIDAD DIDÁCTICA 5. WEKA Y DATA MINING
  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos
UNIDAD DIDÁCTICA 6. PENTAHO
  1. Una aproximación a PENTAHO
  2. Soluciones que ofrece PENTAHO
  3. MongoDB & PENTAHO
  4. Hadoop & PENTAHO
  5. Weka & PENTAHO
UNIDAD DIDÁCTICA 7. R COMO HERRAMIENTA PARA BIG DATA
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
UNIDAD DIDÁCTICA 8. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
UNIDAD DIDÁCTICA 9. ANÁLISIS DE LOS DATOS
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados

MÓDULO 3. ANÁLISIS DE DATOS CON PYTHON

  1. UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
  2. ¿Qué es el análisis de datos?
  3. UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
  4. Análisis de datos con NumPy
  5. Pandas
  6. Matplotlib
  7. UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
  8. Cómo usar loc en Pandas
  9. Cómo eliminar una columna en Pandas
  10. Eliminar una columna
  11. UNIDAD DIDÁCTICA 4. PIVOT TABLES
  12. Pivot tables en pandas
  13. UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
  14. El grupo de pandas
  15. UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
  16. Python Pandas fusionando marcos de datos
  17. UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
  18. Matplotlib
  19. Seaborn
  20. UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
  21. Aprendizaje automático
  22. UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
  23. Regresión lineal
  24. Regresión logística
  25. UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
  26. Estructura de árbol
  27. UNIDAD DIDÁCTICA 11. NAIVE BAYES
  28. Algoritmo de Naive bayes
  29. Tipos de Naive Bayes
  30. UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
  31. Máquinas de vectores soporte (Support Vector Machine-SVN)
  32. ¿Cómo funciona SVM?
  33. Núcleos SVM
  34. Construcción de clasificador en Scikit-learn
  35. UNIDAD DIDÁCTICA 13. KNN
  36. K-nearest Neighbors (KNN)
  37. Implementación de Python del algoritmo KNN
  38. UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
  39. Análisis de componentes principales
  40. UNIDAD DIDÁCTICA 15. RANDOM FOREST
  41. Algoritmo de random forest

MÓDULO 4. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL)

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
  1. Introducción a la inteligencia artificial
  2. Historia
  3. La importancia de la IA
UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL
  1. Tipos de inteligencia artificial
UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL
  1. Algoritmos aplicados a la inteligencia artificial
UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA
  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Tecnologías de IA que se están utilizando con Big Data
UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS
  1. Sistemas expertos
  2. Estructura de un sistema experto
  3. Inferencia: Tipos
  4. Fases de construcción de un sistema
  5. Rendimiento y mejoras
  6. Dominios de aplicación
  7. Creación de un sistema experto en C#
  8. Añadir incertidumbre y probabilidades
UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL
  1. Futuro de la inteligencia artificial
  2. Impacto de la IA en la industria
  3. El impacto económico y social global de la IA y su futuro
UNIDAD DIDÁCTICA 7. INTRODUCCIÓN AL MACHINE LEARNING
  1. Introducción
  2. Clasificación de algoritmos de aprendizaje automático
  3. Ejemplos de aprendizaje automático
  4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
  5. Tipos de algoritmos de aprendizaje automático
  6. El futuro del aprendizaje automático
UNIDAD DIDÁCTICA 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
  1. Introducción
  2. Algoritmos
UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN
  1. Introducción
  2. Filtrado colaborativo
  3. Clusterización
  4. Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 10. CLASIFICACIÓN
  1. Clasificadores
  2. Algoritmos
UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING
  1. Componentes
  2. Aprendizaje
UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN
  1. Introducción
  2. El proceso de paso de DSS a IDSS
  3. Casos de aplicación
UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
  1. Aprendizaje profundo
  2. Entorno de Deep Learning con Python
  3. Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES
  1. Redes neuronales
  2. Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA
  1. Perceptrón de una capa y multicapa
  2. Ejemplo de perceptrón
UNIDAD DIDÁCTICA 16. REDES MULTICAPA
  1. Tipos de redes profundas
  2. Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 17. ESTRATEGIAS DE APRENDIZAJE
  1. Entrada y salida de datos
  2. Entrenar una red neuronal
  3. Gráficos computacionales
  4. Implementación de una red profunda
  5. El algoritmo de propagación directa
  6. Redes neuronales profundas multicapa

MÓDULO 5. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN
  1. ¿Qué es PLN?
  2. ¿Qué incluye el PLN?
  3. Ejemplos de uso de PLN
  4. Futuro del PLN
UNIDAD DIDÁCTICA 2. PLN EN PYTHON
  1. PLN en Python con la librería NLTK
  2. Otras herramientas para PLN
UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN
  1. Principios del análisis sintáctico
  2. Gramática libre de contexto
  3. Analizadores sintácticos (Parsers)
UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN
  1. Aspectos introductorios del análisis semántico
  2. Lenguaje semántico para PLN
  3. Análisis pragmático
UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN
  1. Aspectos introductorios
  2. Pasos en la extracción de información
  3. Ejemplo PLN
  4. Ejemplo PLN con entrada de texto en inglés
UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?
  1. Aspectos introductorios
  2. ¿Qué es un chatbot?
  3. ¿Cómo funciona un chatbot?
  4. VoiceBots
  5. Desafios para los Chatbots
UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS
  1. Chatbots y el papel de la Inteligencia Artificial (IA)
  2. Usos y beneficios de los chatbots
  3. Diferencia entre bots, chatbots e IA
UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS
  1. Áreas de aplicación de Chatbots
  2. Desarrollo de un chatbot con ChatterBot y Python
  3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel

MÓDULO 6. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV

UNIDAD DIDÁCTICA 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES
  1. La visión artificial: definiciones y aspectos principales
UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL
  1. Ópticas
  2. Iluminación
  3. Cámaras
  4. Sistemas 3D
  5. Sensores
  6. Equipos compactos
  7. Metodologías para la selección del hardware
UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL
  1. Algoritmos
  2. Software
  3. Segmentación e interpretación de imágenes
  4. Metodologías para la selección del software
UNIDAD DIDÁCTICA 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0
  1. Aplicaciones clásicas: discriminación, detección de fallos…
  2. Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)
UNIDAD DIDÁCTICA 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV
  1. Descripción general OpenCV
  2. Instalación OpenCV para Python en Windows
  3. Instalación OpenCV para Python en Linux
  4. Anaconda y OpenCV
UNIDAD DIDÁCTICA 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS
  1. Manejo de archivos
  2. Leer una imagen con OpenCV
  3. Mostrar imagen con OpenCV
  4. Guardar una imagen con OpenCV
  5. Operaciones aritméticas en imágenes usando OpenCV
  6. Funciones de dibujo
UNIDAD DIDÁCTICA 7. TRATAMIENTO DE IMÁGENES
  1. Redimensión de imágenes
  2. Erosión de imágenes
  3. Desenfoque de imágenes
  4. Bordeado de imágenes
  5. Escala de grises en imágenes
  6. Escalado, rotación, desplazamiento y detección de bordes
  7. Erosión y dilatación de imágenes
  8. Umbrales simples
  9. Umbrales adaptativos
  10. Umbral de Otsu
  11. Contornos de imágenes
  12. Incrustación de imágenes
  13. Intensidad en imágenes
  14. Registro de imágenes
  15. Extracción de primer plano
  16. Operaciones morfológicas en imágenes
  17. Pirámide de imágen
UNIDAD DIDÁCTICA 8. HISTOGRAMAS Y TEMPLATE MATCHING
  1. Analizar imágenes usando histogramas
  2. Ecualización de histogramas
  3. Template matching
  4. Detección de campos en documentos usando Template matching
UNIDAD DIDÁCTICA 9. COLORES Y ESPACIOS DE COLOR
  1. Espacios de color en OpenCV
  2. Cambio de espacio de color
  3. Filtrado de color
  4. Denoising de imágenes en color
  5. Visualizar una imagen en diferentes espacios de color
UNIDAD DIDÁCTICA 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS
  1. Detección de líneas
  2. Detección de círculos
  3. Detectar esquinas (Método Shi-Tomasi)
  4. Detectar esquinas (método Harris)
  5. Encontrar círculos y elipses
  6. Detección de caras y sonrisas
UNIDAD DIDÁCTICA 11. APRENDIZAJE AUTOMÁTICO
  1. Vecino más cercano (K-Nearest Neighbour)
  2. Agrupamiento de K-medias (K-Means Clustering)

MÓDULO 7. IOT: INTERNET DE LAS COSAS

UNIDAD DIDÁCTICA 1. INTERNET DE LAS COSAS
  1. Contexto Internet de las Cosas (IoT)
  2. ¿Qué es IoT?
  3. Elementos que componen el ecosistema IoT
  4. Arquitectura IoT
  5. Dispositivos y elementos empleados
  6. Ejemplos de uso
  7. Retos y líneas de trabajo futuras
UNIDAD DIDÁCTICA 2. TECNOLOGÍAS APLICADAS A INTERNET DE LAS COSAS
  1. La relación entre M2M e IoT
  2. IoT y Smart Cities
  3. Los sistemas inteligentes de transporte
  4. Smart Home
UNIDAD DIDÁCTICA 3. DISPOSITIVOS Y APLICACIONES IOT
  1. Dispositivos e IoT
  2. Interfaces
  3. Impresión 3D
UNIDAD DIDÁCTICA 4. SEGURIDAD EN IOT
  1. La seguridad TIC
  2. Tipos de seguridad TIC
  3. Vulnerabilidades de IoT
  4. Necesidades de seguridad específicas de IoT
UNIDAD DIDÁCTICA 5. SISTEMAS ENERGÉTICOS BASADOS EN IOT
  1. La importancia de la eficiencia energética
  2. Las fuentes de consumo
  3. IoT como gran aliado de las energías renovables
  4. Microrredes
UNIDAD DIDÁCTICA 6. SISTEMAS CIBERFÍSICOS
  1. Contexto Sistemas Ciberfísicos (CPS)
  2. Características CPS
  3. Componentes CPS
  4. Ejemplos de uso
  5. Retos y líneas futuras
UNIDAD DIDÁCTICA 7. INTERNET DE LAS COSAS CON ARDUINO
  1. Introducción a Arduino
  2. Características
  3. Objetivos
  4. Una vuelta por el pasado
  5. El microcontrolador
  6. Componentes hardware

MÓDULO 8. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y PRIMEROS PASOS
  1. ¿Qué es la inteligencia artificial?
  2. Hardware y software unidos por la Inteligencia Artificial
  3. Inteligencia Artificial y Visión Artificial
  4. Arduino: introducción
UNIDAD DIDÁCTICA 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON
  1. Instalación de Arduino
  2. Configurando tu Arduino para Python
UNIDAD DIDÁCTICA 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON
  1. Control de Arduino
UNIDAD DIDÁCTICA 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON
  1. Manejo de entradas
  2. Entradas analógicas
UNIDAD DIDÁCTICA 5. USO DE SALIDAS ANALÓGICAS
  1. Salidas analógicas
  2. Valores analógicos en Arduino
UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A MACHINE LEARNING
  1. Introducción al machine learning
  2. Aprendizaje supervisado
  3. Aprendizaje no supervisado
UNIDAD DIDÁCTICA 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN
  1. Redes neuronales y deep learning
  2. Series Temporales
UNIDAD DIDÁCTICA 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS
  1. Funciones y parámetros
  2. Variables y constantes especializadas
  3. Estructura de control
UNIDAD DIDÁCTICA 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO
  1. Introducción
  2. ¿Qué son los datos de entrenamiento de IA?
  3. ¿Por qué se requieren datos de entrenamiento de IA?
  4. ¿Cuántos datos son adecuados?
  5. ¿Qué afecta la calidad de los datos en el entrenamiento?
UNIDAD DIDÁCTICA 10. CREACIÓN DE RED NEURONAL ARTIFICIAL Y APLICACIONES CON ARDUINO Y TENSORFLOW CON KERAS
  1. Crear red neural paso a paso
  2. Redes neuronales: Aprendizaje
  3. Otras redes neuronales

MÓDULO 9. CIENCIAS DEL COMPORTAMIENTO , BIG DATA, INTELIGENCIA ARTIFICIAL E INTERNET OF BEHAVIORS (IOB)

  1. UNIDAD DIDÁCTICA 1. MARKETING, MERCHANDISING Y PUBLICIDAD EN IOB
  2. Internet of Behavior
  3. UNIDAD DIDÁCTICA 2. CIENCIAS COGNITIVAS DEL COMPORTAMIENTO
  4. Ciencia cognitiva
  5. UNIDAD DIDÁCTICA 3. NEUROPSICOLOGÍA Y CÓMO CAPTAR LA ATENCIÓN DE UN USUARIO
  6. Neuropsicología
  7. UNIDAD DIDÁCTICA 4. PRODUCTOS Y CONTENIDOS PERSONALIZADOS GRACIAS AL INTERNET OF BEHAVIORS (IOB)
  8. Personalización IOB
  9. UNIDAD DIDÁCTICA 5. VISIÓN POR COMPUTADORA Y ANÁLISIS FACIAL
  10. La visión Artificial
  11. UNIDAD DIDÁCTICA 6. PROCESAMIENTO AUTOMÁTICO DE IDIOMAS
  12. Procesamiento del lenguaje natural
  13. UNIDAD DIDÁCTICA 7. ANÁLISIS DE COMPORTAMIENTO Y SEGURIDAD OPERACIONAL
  14. Análisis de comportamiento
  15. UNIDAD DIDÁCTICA 8. DEL BIG DATA AL ANÁLISIS DE SENTIMIENTOS
  16. Análisis de opinión
Accede ahora a nuestros cursos y encuentra la más amplia variedad de cursos del mercado, este

curso gratuito le prepara para ser

Las orientaciones laborales en las que se enfoca nuestra Maestría en Inteligencia Artificial son muy amplias, al abarcar a ingenieros de software, especialistas en Big Data y Data Science e investigadores. Además, sectores de nueva implementación de las IAs como son la lingüística, la medicina, arquitectura, y los especialistas que deben tanto legislar o debatir sobre su ética y uso.

. ¿A qué esperas para llevar a cabo tus proyectos personales?.
cursos gratuitos
10 julio, 2023 Deja tu cometario

No se han encontrado comentarios

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Curso Gratuito Maestría en Inteligencia Artificial

Duración: 1500
EURO6359030ec8d9d
Valoración: 4.8 /5 basada en 74 revisores
cursos gratuitos

Para qué te prepara este curso subvencionado Curso Gratuito Maestría en Inteligencia Artificial:

Con esta Maestría en Inteligencia Artificial será posible aprender las nuevas tendencias dentro del mundo de los datos masivos, así como la inteligencia artificial. Se tendrá la posibilidad de estudiar qué es necesario para llevarlo a cabo, conociendo los tipos de estrategias y herramientas utilizadas. Esto será beneficioso para cualquier persona que quiera aplicar estos conocimientos a su entorno laboral.

A quién va dirigido:

Esta Maestría en Inteligencia Artificial puede ir dirigida a propietarios de negocios que quieran implantar inteligencia artificial. También puede servir como conocimiento, para externalizar el servicio sabiendo de primera mano que tipo de trabajo se está realizando. Además, será útil para trabajadores del sector del desarrollo que desean especializarse en este sector.

Objetivos de este curso subvencionado Curso Gratuito Maestría en Inteligencia Artificial:

- Saber de primera mano todo lo que rodea a la inteligencia artificial. - Conocer casos del sector, tener la posibilidad de aprender sus virtudes y debilidades. - Tener la posibilidad de conocer actualizaciones dentro del sector y cómo se han dado a conocer. - Comprender la estructura que hay que seguir para establecer un sistema inteligente. - Estudiar qué acciones se pueden aplicar en este sector.

Salidas Laborales:

Las salidas profesionales de esta Maestría en Inteligencia Artificial son las de las de desarrollador de inteligencia artificial, analista de datos o programador. Todas las posiciones relacionadas con los datos y la información son válidas. Esto permitirá desarrollar tu carrera profesional y adquirir una formación avanzada y ampliar las fronteras de este sector.

 

Resumen:

Gracias a esta Maestría en Inteligencia Artificial podrás comprender el mundo de la inteligencia artificial y todo lo que conlleva. Al finalizarlo, el alumno comprenderá los contenidos relacionados con la inteligencia artificial, además de conocer algunas de las herramientas más utilizadas del sector. Gracias al estudio de los datos, el alumno conocerá qué debe y qué no debe hacer, y también aumentará sus conocimientos en el sector del big data y la minería de datos e incluso en las bases de datos. Por último, el alumno tendrá la posibilidad de estudiar los datos de su entorno de trabajo, de manera que pueda aplicar cambios o, al menos proponerlos, en vistas a realizar mejoras dentro de su empresa.

Titulación:

Titulación Oficial de Maestría en Inteligencia Artificial por la Universidad UDAVINCI con el Reconocimiento de Validez Oficial de Estudios (RVOE)

Metodología:

Con nuestra metodología de aprendizaje online, el alumno comienza su andadura con nosotros a través de un campus virtual diseñado exclusivamente para desarrollar el itinerario formativo con el objetivo de mejorar su perfil profesional. El alumno debe avanzar de manera autónoma a lo largo de las diferentes asignaturas así como realizar las actividades de aprendizaje. Las horas de estudio realizadas en el Campus Virtual se complementan con el trabajo autónomo del alumno, la comunicación con el docente, las actividades y lecturas complementarias y la labor de investigación y creación asociada a los proyectos.

Temario:


MÓDULO 1. FUNDAMENTOS DE PROGRAMACIÓN

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A JAVASCRIPT
  1. Introducción
  2. Dónde se ubica el JavaScript en las páginas HTML
  3. Cómo enviar las salidas de resultados a las páginas HTML
UNIDAD DIDÁCTICA 2. CONCEPTOS BÁSICOS DE JAVASCRIPT
  1. Declaraciones
  2. Sintaxis
  3. Comentarios
  4. Variables
  5. Tipos de datos
UNIDAD DIDÁCTICA 3. PROGRAMACIÓN ORIENTADA A OBJETOS
  1. Clase
  2. Propiedades
  3. Métodos
  4. Getters y Setters
  5. Constructores
UNIDAD DIDÁCTICA 4. SENTENCIAS CONDICIONALES
  1. Operadores
  2. Sentencia condicional simple
  3. Sentencia condicional múltiple
UNIDAD DIDÁCTICA 5. SENTENCIAS DE REPETICIÓN
  1. Fundamentos de la repetición controlada
  2. Instrucción de repetición mientras
  3. Instrucción de repetición haz - mientras
  4. Instrucción de repetición desde
UNIDAD DIDÁCTICA 6. ARREGLOS EN LA PROGRAMACIÓN
  1. Declaración y creación de arreglos
  2. Paso de arreglos a los métodos
  3. Arreglos multidimensionales
  4. Listas de argumentos con longitud variable
UNIDAD DIDÁCTICA 7. FUNCIONES
  1. Manejo de cadenas
  2. Manejo de números
  3. Manejo de funciones matemáticas
  4. Manejo de valores booleanos
UNIDAD DIDÁCTICA 8. INTERFACES
  1. JavaScript HTML DOM
  2. Modelo de objeto del navegador
  3. Formularios
UNIDAD DIDÁCTICA 9. ENVIAR Y RECIBIR DATOS DESDE JAVASCRIPT
  1. JavaScript Ajax
  2. Uso JSON en JavaScript
UNIDAD DIDÁCTICA 10. FRAMEWORK JQUERY
  1. Conceptos y generalidades
  2. Utilización de Jquery

MÓDULO 2. DATOS MASIVOS EN LAS ORGANIZACIONES

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE LOS DATOS MASIVOS
  1. Evolución de la administración de los datos
  2. Tipos de administración de los datos
  3. Operaciones para el manejo de los datos masivos
  4. Tipos de datos masivos
UNIDAD DIDÁCTICA 2. COMPUTACIÓN DISTRIBUIDA
  1. Historia de la computación distribuida
  2. Elementos de la computación distribuida
  3. Uso de la computación distribuida
UNIDAD DIDÁCTICA 3. COMPONENTES TECNOLÓGICOS PARA EL USO DE DATOS MASIVOS
  1. Pila de datos masivos
  2. Capas para el manejo de los datos masivos
  3. Tecnología para el uso de datos masivos
UNIDAD DIDÁCTICA 4. SERVICIOS Y ALMACENAMIENTO DE DATOS
  1. Servicios de organización de datos
  2. Herramientas para la organización de datos
  3. Almacenamiento analítico de datos
UNIDAD DIDÁCTICA 5. FUNDAMENTOS DE LA VIRTUALIZACIÓN
  1. Importancia de la virtualización en el uso de datos masivos
  2. Servidor de virtualización
  3. Aplicaciones de la virtualización
  4. Manejo de la virtualización
UNIDAD DIDÁCTICA 6. USO DE LOS DATOS MASIVOS
  1. Aplicación de los datos masivos
  2. Manejo de datos masivos
  3. Funciones en el uso de datos masivos
UNIDAD DIDÁCTICA 7. USO DE LA NUBE
  1. Relación de la nube con los datos masivos
  2. Modelos de despliegue y entrega en la nube
  3. Manejo de la nube para la administración de datos masivos
UNIDAD DIDÁCTICA 8. SISTEMAS DE ALMACENAMIENTO MASIVO
  1. Características de los sistemas de almacenamiento masivo
  2. Elementos de los sistemas de almacenamiento masivo
  3. Beneficios de los sistemas de almacenamiento masivo
UNIDAD DIDÁCTICA 9. MANEJO DE LOS SISTEMAS DE ALMACENAMIENTO MASIVO
  1. Sistemas de archivos distribuidos
  2. Uso de las funciones de reducción
  3. Manejo de las funciones de mapeo
UNIDAD DIDÁCTICA 10. ADMINISTRACIÓN DE LOS SISTEMAS PARA EL ALMACENAMIENTO MASIVO
  1. Manejo de recursos y aplicaciones
  2. Almacenamiento de los datos masivos
  3. Minería de datos masivos

MÓDULO 3. RECOLECCIÓN Y CLASIFICACIÓN DE DATOS

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Importancia de la recolección de datos
  2. Historia y evolución
  3. Importancia de la clasificación de datos
  4. Historia y evolución
  5. Relación con la ciencia de datos
UNIDAD DIDÁCTICA 2. ENTREVISTA
  1. Conceptos
  2. Objetivo
  3. Características
  4. Partes de una entrevista
  5. Tipos de preguntas
UNIDAD DIDÁCTICA 3. SESIÓN DE GRUPO
  1. Conceptos
  2. Objetivo
  3. Características
  4. Tipos
  5. Selección de participantes
UNIDAD DIDÁCTICA 4. OBSERVACIÓN
  1. Conceptos
  2. Objetivos
  3. PARTICIPANTES
  4. Aplicación en la recolección de datos
  5. Registro de hechos
UNIDAD DIDÁCTICA 5. ENCUESTA
  1. Conceptos
  2. Objetivos
  3. Características
  4. Tipos
  5. Selección de participantes
UNIDAD DIDÁCTICA 6. DIAGRAMA DE FLUJO
  1. Conceptos
  2. Objetivos
  3. Diseño
  4. Construcción
  5. Aplicabilidad en la recolección de datos
UNIDAD DIDÁCTICA 7. DICCIONARIO DE DATOS
  1. Conceptos
  2. Objetivos
  3. Características
  4. Construcción
  5. aplicabilidad
UNIDAD DIDÁCTICA 8. TECNOLOGÍAS PARA LA RECOLECCIÓN DE DATOS
  1. Importancia
  2. Beneficios
  3. Características
  4. Costos
  5. Algunas herramientas
UNIDAD DIDÁCTICA 9. CLASIFICACIÓN DE DATOS
  1. Conceptos
  2. Tipos
  3. Clasificaciones
  4. Datos cualitativos
  5. Datos cuantitativos
UNIDAD DIDÁCTICA 10. REVISIÓN Y CORRECCIÓN DE LOS DATOS
  1. Conceptos
  2. Objetivo
  3. Ventajas y beneficios
  4. Consecuencias negativas
  5. Herramientas

MÓDULO 4. INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. INTELIGENCIA ARTIFICIAL
  1. Características de la inteligencia
  2. Uso de la inteligencia artificial
  3. Ventajas de la inteligencia artificial
UNIDAD DIDÁCTICA 2. ANTECEDENTES DE LA INTELIGENCIA ARTIFICIAL
  1. Historia de la inteligencia artificial
  2. Factores de la inteligencia artificial
  3. Evolución de la inteligencia artificial
UNIDAD DIDÁCTICA 3. RAMAS DE LA INTELIGENCIA ARTIFICIAL
  1. Lógica difusa
  2. Redes neurales artificiales
  3. Algoritmos genéticos
UNIDAD DIDÁCTICA 4. LÓGICA DIFUSA
  1. Historia de la lógica difusa
  2. Características de la lógica difusa
  3. Beneficios de la lógica difusa
UNIDAD DIDÁCTICA 5. MANEJO DE LA LÓGICA DIFUSA
  1. Uso de la lógica difusa
  2. Aplicaciones de la lógica difusa
  3. Ventajas de la lógica difusa en la industria
UNIDAD DIDÁCTICA 6. REDES NEURALES ARTIFICIALES
  1. Historia de las redes neurales artificiales
  2. Características de las redes neurales artificiales
  3. Beneficios de las redes neurales artificiales
UNIDAD DIDÁCTICA 7. SOFTWARE PARA EL ÁREA DE GRÁFICOS EN LOS ALGORITMOS GENÉTICOS
  1. Intervalo de trazado
  2. Distancia, individuo, expectativa y rango
  3. Selección, detención, máxima violación y función personalizada
UNIDAD DIDÁCTICA 8. RESULTADOS DE LA FUNCIÓN APTITUD EN LOS ALGORITMOS GENÉTICOS
  1. Uso aleatorio de la corrida anterior
  2. Generación actual
  3. Estado y resultado
UNIDAD DIDÁCTICA 9. SOFTWARE PARA LA OPTIMIZACIÓN PARA LA FUNCIÓN APTITUD EN LOS ALGORITMOS GENÉTICOS
  1. Tipos de la población
  2. Población inicial
  3. Puntuación inicial
UNIDAD DIDÁCTICA 10. ALTERNATIVAS DE OPTIMIZACIÓN PARA LA FUNCIÓN APTITUD EN LOS ALGORITMOS GENÉTICOS
  1. Escala de la función de ajuste
  2. Función del escalamiento
  3. Reproducción, cruzamiento, mutación y migración

MÓDULO 5. BASES DE DATOS

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Sistema de procesamiento de archivos
  2. Sistema de procesamiento de bases de datos
  3. Historia del procesamiento de bases de datos
  4. Definición de una base de datos
  5. DBMS
UNIDAD DIDÁCTICA 2. MODELADO DE BD
  1. Conceptos de modelado
  2. Importancia del modelado
  3. Modelo E-R
  4. Modelo relacional
  5. Normalización
UNIDAD DIDÁCTICA 3. DDL
  1. Conceptos y definiciones
  2. Tipos de datos
  3. Sentencias del DDL
  4. Ejemplos de DDL
UNIDAD DIDÁCTICA 4. DBMS ORACLE
  1. Introducción
  2. Importancia
  3. Entorno
  4. Instalación
  5. Ejemplo práctico
UNIDAD DIDÁCTICA 5. DBMS SQL SERVER
  1. Introducción
  2. Importancia
  3. Entorno e Instalación
  4. Ejemplo práctico
UNIDAD DIDÁCTICA 6. MONGODB
  1. Introducción e Importancia
  2. Entorno
  3. Instalación
  4. Ejemplo práctico
UNIDAD DIDÁCTICA 7. SQL INTRODUCCIÓN
  1. Historia y Conceptos
  2. Sentencia DDL en SQL
  3. Sentencia INSERT, DELETE, UPDATE
  4. Sentencia DELETE
UNIDAD DIDÁCTICA 8. SQL CONSULTAS, SUBCONSULTAS Y FUNCIONES
  1. Sentencia SELECT
  2. Operadores de comparación y booleanos
  3. Subconsultas
  4. Funciones y Comandos de ordenamiento
UNIDAD DIDÁCTICA 9. SQL MÚLTIPLES TABLAS
  1. Sentencia SELECT con múltiples tablas
  2. Funciones de agrupación
  3. Operadores para múltiples tablas
  4. Sentencia JOIN
UNIDAD DIDÁCTICA 10. BASES DE DATOS EN LA NUBE Y TENDENCIAS DE BASES DE DATOS
  1. Conceptos
  2. Tecnologías en la nube
  3. NoSQL
  4. Tendencias actuales

MÓDULO 6. ALGORITMOS GENÉTICOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA COMPUTACIÓN EVOLUTIVA
  1. Evolución Natural y fundamentos biológicos para resolver problemas de optimización
  2. Métodos exactos y heurísticos para la resolución de problemas de optimización y búsqueda
  3. Programación Evolutiva y Estrategias de Evolución
  4. Modelos de evolución
  5. Evolución de programas, análisis de datos, predicción y aprendizaje
UNIDAD DIDÁCTICA 2. ALGORITMOS GENÉTICOS
  1. Reseña histórica
  2. Aplicaciones de los Algoritmos Genéticos
  3. Algoritmo Genético Tradicional: AG simple
  4. Funciones estándar de optimización y testeo
UNIDAD DIDÁCTICA 3. FUNDAMENTOS MATEMÁTICOS DE LOS ALGORITMOS GENÉTICOS
  1. Teorema de los esquemas
  2. La hipótesis de los building blocks
  3. Los roles de los operadores evolutivos
  4. Cruzamiento, mutación y convergencia prematura
UNIDAD DIDÁCTICA 4. TIPOS DE CRUZAMIENTO
  1. Cruzamiento de un punto
  2. Cruzamiento de dos puntos
  3. Cruzamiento uniforme
UNIDAD DIDÁCTICA 5. IMPLEMENTACIÓN DE ALGORITMOS GENÉTICOS
  1. Estructuras de datos
  2. Operaciones
  3. Resolviendo un problema: genotipo y fitness
  4. Escalado del fitness
  5. Discretización, restricciones y penalización
UNIDAD DIDÁCTICA 6. OPTIMIZACIÓN
  1. Problemas de optimización
  2. Optimización continua
  3. Optimización combinatoria
UNIDAD DIDÁCTICA 7. TÉCNICAS AVANZADAS
  1. Genotipos no convencionales
  2. Dominancia, diploides y abyección
  3. Inversión y operadores de reordenamiento
  4. Micro operadores
  5. Nichos y especiación
UNIDAD DIDÁCTICA 8. ALGORITMOS GENÉTICOS DISTRIBUIDOS
  1. Hibridación
  2. Hibridación cuando sea posible
  3. Adaptación de los operadores genéticos
UNIDAD DIDÁCTICA 9. OTROS ALGORITMOS EVOLUTIVOS
  1. Algoritmos meméticos
  2. Variantes de AG: CHC, Mutation Or Selection
  3. AE para optimización multiobjetivo
UNIDAD DIDÁCTICA 10. ALGORITMOS GENÉTICOS Y PROCESAMIENTO PARALELO-DISTRIBUIDO
  1. Procesamiento paralelo-distribuido
  2. Paralelismo intrínseco y paralelismo explícito en los AG
  3. Modelos paralelos de AG y sus ventajas
  4. Paralelismo maestro-esclavo
  5. Modelo de subpoblaciones con migración
  6. Modelo celular

MÓDULO 7. LÓGICA DIFUSA

UNIDAD DIDÁCTICA 1. LÓGICA DIFUSA
  1. Historia de la lógica difusa
  2. Utilidad de la lógica difusa
  3. Limitaciones de la lógica difusa
UNIDAD DIDÁCTICA 2. CARACTERÍSTICAS DE LA LÓGICA DIFUSA
  1. Variable lingüística
  2. Aplicaciones de la lógica difusa
  3. Reconocimiento y controladores
UNIDAD DIDÁCTICA 3. USO DE LA LÓGICA DIFUSA
  1. Sistema de control en lazo abierto
  2. Sistema de control en lazo cerrado
  3. Lógica difusa en la industria
UNIDAD DIDÁCTICA 4. LÓGICA BOOLEANA Y DIFUSA
  1. Elementos de la lógica booleana
  2. Elementos de la lógica difusa
  3. Relación entre la lógica booleana y difusa
UNIDAD DIDÁCTICA 5. USO DE LA LÓGICA BOOLEANA
  1. Axiomas de los conjuntos convencionales
  2. Operaciones en la lógica convencional
  3. Leyes de De Morgan
UNIDAD DIDÁCTICA 6. MANEJO DE LA LÓGICA DIFUSA
  1. Lógica simbólica
  2. Tautologías
  3. Representación de conjuntos difusos discretos
UNIDAD DIDÁCTICA 7. CONJUNTOS DIFUSOS
  1. Operaciones y propiedades de los conjuntos clásicos
  2. Operaciones y propiedades de los conjuntos difusos
  3. Comparación entre los conjuntos clásicos y difusos
UNIDAD DIDÁCTICA 8. USO DE LAS RELACIONES
  1. Producto Cartesiano
  2. Cardinalidad, operación y propiedades en las relaciones
  3. Composición
UNIDAD DIDÁCTICA 9. RELACIONES DIFUSAS
  1. Cardinalidad de las relaciones difusas
  2. Operaciones de las relaciones difusas
  3. Propiedades de las relaciones difusas
UNIDAD DIDÁCTICA 10. USO DE LAS RELACIONES DIFUSAS
  1. Producto cartesiano y composición difusa
  2. Tolerancia difusa y relaciones equivalentes
  3. Asignación de valores

MÓDULO 8. FUNDAMENTOS DE MACHINE LEARNING

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL MACHINE LEARNING
  1. ¿Qué es Machine Learning?
  2. ¿Dónde se aplica Machine Learning?
  3. Plataformas que trabajan Machine Learning
UNIDAD DIDÁCTICA 2. INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES (RNA)
  1. Definición de RNA e Inteligencia Artificial
  2. El modelo Biológico
  3. Aplicaciones de las Redes Neuronales Artificiales
UNIDAD DIDÁCTICA 3. CARACTERÍSTICAS DE LAS RNA
  1. Errores comunes al aplicar RNA
  2. Ventajas y Desventajas
  3. Comparación de las RNA con otras técnicas
UNIDAD DIDÁCTICA 4. CLASIFICACIÓN DE LAS RNA
  1. Aproximación de funciones
  2. Clustering
  3. Predicción
  4. Clasificación
UNIDAD DIDÁCTICA 5. FUNDAMENTOS DE LAS RNA
  1. Elementos de las RNA
  2. Estructura de las RNA
  3. Funcionamiento de las RNA
UNIDAD DIDÁCTICA 6. MECANISMOS DE APRENDIZAJE
  1. Entrenamiento no supervisado
  2. Entrenamiento supervisado
  3. Entrenamiento hibrido
UNIDAD DIDÁCTICA 7. TOPOLOGÍAS DE LAS RNA
  1. Redes monocapa y multicapa
  2. Redes heteroasociativas y autoasociativas
  3. Redes Estocásticas
  4. Otras topologías de RNA
UNIDAD DIDÁCTICA 8. EL PERCEPTRÓN
  1. Estructura del perceptrón
  2. Perceptrón multicapa
  3. La red Backpropagation
UNIDAD DIDÁCTICA 9. CONSTRUCCIÓN DE UNA RNA
  1. Tipos de datos
  2. Como elegir la topología de RNA
  3. Diseño de estructura
UNIDAD DIDÁCTICA 10. INTERPRETACIÓN DE RESULTADOS
  1. Gráficas de resultados
  2. Medidas de error de las RNA
  3. Definición del error aceptable

MÓDULO 9. BIG DATA

UNIDAD DIDÁCTICA 1. CONCEPTOS GENERALES
  1. Evolución de la administración de los datos
  2. ¿Qué es Big Data?
  3. Significados y variaciones del término
  4. Cambio de paradigma
  5. Datos al servicio de las personas
UNIDAD DIDÁCTICA 2. CARACTERÍSTICAS DE LOS GRANDES VOLÚMENES DE DATOS
  1. Volumen - Variedad
  2. Velocidad - Veracidad
  3. Valor - Visualización
  4. Verificación - Variabilidad
  5. Viabilidad
UNIDAD DIDÁCTICA 3. APLICACIONES DEL BIG DATA (1)
  1. Banca
  2. Salud
  3. Ciudades inteligentes
  4. Agricultura
  5. Política
UNIDAD DIDÁCTICA 4. APLICACIONES DEL BIG DATA (2)
  1. Deportes
  2. Periodismo
  3. Logística
  4. Mercadotecnia
  5. Educación
UNIDAD DIDÁCTICA 5. HERRAMIENTAS PARA EL BIG DATA
  1. Arquitecturas para Big Data
  2. Generación de datos
  3. Adquisición de datos
  4. Almacenamiento de datos
  5. Análisis y visualización de datos
UNIDAD DIDÁCTICA 6. BASES DE DATOS PARA BIG DATA (1)
  1. BD Relacionales
  2. NoSql
  3. BD Key-Value
  4. BD Orientadas a documentos
  5. BD Orientadas a grafos
UNIDAD DIDÁCTICA 7. BASES DE DATOS PARA BIG DATA (2)
  1. BD Orientadas a objetos
  2. BD Columnas
  3. BD Espaciales
UNIDAD DIDÁCTICA 8. HADOOP
  1. Conceptos
  2. Sistema de archivos distribuidos Hadoop
  3. YARN
  4. MapReduce
  5. Ecosistema Hadoop
UNIDAD DIDÁCTICA 9. KETTLE
  1. Introducción
  2. Importancia
  3. Entorno
  4. Instalación
  5. Ejemplo práctico
UNIDAD DIDÁCTICA 10. MONGODB
  1. Introducción
  2. Importancia
  3. Entorno
  4. Instalación
  5. Ejemplo práctico

MÓDULO 10. MINERÍA DE DATOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL DATA MINING
  1. Bases de Datos y el Proceso KDD
  2. Análisis Básico de Ejemplos y Aplicaciones en Data Mining
  3. Procesos Estadísticos en Data Mining
  4. Herramientas Computacionales Para Data Mining
UNIDAD DIDÁCTICA 2. ACONDICIONAMIENTO DE DATOS
  1. Ruido y Ajuste de Datos
  2. Análisis Exploratorio en Datos
  3. Filtrado en Datos Estructurados y no Estructurados
UNIDAD DIDÁCTICA 3. INTELIGENCIA ARTIFICIAL
  1. ¿Qué es la Inteligencia Artificial y sus Técnicas?
  2. Redes Neuronales Artificiales
  3. Topologías de Red
  4. Algoritmos de Propagación
  5. Redes Neuronales Pulsantes
UNIDAD DIDÁCTICA 4. MACHINE LEARNING-APRENDIZAJE AUTOMÁTICO
  1. Minería de Textos
  2. Pre-Procesamiento y Digitalización
  3. Análisis Automatizado de Textos
UNIDAD DIDÁCTICA 5. PROCESAMIENTO DE LENGUAJE NATURAL
  1. Sentiment Analysis
  2. Análisis de Texto y Lingüística Computacional
  3. Extracción de Información Subjetiva
  4. Minería de Opinión y Aplicaciones
UNIDAD DIDÁCTICA 6. MODELADO DE TEXTO EN MACHINE LEARNING
  1. Espacio Vectorial
  2. Modelado de Vectores y Tensorflow
  3. Python en Data Mining
UNIDAD DIDÁCTICA 7. DEEPLEARNING
  1. Algoritmos de Aprendizaje Profundo
  2. Abstracciones de Alto Nivel
  3. Arquitecturas Compuestas
  4. Redes Neuronales Convolucionales
UNIDAD DIDÁCTICA 8. DATA DRIVEN DECISION MAKING
  1. Criterios de Decisión
  2. Requerimiento de Datos
  3. Evaluación de Decisiones
UNIDAD DIDÁCTICA 9. CREACIÓN DE MODELOS DE DATOS
  1. Clustering
  2. Técnicas de Clustering
  3. Técnicas Estadísticas
UNIDAD DIDÁCTICA 10. EVALUACIÓN DE MODELOS Y CLUSTERING DIFUSO
  1. Fundamentos de Evaluación de Modelos
  2. Técnicas de Evaluación de Modelos
  3. Aplicación de las Técnicas de Evaluación de Modelos

MÓDULO 11. DESCUBRIMIENTO DE CONOCIMIENTO CON LENGUAJE R

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL DESCUBRIMIENTO DEL CONOCIMIENTO
  1. Antecedentes
  2. Importancia
  3. Áreas de aplicación
  4. Proceso de descubrimiento del conocimiento
  5. Tendencias
UNIDAD DIDÁCTICA 2. INTRODUCCIÓN A R
  1. ¿Qué es R?
  2. Antecedentes
  3. Configuración del entorno de trabajo
  4. Características importantes
  5. Ayuda
UNIDAD DIDÁCTICA 3. ELEMENTOS DEL LENGUAJE R
  1. Tipos de datos
  2. Operaciones aritméticas
  3. Operadores lógicos
  4. Operadores relacionales
  5. Funciones de conversión
UNIDAD DIDÁCTICA 4. ESTRUCTURAS DE DATOS EN R
  1. Vectores
  2. Matrices
  3. Factores y vectores de caracter
  4. Listas
  5. Data frames
UNIDAD DIDÁCTICA 5. ESTRUCTURAS DE CONTROL
  1. Estructura condicional IF-ELSE
  2. Estructura SWITCH
  3. Bucle FOR
  4. Bucle WHILE
  5. Sentencia BREAK, NEXT
UNIDAD DIDÁCTICA 6. FUNCIONES
  1. Estructura
  2. Visibilidad del código
  3. Recursividad
  4. Funciones matemáticas
  5. Funciones de análisis estadístico
UNIDAD DIDÁCTICA 7. ANÁLISIS EXPLORATORIO DE DATOS
  1. Comandos para gráficos exploratorios
  2. Estadística descriptiva
  3. Medidas de tendencia central
  4. Medidas de dispersión
  5. Coeficiente de correlación, covarianza
UNIDAD DIDÁCTICA 8. PROBABILIDAD. DISTRIBUCIONES DISCRETAS Y CONTINUAS
  1. Probabilidad
  2. Distribuciones discretas
  3. Distribuciones continuas
  4. Intervalos de confianza
  5. Test de hipótesis
UNIDAD DIDÁCTICA 9. TÉCNICAS DE CLASIFICACIÓN, SEGMENTACIÓN Y MODELOS PREDICTIVOS
  1. Análisis clúster
  2. Clústeres jerárquicos y secuenciales
  3. Clústeres aglomerativos y exclusivos
  4. Modelos predictivos
  5. Modelo lineal
UNIDAD DIDÁCTICA 10. GRÁFICAS CON R
  1. Función plot()
  2. Colores
  3. Gráficos para una variable
  4. Gráficas de curvas continua
  5. Gráficas escalonadas

MÓDULO 12. METODOLOGÍA DE LA INVESTIGACIÓN

UNIDAD DIDÁCTICA 1. ENFOQUE CUANTITATIVO Y CUALITATIVO
  1. Elementos de la investigación
  2. Características del enfoque cuantitativo
  3. Características del enfoque cualitativo
  4. Diferencias entre los enfoques de investigación
  5. Ventajas de los enfoques de investigación
UNIDAD DIDÁCTICA 2. PROYECTO DE INVESTIGACIÓN
  1. Tipos de proyectos de investigación
  2. Proyecto de investigación cuantitativa
  3. Proyecto de investigación cualitativa
  4. Fuentes de ideas para la investigación
  5. Antecedentes de la investigación
UNIDAD DIDÁCTICA 3. PLANTEAMIENTO DEL PROBLEMA CUANTITATIVO
  1. Planteamiento del problema de investigación
  2. Enfoque cuantitativo
  3. Criterios para plantear el problema
  4. Elementos para el planteamiento del problema de investigación
  5. Objetivos, preguntas y justificación de la investigación
UNIDAD DIDÁCTICA 4. REVISIÓN DE LA LITERATURA Y CONSTRUCCIÓN DEL MARCO TEÓRICO
  1. Desarrollo de la perspectiva teórica
  2. Etapas para el desarrollo de la perspectiva teórica
  3. Elementos para la revisión de la literatura
  4. Elementos del marco teórico
  5. Construcción del marco teórico
UNIDAD DIDÁCTICA 5. ALCANCE DE LA INVESTIGACIÓN
  1. Estudio exploratorio
  2. Estudio descriptivo
  3. Estudio correlacional
  4. Estudio explicativo
  5. Selección del tipo de estudio
UNIDAD DIDÁCTICA 6. FORMULACIÓN DE HIPÓTESIS
  1. Elementos de las hipótesis
  2. Características de las variables
  3. Tipos de hipótesis
  4. Hipótesis nulas
  5. Hipótesis alternativas
UNIDAD DIDÁCTICA 7. DISEÑOS DE INVESTIGACIÓN
  1. Características del diseño en la investigación
  2. Diseño experimentales
  3. Experimentos puros
  4. Diseños no experimentales
  5. Diseños transeccionales descriptivos
UNIDAD DIDÁCTICA 8. SELECCIÓN DE LA MUESTRA
  1. Delimitación de la población
  2. Selección de muestra
  3. Tipos de muestra
  4. Muestra probabilística
  5. Muestra no probabilística
UNIDAD DIDÁCTICA 9. RECOLECCIÓN Y ANÁLISIS DE LOS DATOS CUANTITATIVOS
  1. Características para la recolección de datos
  2. Instrumento de medición
  3. Análisis de los datos cuantitativos
  4. Proceso para el análisis de los datos cuantitativos
  5. Pruebas de hipótesis
UNIDAD DIDÁCTICA 10. REPORTE DE RESULTADOS DEL PROCESO CUANTITATIVO
  1. Características del reporte
  2. Elementos del reporte
  3. Recursos para la elaboración del reporte
  4. Criterios para la elaboración del reporte
  5. Protocolo de investigación

MÓDULO 13. SISTEMAS EXPERTOS

UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LOS SISTEMAS EXPERTOS
  1. Definición de Sistema Experto
  2. Diferencias entre sistemas convencional y experto
  3. Tipos de sistemas expertos
UNIDAD DIDÁCTICA 2. INFERENCIA
  1. Estado y Espacio de la Problemática
  2. Reglas de Inferencia en el Sistema
  3. Sistemas de resolución y deducción
UNIDAD DIDÁCTICA 3. INGENIERÍA DE CONOCIMIENTO
  1. ¿Qué es la Lógica de Predicados?
  2. Prototipado
  3. Implementación
UNIDAD DIDÁCTICA 4. DISEÑO DE SISTEMAS EXPERTOS
  1. Arquitectura de sistemas expertos
  2. Etapas en el Desarrollo de Sistemas Expertos
  3. Errores en el Desarrollo
UNIDAD DIDÁCTICA 5. HERRAMIENTAS DE DESARROLLO
  1. Diseño técnico
  2. Lenguajes para representación de conocimiento
  3. Herramientas avanzadas de desarrollo
UNIDAD DIDÁCTICA 6. LÓGICA MATEMÁTICA
  1. Matemática en Sistemas Expertos
  2. Cálculo Proposicional
  3. Predicados de Primer Orden
UNIDAD DIDÁCTICA 7. SISTEMAS EXPERTOS Y SISTEMAS BASADOS EN REGLAS DE PRODUCCIÓN
  1. Sistemas basados en reglas de producción
  2. Representación del conocimiento empleando reglas de producción
  3. Representaciones Relacionales
UNIDAD DIDÁCTICA 8. CÓMPUTO EVOLUTIVO
  1. Optimización
  2. Evolución
  3. Evaluación Genética
UNIDAD DIDÁCTICA 9. LÓGICA DIFUSA EN SISTEMAS EXPERTOS
  1. Representación del conocimiento difuso
  2. Razonamiento aproximado
  3. Inferencia y clasificación difusa
UNIDAD DIDÁCTICA 10. APLICACIONES
  1. Diseño
  2. Diagnóstico
  3. Planificación

MÓDULO 14. PROYECTO INTEGRADOR DE INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA 1. IDENTIFICACIÓN DE UN PROBLEMA
  1. Tipo de problemática
  2. Tipo de investigación (cualitativa/cuantitativa)
  3. Análisis del entorno del problema
UNIDAD DIDÁCTICA 2. RECOLECCIÓN DE DATOS
  1. Entrevistas y cuestionarios
  2. Clasificación y depuración de Datos
  3. Acomodo y homologación de Datos
UNIDAD DIDÁCTICA 3. ADMINISTRACIÓN DE BASES DE DATOS
  1. Respaldo de información
  2. Recuperación de la información
  3. Diagnóstico de la base de Datos
UNIDAD DIDÁCTICA 4. INTRODUCCIÓN A MACHINE LEARNING Y DEEP LEARNING
  1. Conceptos Fundamentales de Machine Learnig
  2. Conceptos Fundamentales de Deeplearning
  3. Tipos de entrenamiento
UNIDAD DIDÁCTICA 5. LÓGICA DIFUSA
  1. Aplicaciones de Lógica Difusa
  2. Conceptos fundamentales
  3. Funciones Características
  4. Mecanismos de inferencia
UNIDAD DIDÁCTICA 6. REDES NEURONALES ARTIFICIALES (RNA)
  1. Aplicación de RNA
  2. Estructuras y/o topologías de red
  3. Tipos de entrenamiento
  4. Elección de RNA óptima
UNIDAD DIDÁCTICA 7. ALGORITMOS GENÉTICOS
  1. Aplicación de los algoritmos géneticos
  2. Conceptos fundamentales de computación evolutiva
  3. Algoritmos Genéticos
  4. Sistemas expertos y agentes inteligentes
UNIDAD DIDÁCTICA 8. SISTEMAS EXPERTOS Y AGENTES EVOLUTIVOS
  1. Aplicación de sistemas expertos
  2. Concepto de agentes evolutivos
  3. Implementación de Sistemas expertos
UNIDAD DIDÁCTICA 9. MINERÍA DE DATOS
  1. Procesamiento de Lenguaje Natural
  2. Evaluación de modelos
  3. Técnicas de Clustering
UNIDAD DIDÁCTICA 10. PRIVACIDAD Y PROTECCIÓN DE DATOS
  1. Sociología de la privacidad
  2. Cultura de la protección de datos
  3. Tecnología y privacidad
Accede ahora a nuestros cursos y encuentra la más amplia variedad de cursos del mercado, este

curso gratuito le prepara para ser

Las salidas profesionales de esta Maestría en Inteligencia Artificial son las de las de desarrollador de inteligencia artificial, analista de datos o programador. Todas las posiciones relacionadas con los datos y la información son válidas. Esto permitirá desarrollar tu carrera profesional y adquirir una formación avanzada y ampliar las fronteras de este sector.

. ¿A qué esperas para llevar a cabo tus proyectos personales?.
cursos gratuitos
26 octubre, 2022 Deja tu cometario

No se han encontrado comentarios

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

CURSOS GRATUITOS, CURSOS GRATIS, Cursos online gratuitos, Cursos gratuitos online, Cursos gratuitos para trabajadores, Cursos online gratuitos homologados, Cursos online gratuitos con certificado, Cursos gratis online, Cursos de ingles gratis, Blog de cursos gratuitos, Cursos gratuitos por provincias