IFCD107 Especialista En Inteligencia Artificial – Bonificado – Fundae – Tripartita

UNIDAD DIDÁCTICA 1. FUNDAMENTOS DE INTELIGENCIA ARTIFICIAL

1. Inmersión a la IA explicando sus principales modalidades.
2. Breve noción sobre los principales algoritmos de IA.
3. Análisis de los diferentes tipos de aprendizaje.
4. Fundamentos matemáticos para el entendimiento del funcionamiento de distintos algoritmos basados en IA y conceptos básicos de programación.
5. Implementación de conceptos matemáticos de IA utilizando Python como lenguaje de programación.
6. Fundamentos estadísticos básicos para el entendimiento del funcionamiento de distintos algoritmos, preprocesamiento de datos y análisis de resultados.
7. Implementación de conceptos estadísticos utilizando Python como lenguaje de programación.
8. Puesta en marcha del entorno de trabajo.
9. Detalle de los diferentes softwares y programas utilizados para la implementación de algoritmos basados en IA.
10. Inmersión en el lenguaje Python

UNIDAD DIDÁCTICA 2. EXPLORACIÓN DEL CONJUNTO DE DATOS

1. Reconocimiento de las competencias y funciones de un Data Scientist relacionadas con la explotación, análisis y gestión de los datos en una empresa.
2. Fundamentos de la visualización de los datos de entrada del modelo.
3. Inmersión en las librerías más utilizadas en la visualización de datos.
4. Identificación de las herramientas necesarias para poder examinar los datos en función del tipo de dato.
5. Aplicación práctica de librerías de visualización de datos.
6. Fundamentos del pre-procesado de los datos de entrada del modelo.
7. Inmersión en las librerías más utilizadas en la preparación y limpieza de datos.
8. Identificación de las herramientas necesarias para la limpieza, reducción y preparación de los datos de entrada según tipo.
9. Aplicación práctica de librerías de examinación y pre-procesado de datos.

UNIDAD DIDÁCTICA 3. ALGORITMOS DE MACHINE LEARNING

1. Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos de ML.
2. Definición teórico-práctica de estos conceptos matemáticos.
3. Implementación en Python de dichos conceptos matemáticos.
4. Introducción a los modelos de ML más utilizados.
5. Implementación en Python de estos modelos haciendo uso de las librerías más relevantes.
6. Introducción a los conceptos de sistemas de recomendación y aprendizajes por refuerzo.
7. Identificación del algoritmo más relevante a desarrollar según tipología y aplicabilidad.
8. Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos.

UNIDAD DIDÁCTICA 4. REDES NEURONALES

1. Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos basados en Redes Neuronales explicados en este módulo.
2. Definición teórico-práctica de estos conceptos matemáticos.
3. Desarrollo en Python de los algoritmos que implementan dichos conceptos.
4. Identificación de los modelos basados en Redes Neuronales más utilizados según aplicación.
5. Implementación en Python de dichos algoritmos haciendo uso de las librerías más relevantes.
6. Identificación del algoritmo más relevante a desarrollar según tipología y aplicabilidad.
7. Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos

UNIDAD DIDÁCTICA 5. VISUALIZACIÓN DE RESULTADOS

1. Fundamentos de la visualización de los resultados del modelo.
2. Inmersión en las librerías más utilizadas en la visualización de los resultados de un modelo.
3. Identificación de las herramientas necesarias para evaluación de resultados en función del modelo.
4. Aplicación práctica de librerías de visualización de datos.
5. Visualización del proceso de entrenamiento y búsqueda de puntos de optimización o sesgos en el modelo.
6. Identificación de problemas como vanishing gradient o exploding gradient durante el entrenamiento de redes neuronales.
7. Evaluación de resultados:
8. – Capacidad de visualización de la precisión de un modelo.
9. – Detección de overfitting en la validación del modelo.
10. – Identificación de sesgos que puedan haberse inferido de alguna de las entradas del modelo

UNIDAD DIDÁCTICA 6. BASES DE DATOS EN IA

1. Inmersión al lenguaje SQL y a las bases de datos más relevantes:
2. – Introducción al lenguaje SQL, modelo de datos y a las bases de datos más relevantes.
3. – Aplicación práctica de consultas SQL, CRUD.
4. – Nociones básicas DBA.
5. – Buenas prácticas en bases de datos SQL.
6. – Fundamentos de bases de datos NoSQL.
7. Introducción a las bases de datos NoSQL y comparativa con las bases de datos relacionales:
8. – Inmersión a las bases de datos NoSQL más relevantes.
9. – Aplicaciones prácticas sobre bases de datos NoSQL, CRUD.
10. – Nociones básicas DBA
11. – Buenas prácticas en bases de datos NoSQL.
12. Tratamiento y almacenamiento en base de datos de un dataset desde Python.
13. Operaciones CRUD desde Python a una base de datos SQL.

UNIDAD DIDÁCTICA 7. AUTO MACHINE LEARNING

1. Inmersión al Auto Machine Learning y a las plataformas más relevantes.
2. Introducción al Auto ML y a los beneficios que puede proporcionar con respecto a los métodos tradicionales.
3. Tratamiento de datos desde AWS SageMaker.
4. Introducción a la carga y tratamiento de conjuntos de datos sobre el servicio SageMaker.
5. Visualización de datos en SageMaker con la finalidad de obtener información sobre el conjunto de datos.
6. Entrenamiento de modelos ML mediante AutoML
7. – Aplicación práctica y entrenamiendo de modelos sobre SageMaker.
8. – Validación y evaluación de modelos ML sobre SageMaker.
9. Implementación de servicios web ML
10. Desarrollo de servicios web seguros sobre modelos entrenados en SageMaker accesibles mediante API.

UNIDAD DIDÁCTICA 8. RESPONSIBLE AI

1. Comprender y articular los problemas críticos, sociales, legales, políticos y éticos que surgen a lo largo del ciclo de vida de los datos.
2. Comprender conceptos relevantes, que incluyen: ética, moralidad, responsabilidad, derechos digitales, gobernanza de datos, interacción persona-datos, investigación e innovación responsables.
3. Identificar y evaluar problemas éticos actuales en la industria y la ciencia de datos.
4. Aplicar el juicio crítico y la reflexividad profesionales a los problemas morales sin soluciones claras.
5. Evaluar los problemas éticos que enfrenta en su práctica profesional actual.
6. Identificar y aplicar soluciones éticas a esos problemas.

UNIDAD DIDÁCTICA 9. CASO PRÁCTICO EN IA

1. Análisis de los factores relevantes de un problema de IA.
2. Técnicas y herramientas para la toma de decisiones a la hora de abordar el proyecto.
3. Identificación de los entornos, fases y herramientas necesarias para llevar a cabo la solución seleccionada.
4. Gestión y seguimiento de las distintas fases del proyecto de IA.
5. Planificación, diseño y programación de los componentes de un proyecto de forma autónoma.

UNIDAD DIDÁCTICA 10. SOFTSKILLS – PÍLDORAS FORMATIVAS

1. Iniciación en el desarrollo ágil de proyectos mediante el uso de la metodología Scrum:
2. – Principios y fundamentos de Agile y comparativa con el enfoque tradicional.
3. – Entender los distintos roles y su relación entre ellos.
4. – Conocer las ceremonias y cómo apoyarse en ellas para cumplir con el control de procesos.
5. Introducción a Design Thinking como herramienta para encontrar soluciones innovadoras a través de la creatividad e innovación
6. – Descripción de las diferentes etapas
7. – Uso de técnicas disponibles en las distintas fases.
8. El arte de contar historias (storytelling) como medio para transmitir un mensaje con éxito.
9. – Estructura y elementos
10. – Consejos y ejemplos
11. – Puesta en práctica

100% BONIFICADO PARA TRABAJADORES EN ACTIVO

Descubre más cursos bonificados de Inteligencia Artificial para Empresas y Trabajadores