INX-S-OF-0238
Transformación Empresarial con Inteligencia Artificial: Estrategias y Aplicaciones
Comprender los fundamentos de la Inteligencia Artificial y su evolución, diferenciando los distintos enfoques y aplicaciones en el ámbito empresarial. Identificar oportunidades de aplicación de la IA en distintos sectores, como marketing, atención al cliente, producción y logística. Explorar las principales técnicas de IA, incluyendo Machine Learning, Procesamiento del Lenguaje Natural y Visión Computacional, con ejemplos aplicados a la empresa. Analizar casos de éxito de la IA en el mundo empresarial y entender su impacto en la productividad, eficiencia y competitividad. Evaluar los desafíos éticos y regulatorios de la IA, considerando la transparencia, el sesgo algorítmico y la protección de datos. Aplicar herramientas y modelos de IA en la toma de decisiones empresariales, mejorando la optimización de procesos y la personalización de servicios.
Transformación Empresarial con Inteligencia Artificial: Estrategias y Aplicaciones
MÓDULO.- Introducción a la inteligencia artificial
UNIDAD.- Introducción a la Inteligencia Artificial
Definición de inteligencia artificialEvolución histórica de la inteligencia artificialLa inteligencia artificial en la vida cotidiana y en diferentes sectoresLa inteligencia artificial como subcampo de la informáticaEnfoques, técnicas y objetivos de la IA
UNIDAD.- Fundamentos de Machine Learning
Inteligencia artificial, machine learning, deep learning y redes neuronalesAprendizaje automático (Machine Learning)Tipos de Machine Learning (Supervisado, No Supervisado, por Refuerzo)Características definitorias de un algoritmoUn ejemplo de las características definitorias de un algoritmoEvaluación y mejora de modelos
UNIDAD.- Modelos de procesamiento del lenguaje natural
Procesamiento del lenguaje natural (Natural Language Processing)Técnicas clave del procesamiento de textoModelos de procesamiento del lenguaje naturalLos Transformadores y el procesamiento del lenguaje naturalAplicaciones del procesamiento del lenguaje natural
UNIDAD.- Modelos de visión computacional
Visión computacional (Computer Vision)Conceptos básicos de la visión computacionalModelos de visión computacionalProcesamiento 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 economíaEjemplos de aplicaciones de la IA en instituciones públicasEjemplos 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 LearningSesgos y discriminación en los modelos de inteligencia artificialResponsabilidad y regulación en la IA
UNIDAD.- Tendencias y desafíos futuros en Inteligencia Artificial
Avances y retos en la investigación de IAInnovación y oportunidades en el campo de la IA
UNIDAD.- Introducción al Big Data
Qué es el Big DataEl Big Data como solución al tratamiento masivo de datosDel Business Intelligence al Big DataRetos del Big DataCaracterísticas del Big Data (4 V's)Aplicaciones del Big Data
UNIDAD.- Bases de datos
Introducción a las bases de datos relacionalesIntroducción a las bases de datos no relacionalesDiferencias entre SQL y NoSQLVentajas e inconvenientes de cada tipo de base de datosEjemplos de bases de datos utilizadas en Big DataHadoop como revolución para el tratamiento paralelo de datos masivosCasos de uso de HadoopEl ecosistema Hadoop: HDFS y MapReduceEjemplos de HDFS y MapReducePrincipales lenguajes de programación utilizados para el Big Data: Java, Scala, SQL y PythonProcesos ETL (extracción, transformación y carga): Flume, Sqoop y HIVEEjemplos de procesos ETLProcesos 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 ComputingVentajas y desafíos del procesamiento en tiempo real y del Cloud ComputingEjemplos de uso del cloud computing ¿Qué es TensorFlow?Presentación de las diferentes técnicas de análisis de datosTécnicas de visualización de datosHerramientas y técnicas para crear visualizaciones interactivas y dashboardsDesafíos 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 EmpresarialAnálisis de los beneficios del uso del Big Data
MÓDULO.- Aplicación del algoritmo de inteligencia artificial
UNIDAD.- Aprendizaje Supervisado
Métodos de aprendizaje supervisadoModelos de Algoritmos SupervisadosModelos de regresión linealModelos de regresión logísticaModelos de árboles de decisiónModelos de máquina de vectores de soporte
UNIDAD.- Aprendizaje No Supervisado
Métodos de aprendizaje no supervisadoModelos de Algoritmos no Supervisadosk-meansDBSCANAnálisis de Componentes Principales (PCA)Agrupamiento JerárquicoComparativa de los principales algoritmos no supervisadosCuándo utilizar unos u otros algoritmos de aprendizaje no supervisadoCómo elegir el algoritmo adecuado supervisado o no supervisado
UNIDAD.- Aprendizaje por Refuerzo
Aprendizaje por Refuerzo: Aprendiendo a través de la interacciónDesafíos del Aprendizaje por RefuerzoLos agentes en el aprendizaje por refuerzoAlgoritmos de Aprendizaje por Refuerzo
UNIDAD.- Enfoques heurísticos
Los enfoques heurísticos en la inteligencia artificialAlgoritmos genéticosRecocido simuladoBúsqueda tabúAlgoritmos voraces
UNIDAD.- Deep Learning y Redes Neuronales
Deep Learning: Aprendiendo representaciones jerárquicasDesafíos del Deep LearningRedes neuronales artificialesConceptos básicos de las redes neuronalesCapas de neuronas de una red artificialParámetros de un modelo de inteligencia artificialEntrenamiento de redes neuronalesTécnicas de entrenamiento de una red neuronalAprendizaje por transferencia
UNIDAD.- Arquitecturas de Deep Learning
Tipos de arquitecturas de Deep LearningRedes 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 AutomáticoComparación entre Weka y Orange: Ventajas y DesventajasInstalación y Configuración de Weka y Orange
UNIDAD.- Exploración de la Interfaz de Weka
Exploración de la Interfaz de WekaVisión General de la Interfaz de WekaModos de Weka: Explorador, Experto, Flujo de TrabajoDescripción de Módulos Clave en el Explorador
UNIDAD.- Exploración de la Interfaz de Orange
Exploración de la Interfaz de OrangeIntroducción a la Interfaz Visual de OrangeComprensión de los Widgets de OrangeCreación 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 OrangeFuentes de DatosPreprocesamiento de DatosVisualización de Datos
UNIDAD.- Implementación de Modelos de Aprendizaje Automático
Implementación de Modelos de Aprendizaje AutomáticoModelos Supervisados en Weka y OrangeModelos No Supervisados en Weka y OrangeAlgoritmos de Aprendizaje por RefuerzoModelos Profundos (Deep Learning)
UNIDAD.- Evaluación y Validación de Modelos
Evaluación y Validación de ModelosMétodos de ValidaciónMétricas de EvaluaciónEvaluación de Modelos en WekaEvaluación de Modelos en OrangeAnálisis de Resultados
UNIDAD.- Visualización de Resultados
Visualización de ResultadosVisualización de Resultados en WekaVisualización de Resultados en OrangeInterpretación de Visualizaciones para la Toma de Decisiones
UNIDAD.- Casos Prácticos y Ejercicios
Casos Prácticos y EjerciciosEstudio de Caso 1: Clasificación de Datos MédicosEstudio de Caso 2: Segmentación de Clientes
UNIDAD.- Automatización y Flujo de Trabajo en Weka/Orange
Automatización y Flujo de Trabajo en Weka/OrangeCreación de Flujos de Trabajo Automatizados en WekaUso de Scripts Python en Orange para AutomatizaciónExportación e Implementación de Modelos en Entornos de Producción
UNIDAD.- Conclusiones y Buenas Prácticas
Conclusiones y Buenas PrácticasConclusionesBuenas prácticas
Contiene:
- Videos
- Exámenes parciales
- Examen final
- Glosario
- Bibliografía
- Actividades
- Documentos de apoyo
- Gamificación
Información genérica de los contenidos desarrollados por este proveedor. Para confirmar características específicas de un producto concreto, solicite información detallada.
Dispone de:
- Conector por unidad
- Conector único
- Test de autoevaluación
Información genérica de los contenidos desarrollados por este proveedor. Para confirmar características específicas de un producto concreto, solicite información detallada.
¿No encuentras las características que estás buscando?
Contacta con uno de nuestros asesores para que resuelva todas tus dudas.
Recibir mi asesoramiento