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