Name: ESPECIALISTA EN INTELIGENCIA ARTIFICIAL - IFCD107 - Centro de Estudios Kuma
Price: 557.00 EUR
Availability: InStock

El curso de Especialista en Inteligencia Artificial proporciona los conocimientos y habilidades necesarias para diseñar, implementar y optimizar sistemas basados en inteligencia artificial. Aborda aspectos clave como el aprendizaje automático, el procesamiento de lenguaje natural y la visión por computadora. Los contenidos incluyen desarrollo de modelos predictivos, uso de bibliotecas y frameworks especializados, y aplicaciones prácticas en diversos sectores. Este curso capacita para liderar proyectos innovadores y aplicar soluciones basadas en IA, siendo ideal para profesionales que buscan especializarse en una de las áreas tecnológicas más demandadas y transformadoras del mercado actual.

Contenido:

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

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

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

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

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

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

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

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

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

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

Información adicional:

Utilizar aplicaciones y algoritmos de Inteligencia Artificial, en diferentes proyectos de aplicabilidad en las empresas.

El alumnado deberá cumplir los siguientes requisitos:
Acreditaciones / titulaciones: Cumplir como mínimo alguno de los siguientes requisitos:
– Título de Técnico Superior (FP Grado Superior) o equivalente.
– Haber superado la prueba de acceso a Ciclos Formativos de Grado Superior.
– Haber superado cualquier prueba oficial de acceso a la universidad.
– Certificado de profesionalidad de nivel 3 .
– Título de Grado o equivalente.
– Título de Postgrado (Máster) o equivalente.
Experiencia profesional: No se requiere.
Otros:
– Conocimientos previos en programación orientada a objetos utilizando el lenguaje de programación Java.
– Nivel alto de Ingles (Mínimo B1).