INTELIGENCIA ARTIFICIAL APLICADA A LA EMPRESA (IFCT0019)

Duración en horas: 280

OBJETIVOS

- Aplicar en empresas conocimientos acerca de la inteligencia artificial, sus diversas ramas y más específicamente aquellas relacionadas con Big Data, Deep Learning y los algoritmos relacionados con estas nuevas tecnologías.
- Implementar aplicaciones basadas en IA para ser usadas en la empresa.
- Navegar por la historia de la inteligencia artificial para saber la esencia sobre la que se sustenta el complejo mundo de esta tecnología, reconociendo así la razón de su existencia y desarrollo de su potencial.
- Distinguir los tipos de aprendizaje automático para construir modelos predictivos basados en inteligencia artificial, conociendo los numerosos algoritmos y conjuntos de algoritmos que se pueden utilizar.
- Descubrir distintos modelos predictivos, aprendiendo el funcionamiento de una plataforma de aprendizaje automático.
- Revelar las oportunidades que ofrecen la inteligencia artificial y el big data para el mundo de las empresas, descubriendo herramientas que tienen integrada este tipo de tecnología y métodos de trabajo que sirven para fomentar una cultura Data Driven dentro de los negocios para ser más competitivos.
- Aportar una visión estratégica que permita identificar oportunidades de negocio basados en inteligencia artificial, conociendo ejemplos, herramientas y recursos humanos.
- Proveer una comprensión integral y práctica del lenguaje de programación Python en su aplicación en el desarrollo de soluciones de inteligencia artificial.

CONTENIDOS

Introducción a la inteligencia artificial
Introducción
Definición. Historia
Principio y campos de aplicaciones
Ramas de la inteligencia artificial. Algoritmos
Machine/Deep Learning
Big data: el cambio en la IA
Resumen

Algoritmos de la IA
Introducción
Machine Learning, Deep Learning y aprendizaje por refuerzo
Machine Learning: modelos supervisados
Construcción de un modelo de Machine Learning
Métricas de rendimiento de un modelo de Machine Learning
Algoritmos de inteligencia artificial
Machine Learning: modelos no supervisados
Aprendizaje por refuerzo
Modelos profundos (Deep Learning)
Resumen

Ejemplos de modelos
Introducción
Procesamiento de datos con Orange y Weka
Orange
Weka
Resumen

Aplicaciones en la empresa
Introducción
Recursos humanos y técnicas de datos. People Analytics
Predicción: stocks, demandas, comportamientos
Segmentación: análisis de oferta. Identificar tendencias
Fidelización de clientes usando aprendizaje reforzado
Estrategias nacionales para el desarrollo de la inteligencia artificial
Recomendaciones web
Mejora de procesos
Resumen

Recursos basados en inteligencia artificial aplicables a la empresa
Introducción
Oportunidades que ofrece la inteligencia artificial
Impacto de la inteligencia artificial en las empresas
Recursos basados en inteligencia artificial aplicables a la empresa
Resumen

Python e inteligencia artificial: fundamentos y aplicaciones avanzadas
Introducción
Fundamentos de big data
Técnicas de minería de datos
Big data e inteligencia artificial
ChatGPT y los sesgos de la inteligencia artificial generativa
Pasos para construir un proyecto de k
Definir el objetivo
Obtener los datos
Limpiar los datos
Enriquecer los datos
Encontrar insights
Desplegar Machine Learning
Iterar
Los profesionales del big data
Ingeniero de datos
Analistas de datos
Arquitecto de datos
Especialista en IA
Científico de datos
Sistemas de aprendizaje automático vs sistemas de aprendizaje manual
Arquitectura de big Data: marco integral de herramientas tecnológicas
Construcción de un proyecto de Machine Learning
Usos, métodos, enfoques del aprendizaje automático y lenguajes de programación
Métodos de aprendizaje automático
Enfoques algorítmicos
K-Nearets Neighbors (KNN)
árboles de decisión
Aprendizaje profundo
Aprendizaje por refuerzo
Construcción de un clasificador de aprendizaje automático en Python con Scikit Learn
Configuración de un entorno de programación Python
Pasos para la instalación de Python 3
Importar Scikit Learn
Importar el conjunto de datos de Scikit Learn
Organizar datos en conjuntos
Construcción del modelo y evaluación de las predicciones
Construcción de una red neural para el reconocimiento de números escritos a mano en TensorFlow con Python
Configuración del proyecto
Importar datos de MNIST
Definición de la arquitectura de la red neuronal artificial
Construcción del gráfico de TensorFlow
Proceso de entrenamiento y pruebas
Generación de código con inteligencia artificial
Gemini
Vertex AI
Resumen