Modalidad: Online
400 horas
Modalidad Abierta
✓¿Qué es Inteligencia Artificial?
La inteligencia artificial (IA) se refiere al estudio, desarrollo y aplicación de técnicas informáticas que les permiten a las computadoras adquirir ciertas habilidades propias de la inteligencia humana. Algunas de estas son:
Entender las situaciones y los contextos.
Identificar objetos y reconocer sus significados.
Analizar y resolver problemas.Aprender a realizar nuevas tareas.
Comprender el lenguaje natural.
Reconocer imágenes.
Prácticas: Prácticas en empresas especializadas (opcionales). Disponemos de una red de empresas colaboradoras para que puedas cursar tus prácticas.
Profesores Expertos, Formación online tutorizada, Clases/Tutorías en directo, Formación basada en la práctica y en el desarrollo de ejercicios, Programa De Becas Personalizadas y Acceso a Bolsa de Empleo.
Dirigido a:
Este programa está dirigido a personas de diferentes perfiles que quieran orientarse hacia profesiones emergentes relacionadas con la Inteligencia Artificial. Los perfiles pueden ser de tres tipos:
Perfiles TIC: Personas con conocimientos en informática y programación, ya sea que tengan conocimientos en el área y estén buscando su primer empleo o que ya estén trabajando en el sector TI y quieran especializarse en Inteligencia Artificial.
Perfiles cuantitativos: Graduados en carreras con un componente cuantitativo fuerte, como estadística, matemáticas, ingenierías, física¿ que quieran dedicarse a la inteligencia artificial profesionalmente.
Perfiles de negocio: Graduados y profesionales en diferentes áreas de empresa y economía que quieran especializarse en dirigir equipos, liderar proyectos y vender proyectos de Inteligencia Artificial. Este máster les permitirá adquirir un background técnico sólido en esta área.
Adquirirás una visión integradora de la Inteligencia Artificial y el dominio de técnicas avanzadas de Machine Learning, Deep Learning, Natural, Language Processing (NLP), Artificial Vision¿
Conocerás los procesos de diseño, desarrollo e implementación de sistemas inteligentes por medio del uso de técnicas de Inteligencia Artificial y computación en la nube.
Pondrás en práctica los conocimientos teóricos con las herramientas y librerías de software más utilizadas en la industria: Python (Pandas, Numpy, Matplotlib, Skit-Learn¿),TensorFlow, Keras, Anaconda, Jupyter Notebooks¿
Aprenderás qué es la Inteligencia Artificial de una forma práctica mediante casos reales y utilizarás las herramientas y técnicas algorítmicas más punteras en el estado del arte para resolverlos.
Módulo 1: Nociones teóricas iniciales
Desambiguación de términos: Machine Learning, Deep Learning, Data Science, Big Data
Evolución histórica de la Inteligencia Artificial
Machine Learning: Aprendizaje supervisado, no supervisado y por refuerzo
Aprendizaje supervisado: Regresión y clasificación
Módulo 2: Herramientas básicas
Primeros pasos con R
Programación en Python
Linux Shell essentials
Introducción al ecosistema Big Data
Introducción a la programación distribuida
Programación distribuida: Py-Spark
Visión general del ecosistema de bases de datos NoSQL (Clave-valor, Columnares, Documentales y de Grafos)
NoSQL: MongoDB con PyMongo
Herramientas y técnicas de visualización
Visión general de las herramientas Cloud disponibles
Módulo 3: Algoritmos de Machine Learning y su implementación
¿Qué es un modelo de machine learning? ¿Qué es el entrenamiento? ¿Cómo valido que mis modelos generalizan correctamente?
Regresión Lineal
Regresión Logística
Algoritmos de agrupamiento (K-Means, Clustering espectral, Clustering jerárquico¿)
Support Vector Machines (SVM)
Árboles de Decisión y Random Forests
K Nearest Neighbors (KNN)
Redes Bayesianas
Modelos Ocultos de Markov
Algoritmos de reducción de la dimensionalidad (PCA, t-SNE¿)
Algoritmos de selección de modelos y búsqueda inteligente de hiper parámetros (grid search, random search, cross validation¿)
Modelos Ensemble y Sistemas multi-agente
Ecosistema Data Science en Python: Skit Learn, Pandas, Numpy, Matplotlib¿
Pre-procesamiento de datos numéricos (Normalización, discretización, estandarización¿)
Módulo 4: Deep Learning
Introducción a los sistemas cognitivos y al aprendizaje profundo
Perceptrones multi capa (MLP)
Aspectos prácticos en el entrenamiento de redes neuronales y computación en GPU/TPU
Redes Convolucionales (CNN)
Redes Recurrentes (RNN)
Auto-Encoders
Redes Generativas Adversarias (GAN)
Deep Reinforcement Learning (DRL)
Deep Learning Frameworks: Keras, TensorFlow, Pytorch¿
Módulo 5: Procesamiento de Lenguaje Natural
Pre-procesamiento de texto y creación de corpus (tokenización, lematización, separación de oraciones¿)
Conceptos clave de análisis a nivel de documento (TF-IDF, BoW¿)
Topic Modeling (LDA y LSI)
Análisis morfológico y morfosintáctico (PoS Tagging)
Named Entity Recognition
Embeddings
Deep Learning aplicado a NLP
La revolución de los modelos Deep Learning de lenguaje basados en contexto (BERT, ELMo¿)
Modelos de generación de texto y agentes conversacionales
Ecosistema NLP en Python: NLTK, gensim, spacy, rasa¿
Módulo 6: TFM (Opcional)
El alumno presentará una propuesta de proyecto al docente, que utilice algoritmos y tecnologías vistos en este máster para la resolución de un problema real de negocio.
Una vez aprobada la propuesta el alumno lo realizará
Al entregarlo el docente dará su feedback y si este es positivo el alumno tendrá una mención especial en su diploma y prioridad en nuestra bolsa de empleo.
Claustro de profesores:
Daniel Martínez García
Experto en Inteligencia Artificial con dilatada experiencia en el sector. Fue durante años director de ID en la División de Inteligencia Artificial de Altran y actualmente dirige la parte de Inteligencia Artificial en MonoM (Grupo Álava). Tiene un máster en Big Data y otro en Deep Learning e imparte clases en universidades y escuelas de negocios.