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 artificial
- Evolución histórica de la inteligencia artificial
- La inteligencia artificial en la vida cotidiana y en diferentes sectores
- La inteligencia artificial como subcampo de la informática
- Enfoques, técnicas y objetivos de la IA
- Inteligencia artificial, machine learning, deep learning y redes neuronales
- Aprendizaje automático (Machine Learning)
- Tipos de Machine Learning (Supervisado, No Supervisado, por Refuerzo)
- Características definitorias de un algoritmo
- Un ejemplo de las características definitorias de un algoritmo
- Evaluación y mejora de modelos
- Procesamiento del lenguaje natural (Natural Language Processing)
- Técnicas clave del procesamiento de texto
- Modelos de procesamiento del lenguaje natural
- Los Transformadores y el procesamiento del lenguaje natural
- Aplicaciones del procesamiento del lenguaje natural
- Visión computacional (Computer Vision)
- Conceptos básicos de la visión computacional
- Modelos de visión computacional
- Procesamiento de imágenes y redes neuronales convolucionales (CNN)
- Aplicaciones de la visión por computadora
- Impacto de la inteligencia artificial en la sociedad y la economía
- Ejemplos de aplicaciones de la IA en instituciones públicas
- Ejemplos de aplicaciones de la IA en el mundo empresarial
- Explicabilidad y transparencia de los modelos de Deep Learning
- Sesgos y discriminación en los modelos de inteligencia artificial
- Responsabilidad y regulación en la IA
- Avances y retos en la investigación de IA
- Innovación y oportunidades en el campo de la IA
- Qué es el Big Data
- El Big Data como solución al tratamiento masivo de datos
- Del Business Intelligence al Big Data
- Retos del Big Data
- Características del Big Data (4 V’s)
- Aplicaciones del Big Data
- Introducción a las bases de datos relacionales
- Introducción a las bases de datos no relacionales
- Diferencias entre SQL y NoSQL
- Ventajas e inconvenientes de cada tipo de base de datos
- Ejemplos de bases de datos utilizadas en Big Data
- Hadoop como revolución para el tratamiento paralelo de datos masivos
- Casos de uso de Hadoop
- El ecosistema Hadoop: HDFS y MapReduce
- Ejemplos de HDFS y MapReduce
- Principales lenguajes de programación utilizados para el Big Data: Java, Scala, SQL y Python
- Procesos ETL (extracción, transformación y carga): Flume, Sqoop y HIVE
- Ejemplos de procesos ETL
- Procesos Real Time y bases de datos de alta disponibilidad: Kafka, HBASE y Redis
- Nuevos paradigmas del Big Data: Procesos en Real Time y Cloud Computing
- Ventajas y desafíos del procesamiento en tiempo real y del Cloud Computing
- Ejemplos de uso del cloud computing
- ¿Qué es TensorFlow?
- Presentación de las diferentes técnicas de análisis de datos
- Técnicas de visualización de datos
- Herramientas y técnicas para crear visualizaciones interactivas y dashboards
- Desafíos y consideraciones en la visualización de datos
- Aplicaciones del Big Data en Instituciones Públicas
- Aplicaciones del Big Data en el Mundo Empresarial
- Análisis de los beneficios del uso del Big Data
- Métodos de aprendizaje supervisado
- Modelos de Algoritmos Supervisados
- Modelos de regresión lineal
- Modelos de regresión logística
- Modelos de árboles de decisión
- Modelos de máquina de vectores de soporte
- Métodos de aprendizaje no supervisado
- Modelos de Algoritmos no Supervisados
- k-means
- DBSCAN
- Análisis de Componentes Principales (PCA)
- Agrupamiento Jerárquico
- Comparativa de los principales algoritmos no supervisados
- Cuándo utilizar unos u otros algoritmos de aprendizaje no supervisado
- Cómo elegir el algoritmo adecuado supervisado o no supervisado
- Aprendizaje por Refuerzo: Aprendiendo a través de la interacción
- Desafíos del Aprendizaje por Refuerzo
- Los agentes en el aprendizaje por refuerzo
- Algoritmos de Aprendizaje por Refuerzo
- Los enfoques heurísticos en la inteligencia artificial
- Algoritmos genéticos
- Recocido simulado
- Búsqueda tabú
- Algoritmos voraces
- Deep Learning: Aprendiendo representaciones jerárquicas
- Desafíos del Deep Learning
- Redes neuronales artificiales
- Conceptos básicos de las redes neuronales
- Capas de neuronas de una red artificial
- Parámetros de un modelo de inteligencia artificial
- Entrenamiento de redes neuronales
- Técnicas de entrenamiento de una red neuronal
- Aprendizaje por transferencia
- Tipos de arquitecturas de Deep Learning
- Redes Neuronales Recurrentes (RNN)
- Redes neuronales convolucionales (CNN)
- Redes Generativas Adversarias (GAN)
- Redes Neuronales Transformadoras (TNN)
- Comparativa entre las distintas arquitecturas de Deep Learning
- Introducción a Weka y Orange
- ¿Qué son Weka y Orange?
- Importancia de Weka y Orange en el Aprendizaje Automático
- Comparación entre Weka y Orange: Ventajas y Desventajas
- Instalación y Configuración de Weka y Orange
- Exploración de la Interfaz de Weka
- Visión General de la Interfaz de Weka
- Modos de Weka: Explorador, Experto, Flujo de Trabajo
- Descripción de Módulos Clave en el Explorador
- Exploración de la Interfaz de Orange
- Introducción a la Interfaz Visual de Orange
- Comprensión de los Widgets de Orange
- Creación de un Flujo de Trabajo Básico en Orange
- Importación y Preparación de Datos en Weka y Orange
- Fuentes de Datos
- Preprocesamiento de Datos
- Visualización de Datos
- Implementación de Modelos de Aprendizaje Automático
- Modelos Supervisados en Weka y Orange
- Modelos No Supervisados en Weka y Orange
- Algoritmos de Aprendizaje por Refuerzo
- Modelos Profundos (Deep Learning)
- Evaluación y Validación de Modelos
- Métodos de Validación
- Métricas de Evaluación
- Evaluación de Modelos en Weka
- Evaluación de Modelos en Orange
- Análisis de Resultados
- Visualización de Resultados
- Visualización de Resultados en Weka
- Visualización de Resultados en Orange
- Interpretación de Visualizaciones para la Toma de Decisiones
- Casos Prácticos y Ejercicios
- Estudio de Caso 1: Clasificación de Datos Médicos
- Estudio de Caso 2: Segmentación de Clientes
- Automatización y Flujo de Trabajo en Weka/Orange
- Creación de Flujos de Trabajo Automatizados en Weka
- Uso de Scripts Python en Orange para Automatización
- Exportación e Implementación de Modelos en Entornos de Producción
- Conclusiones y Buenas Prácticas
- Conclusiones
- Buenas prácticas
