Máster de Formación Permanente en Inteligencia Artificial. Gestión e Implantación de Modelos
Español
Créditos 60 ECTS
PRESENTACIÓN
Este Máster de Inteligencia Artificial (IA) está pensado para dar respuesta a las nuevas necesidades de conocimiento y formación que han surgido en este ámbito ante el auge vivido en los últimos años de modelos, algoritmos y empresas que se dedican a la Inteligencia Artificial. Se estima que el sector de la IA tendrá un volumen de negocio a nivel global de unos 16 trillones de dólares para el 2030. Así mismo, empresas especializadas en la búsqueda y selección de perfiles profesionales apunta a la IA como uno de los conocimientos que será más demandado en los próximos años.
Objetivos
El objetivo global del Máster es que el alumno sea entender, aplicar, gestionar y liderar iniciativas y proyectos de IA en una organización. Este objetivo global se alcanza a través de los siguientes objetivos parciales:
1. Comprender realmente qué es la IA, sus límites y sus posibilidades.
2. Familiarizarse con los lenguajes de programación, herramientas y plataformas más comúnmente usados en los proyectos de IA.
3. Conocer los algoritmos más usados en Machine Learning y Deep Learning.
4. Analizar otras tecnologías que surgen en el entorno de la IA y que ayudan a desarrollar modelos de negocio innovadores y diferenciales.
5. Revisar las principales metodologías para gestionar proyectos de IA.
6. Entender las implicaciones y aplicaciones de la IA en diferentes áreas funcionales de la empresa.
Metodología
En Educa PHAROS trabajamos con una metodología eminentemente práctica, orientada a la aplicación directa de los conocimientos en el entorno profesional del alumno, combinando contenidos teóricos con casos reales, herramientas digitales y el acompañamiento de un equipo docente especializado.
Programa
- Estado del arte de la inteligencia artificial
- Filosofía de la inteligencia artificial
- Futuro de la inteligencia artificial
- Procesos de desarrollo de proyecto con inteligencia artificial
- Los datos, tu mayor activo
- Aprendizaje automático
- Aprendizaje profundo
- Transformers
- Generación de datos sintéticos
- Hiperparámetros en los modelos de inteligencia artificial
- Regresión lineal
- Regresión no lineal y Support Vector Machine (SVM)
- Árboles de decisión y bosques aleatorios
- Lógica difusa y descenso del gradiente
- Sistemas de recomendación
- Preparación del entorno de trabajo: Anaconda, Visual Studio Code y Python
- Dataset de entrada y procesado de datos
- TensorHub, TensorFlow y Keras
- Tratamiento de imágenes
- Generación de modelos de inteligencia artificial
- Introducción
- Alfabetización de los datos
- Trabajar con datos
- Soluciones y técnicas para tratamiento de datos
- Gestión de la calidad de datos
- Trabajar con datos en Excel
- Conjunto de datos (DATASET)
- Data Cleasing con Excel
- Data Wrangling con Excel
- Data Blending en Excel
- Instalación Talend Data Preparation Desktop
- Trabajar con datos en Talend
- Data Cleasing con Talend
- Data Wrangling con Talend
- Data Blending con Talend
- Registro en dataprep by Trifacta
- Trabajar con datos con Dataprep by Trifacta
- Data Cleasing con Trifacta
- Data Wrangling con Dataprep by Trifacta
- Data Blending con Dataprep by Trifacta
- Introducción
- Regresión lineal, múltiple y logística (I)
- Regresión lineal, múltiple y logística (II)
- Máquina de vectores soporte (SVM)
- Árboles de decisión
- KNN (K-Nearest Neighbors)
- Naive bayes
- Evaluación de modelos supervisados
- Ejercicio de ejemplo
- Ejercicio propuesto
- Introducción a clustering: propósito y métricas
- K-means clustering
- Clústering jerárquico, otras técnicas y ejemplos
- Análisis de componentes principales (PCA)
- Ejercicio de ejemplo PCA
- Redes neuronales artificiales (ANN) (I)
- Redes neuronales artificiales (ANN) (II)
- Redes neuronales artificiales (ANN) (III)
- Ejercicio de ejemplo
- Ejercicio propuesto
- Introducción
- Clasificación de algoritmos de aprendizaje automático
- Ejemplos de aprendizaje automático
- Diferencias entre el aprendizaje automático y el aprendizaje profundo
- Tipos de algoritmos de aprendizaje automático
- El futuro del aprendizaje automático
- Introducción
- Algoritmos
- Introducción
- Filtrado colaborativo
- Clusterización
- Sistemas de recomendación híbridos
- Clasificadores
- Algoritmos
- Componentes
- Aprendizaje
- Introducción
- El proceso de paso de DSS a IDSS
- Casos de aplicación
- Aprendizaje profundo
- Entorno de Deep Learning con Python
- Aprendizaje automático y profundo
- Redes neuronales
- Redes profundas y redes poco profundas
- Perceptrón de una capa y multicapa
- Ejemplo de perceptrón
- Tipos de redes profundas
- Entrada y salida de datos
- Entrenar una red neuronal
- Gráficos computacionales
- Implementación de una red profunda
- El algoritmo de propagación directa
- Redes neuronales profundas multicapa
- Introducción a Power BI
- Diferentes tipos de Power BI: ¿es realmente gratis?
- Sumerjámonos en ello: primer informe simple
- Power Query: fuente de datos
- Transformación de datos
- Modelado de datos
- Comenzando con DAX (I)
- Comenzando con DAX (II)
- Dominando DAX (I)
- Dominando DAX (II)
- Tabla y matriz
- Tendencias
- Cómo filtrar tus datos adecuadamente
- Marcadores
- Obtención de detalles
- Entendiendo Power BI Service
- Compartiendo contenido en Power BI Service
- Comparando Power BI Service y Power Report Service
- Integrando Python y R en Power BI Desktop
- Introduciendo Bravo para Power BI Desktop
- - Regresión Lineal.
- - Regresión Logística.
- - Redes Neuronales.
- - Clustering.
- Principal Component Analysis (PCA).
- - Redes neuronales profundas.
- - Optimización de algoritmos.
- - Redes neuronales convolucionales.
- - Redes neuronales recurrentes.
- - NPL. Procesamiento de lenguaje natural.
- - Creación de Tablas e informes.
- - Transformación y filtrado de datos.
- - Visualización de los datos.
- - Cálculo. Relaciones entre tablas de datos, métricas e indicadores.
- - Panel de control dinámico e interactivo.
- - Aplicación. Clasificación de objetos en imágenes.
- - Aplicación. Detección de objetos en imágenes.
- - Aplicación. Reconocimiento facial.
- - Aplicación. Detección de palabras para asistentes de voz.
- - Aplicación. Business Intelligence.
- Cuarta revolución industrial
- Transformación digital en las empresas
- Fundamentos y puntos clave
- Beneficios
- Tecnologías habilitadoras
- Big Data
- Cloud Computing
- Cibersecurity
- Inteligencia artificial
- Realidad virtual y aumentada
- BIM
- Robots colaborativos
- Fabricación aditiva
- Hiperconectividad
- IoT
- Manufacturing Execution System (MES)
- Integración y eficiencia de procesos
- Casos de uso
- Nuevas metodologías: Agile, Lean Startup o Design Thinking.
- Gestión del cambio en la empresa
- Introducción
- Elementos clave para la gestión de proyectos de IA
- Características de los proyectos de IA
- Introducción a las principales metodologías ágiles y de ideación
- Integración de las diferentes metodologías
- Introducción
- Fase I: Empatizar
- Fase II: Definir
- Fase III: Idear
- Fase IV: prototipar
- Lean start-up. Conceptos básicos
- Lean Start-up. Herramientas
- Scrum. Introducción
- Scrum. Roles
- Scrum. Ceremonias y artefactos
- Introducción
- Ideando el proyecto
- Ejecutando el proyecto
- Algunos consejos a la hora de implementar las metodologías
- Resumen y conclusiones
- Finanzas y Seguros
- Retail
- Industria
- Agricultura
- Salud
- Logística y operaciones
- Marketing
- Ventas y Atención al cliente
- Finanzas y Control
- People Analytics
- Escenario actual de un sector en auge
- Financiación y fondos
- Startups destacadas
- Futuro del ecosistema
- Inicio de una empresa de IA
- Ética. Notas generales.
- Ejemplos de sesgos.
- Iniciativas globales.
- Organismos públicos y regulación.
- IA en los Objetivos de Desarrollo Sostenible
Másteres Destacados
Da el siguiente paso en tu carrera
Tu formación ya cuenta. Ahora conviértela en un título universitario.
Educa PHAROS es una solución formativa para empresas que centraliza el aprendizaje, facilita la gestión de usuarios y permite medir el progreso mediante paneles y reportes.
Está dirigido a organizaciones que desean desarrollar habilidades internas, estandarizar la formación por roles y disponer de trazabilidad y métricas de aprendizaje.
Incluye itinerarios por perfiles, gestión de usuarios y permisos, reportes de progreso, certificación, y acceso a masterclass o sesiones en vivo (según plan).
Se apoya en buenas prácticas de seguridad, control de accesos, trazabilidad del aprendizaje y soporte de implementación. Personaliza este texto según tus compromisos (SLA, compliance, etc.).
Educa PHAROS es un modelo formativo de nueva generación que posiciona al capital humano de la empresa a la vanguardia. A través de una plataforma que se adapta a la imagen corporativa de cada empresa y con un total de más de 900 cursos se consigue una formación específica para cada organización. La tarifa plana ilimitada, proporciona a cada empresa el número de cursos que se ajuste a sus necesidades y también la posibilidad de determinar qué empleados podrán tener acceso.