Objetivo General

Este curso proporciona una comprensión integral de los principios básicos de la inteligencia artificial y el aprendizaje automático, preparando a los estudiantes para implementar soluciones prácticas en el mundo real.

Descargar Ficha PDF Cotizar

Objetivos Específicos

         Comprender los conceptos básicos de inteligencia artificial.
         Aplicar técnicas de machine learning en diferentes contextos.
         Desarrollar habilidades para resolver problemas con IA.
         Evaluar e interpretar resultados de modelos de machine learning.

Módulo 1: Introducción a la Inteligencia Artificial

        Aprendizaje esperado: Familiarizarse con conceptos básicos de IA y su impacto.
        Tipos de IA: Diferenciar entre IA débil, fuerte y AGI.
        Aplicaciones de IA: Identificar sectores donde se aplica IA.
        Ética en IA: Discutir implicaciones éticas y sociales de IA.
        Actividad práctica: Estudio de caso sobre implementación de IA en industria.

Módulo 2: Fundamentos de Machine Learning

        Aprendizaje esperado: Comprender principios de machine learning y algoritmos básicos.
        Algoritmos supervisados: Introducción a regresión y clasificación.
        Algoritmos no supervisados: Análisis de clusters y reducción de dimensionalidad.
        Preprocesamiento de datos: Técnicas de limpieza y transformación de datos.
        Evaluación de modelos: Métodos para validar y interpretar modelos.
        Actividad práctica: Simulación de un proyecto de machine learning.

Módulo 3: Redes Neuronales y Deep Learning

        Aprendizaje esperado: Entender funcionamiento de redes neuronales y su aplicación.
        Estructura de redes neuronales: Descripción de capas y nodos.
        Algoritmos de entrenamiento: Explicación de backpropagation y optimizers.
        Redes convolucionales: Aplicación en procesamiento de imágenes.
        Redes recurrentes: Uso en análisis de series temporales.
        Actividad práctica: Implementación de red neuronal simple en Python.

Módulo 4: Herramientas y Aplicaciones Prácticas

        Aprendizaje esperado: Utilizar herramientas prácticas para desarrollar modelos de IA.
        Lenguajes de programación: Introducción a Python y R para IA.
        Bibliotecas de IA: Uso de TensorFlow, Keras y Scikit-learn.
        Plataformas de desarrollo: Exploración de Google Colab y Jupyter Notebooks.
        Despliegue de modelos: Técnicas para implementar modelos en producción.
        Actividad práctica: Desarrollo de un proyecto completo de IA utilizando herramientas discutidas.
        Evaluación final.