[IAT-070] Técnicas de Machine Learning y Deep Learning en IA

Este curso ofrece una visión completa desde sus fundamentos históricos hasta aplicaciones avanzadas. Aborda librerías clave, técnicas de clasificación y regresión, redes neuronales, y tareas como clustering. Incluye evaluación de modelos, comparación de enfoques y análisis de implicaciones sociales, ideal para construir bases sólidas en IA y ML.

Duración: 20 horas

Perfil: Avanzado

Dirigido a

Este curso está orientado a programadores, ingenieros, matemáticos y estadísticos que deseen comprender y aplicar conceptos de Machine Learning e Inteligencia Artificial, ampliando sus habilidades en análisis de datos, programación y desarrollo de modelos predictivos.

Requisitos previos

Se requieren conocimientos básicos de programación, especialmente en Python, y una comprensión básica de matemáticas y estadística para facilitar el aprendizaje de conceptos fundamentales y algoritmos de ML.

Objetivos

Comprender la historia y evolución de la IA y el aprendizaje automático.
Dominar librerías esenciales de Python para Machine Learning.
Desarrollar modelos de clasificación, regresión y clustering.
Evaluar y seleccionar modelos adecuados según el contexto.
Analizar los desafíos éticos y sociales de la IA y las regulaciones en el campo.

Pedir más Información

Volver a Pronoide

Contenido

Historia y Evolución de la Inteligencia Artificial y el Aprendizaje Automático
1. Exploración de los hitos clave, avances y transformaciones en la IA y el aprendizaje automático desde sus inicios hasta la actualidad
LibreríaEsenciales para Machine Learning
1. Introducción y uso de librerías fundamentales en Python, como Pandas, NumPy, Matplotlib, SciPy, Scikit-Learn y TensorFlow, para manipulación y análisis de datos, visualización y desarrollo de modelos
Introducción al Machine Learning con Python
1. Tipos de datos y cómo manejarlos eficientemente
2. Selección y manipulación de características para optimizar modelos
3. Descripción general de los principales modelos de Machine Learning y sus aplicaciones
Modelos de Clasificación en Machine Learning
1. Modelos de regresión y técnicas de predicción
2. Evaluación de la importancia de características y selección de atributos clave
3. Estrategias para clasificación multiclase y elección de modelos óptimos según el problema
Evaluación de Modelos en Machine Learning
1. Métodos de división de datos (Train-Test).
2. Métricas de precisión y uso de umbrales para mejorar la calidad de los modelos
Comparativa: Machine Learning vs Deep Learning
1. Diferencias clave entre aprendizaje automático tradicional y aprendizaje profundo, con ejemplos de casos en los que se aplican
Librerías Avanzadas para Deep Learning
1. Uso de herramientas específicas para el desarrollo de redes neuronales y modelos de aprendizaje profundo
Modelos Avanzados de Aprendizaje Automático
1. Redes neuronales y redes neuronales profundas
2. Modelos probabilísticos y su aplicación en contextos específicos
3. Árboles de decisión y otros modelos basados en reglas
Conceptos Estadísticos Aplicados al Machine Learning
1. Análisis de distribuciones probabilísticas en el contexto de datos
2. Medición de error y evaluación de rendimiento
3. Introducción a pruebas de hipótesis y su uso en validación de modelos
Tareas Epecíficas del Aprendizaje Automático
1. Clasificación y selección de modelos adecuados
2. Regresión y análisis de tendencias
3. Clustering o categorización no supervisada de datos
Aplicaciones Prácticas del Aprendizaje Automático
1. Desarrollo de sistemas de recomendación personalizados
2. Reconocimiento de imágenes y visión por computadora
3. Procesamiento del lenguaje natural para comprensión y generación de texto
Aspectos Éticos y Sociales de la Inteligencia Artificial
1. Análisis de problemas éticos en IA, como sesgo y transparencia
2. Estándares y regulaciones en el uso responsable de la inteligencia artificial