Duración: 50 horas.

Contenidos básicos

1.- Caracterización de la Inteligencia Artificial fuerte y débil

– Inteligencia Artificial Débil:

• Características y aplicaciones.

• Ventajas e inconvenientes.

• Usos y posibilidades.

– Inteligencia Artificial Fuerte:

• Características y aplicaciones.

• Ventajas e inconvenientes.

• Usos y posibilidades.

2.- Determinación de sistemas de aprendizaje automático (Machine Learning)

– Clasificación de sistemas de aprendizaje automático. Supervisado y no supervisado.

– Principales técnicas para desarrollar el aprendizaje automático: Redes neuronales, Aprendizaje inductivo, Razonamiento basado en casos, entre otros.

– Algoritmos o modelos aplicados al aprendizaje automático:

• Algoritmos de clasificación.

• Algoritmos de detección de anomalías.

• Algoritmos de regresión.

• Algoritmos de clustering.

• Algoritmos de refuerzo del aprendizaje.

• Árboles y reglas de decisión.

• Otros algoritmos relacionados con el aprendizaje automático.

– Procedimientos del Machine Learning: datos, identifica patrones y toma decisiones.

– Herramientas de Aprendizaje automático.

– Aplicaciones del Aprendizaje Automático.

3.- Algoritmos aplicados al aprendizaje supervisado y optimización del modelo

– Determinación de elementos y herramientas de aprendizaje supervisado.

– Datos etiquetados.

– Variables de entrada (datos de entrada). Etiquetas de salida.

– Plataformas de aprendizaje automático supervisado.

– Fases del aprendizaje automático:

• Selección del algoritmo de aprendizaje supervisado.

• Selección de datos.

• Construcción del modelo.

• Validación del modelo.

• Ajuste de características o parámetros.

• Implementación del modelo propuesto.

• Verificación del modelo de prueba.

• Optimización del modelo.

4.- Aplicación de técnicas de aprendizaje no supervisado

– Técnicas de aprendizaje no supervisado.

– Algoritmos de aprendizaje no supervisado. Agrupación de clúster, Reducción de dimensión, entre otros.

– Determinación de elementos y herramientas de Aprendizaje no supervisado.

– Plataformas de aprendizaje automático no supervisado.

– Fases del aprendizaje automático no supervisado.

5.- Aplicación de modelos computacionales de redes neuronales y comparación con otros modelos

– Aprendizaje automático frente a un aprendizaje profundo.

– Cómo aprende una red neuronal.

– Modelos de redes neuronales artificiales: Redes neuronales convolucionales (CNN).

6.- Valoración de la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático

– Capacidad de generalización.

- Prueba.

– Validación.

– Matriz de confusión.

En desarrollo…