Curso Online en Ciencia de Datos con Inteligencia Artificial

1.    Fundamentos matemáticos y estadísticos para la ciencia de datos

1.1.  Álgebra lineal aplicada al análisis y modelado de datos

1.2.  Cálculo diferencial y técnicas de optimización para modelos de aprendizaje

1.3.  Teoría de probabilidades y distribuciones estadísticas fundamentales

1.4.  Inferencia estadística y contraste de hipótesis aplicado a la toma de decisiones

1.5.  Fundamentos de estadística multivariante para el análisis de datos complejos

1.6.  Teoría de la información, entropía y su relación con los modelos de aprendizaje automático

2.    Programación y entornos computacionales para ciencia de datos e inteligencia artificial

2.1.  Python como lenguaje principal para ciencia de datos e inteligencia artificial

2.2.  Bibliotecas fundamentales del ecosistema científico de Python

2.3.  Introducción a R como herramienta complementaria de análisis estadístico y visualización

2.4.  Entornos de desarrollo y plataformas de computación en la nube para proyectos de datos

2.5.  Control de versiones con Git y GitHub para trabajo colaborativo en proyectos de datos

2.6.  Fundamentos de computación paralela y distribuida para el procesamiento de grandes volúmenes de datos

3.    Adquisición, preparación y gestión integral de datos

3.1.  Fuentes de datos y métodos de adquisición en entornos reales

3.2.  Calidad del dato: evaluación, diagnóstico y tratamiento de problemas

3.3.  Transformación y preprocesamiento de datos orientado al modelado

3.4.  Almacenamiento y gestión de datos a gran escala

3.5.  Gobernanza del dato y gestión del ciclo de vida de la información en las organizaciones

3.6.  Privacidad, anonimización y cumplimiento normativo en el tratamiento de datos sensibles

4.    Análisis exploratorio de datos y visualización avanzada de la información

4.1.  Metodología, objetivos y alcance del análisis exploratorio de datos (EDA)

4.2.  Estadísticos descriptivos y caracterización exhaustiva de distribuciones

4.3.  Técnicas de visualización para datos univariantes, bivariantes y multivariantes

4.4.  Herramientas de visualización interactiva y construcción de cuadros de mando (dashboards)

4.5.  Narrativa de datos (data storytelling) y comunicación efectiva de hallazgos a audiencias diversas

4.6.  Detección de patrones, anomalías y formulación de hipótesis a partir del análisis exploratorio

5.    Aprendizaje automático supervisado: fundamentos, modelos de regresión y evaluación

5.1.  Principios fundamentales del aprendizaje automático supervisado

5.2.  Modelos de regresión lineal y técnicas de regularización

5.3.  Árboles de decisión y métodos de ensemble para problemas de regresión

5.4.  Máquinas de soporte vectorial para regresión (SVR) y otros modelos avanzados

5.5.  Evaluación rigurosa y selección de modelos de regresión

5.6.  Interpretabilidad de modelos de regresión y comunicación de resultados en contextos de negocio

6.    Aprendizaje automático supervisado: modelos de clasificación y técnicas avanzadas

6.1.  Modelos de clasificación lineal y probabilística

6.2.  Clasificación basada en instancias y en fronteras de decisión complejas

6.3.  Métodos de ensemble avanzados aplicados a clasificación

6.4.  Evaluación exhaustiva de modelos de clasificación

6.5.  Diseño de pipelines completos de aprendizaje supervisado con Scikit-learn

6.6.  Automatización del aprendizaje automático (AutoML) y su papel en la aceleración de proyectos

7.    Aprendizaje automático no supervisado y técnicas de reducción de dimensionalidad

7.1.  Fundamentos, objetivos y aplicaciones del aprendizaje no supervisado

7.2.  Algoritmos de agrupamiento (clustering) para segmentación y descubrimiento de estructura

7.3.  Evaluación, validación e interpretación de resultados de clustering

7.4.  Técnicas de reducción de dimensionalidad para datos de alta complejidad

7.5.  Reglas de asociación y detección de patrones frecuentes en conjuntos transaccionales

7.6.  Detección de anomalías y valores atípicos mediante métodos no supervisados

8.    Aprendizaje profundo: redes neuronales artificiales y arquitecturas fundamentales

8.1.  Fundamentos computacionales de las redes neuronales artificiales

8.2.  Diseño, entrenamiento y regularización de redes neuronales profundas

8.3.  Redes neuronales convolucionales (CNN) para el procesamiento de datos espaciales

8.4.  Redes neuronales recurrentes (RNN) para el modelado de datos secuenciales

8.5.  Frameworks de aprendizaje profundo: TensorFlow, Keras y PyTorch

8.6.  Redes generativas adversarias (GANs) y autoencoders variacionales (VAEs) para generación de datos

9.    Procesamiento del lenguaje natural e inteligencia artificial generativa

9.1.  Fundamentos del procesamiento del lenguaje natural (NLP)

9.2.  Arquitectura Transformer y mecanismos de atención como paradigma dominante en NLP

9.3.  Modelos de lenguaje de gran escala (LLMs): entrenamiento, adaptación y despliegue

9.4.  Inteligencia artificial generativa: generación de texto, imagen y contenidos multimodales

9.5.  Ingeniería de prompts y técnicas avanzadas de interacción con LLMs

9.6.  Evaluación de modelos generativos, detección de alucinaciones y aseguramiento de la calidad

9.7.  Aplicaciones empresariales del NLP y la IA generativa en sectores estratégicos

10.    Análisis de series temporales y visión por computador como dominios especializados de la IA

10.1.  Fundamentos teóricos y prácticos del análisis de series temporales

10.2.  Modelos estadísticos clásicos y modernos para la predicción temporal

10.3.  Aprendizaje profundo aplicado a la predicción de series temporales

10.4.  Visión por computador: tareas fundamentales y arquitecturas especializadas

10.5.  Aplicaciones prácticas de la visión por computador en industria, salud, seguridad y movilidad

11.    Ingeniería de datos, despliegue de modelos y operaciones de aprendizaje automático (MLOps)

11.1.  Ciclo de vida completo de un proyecto de ciencia de datos en entornos productivos

11.2.  Diseño y construcción de pipelines de datos robustos y escalables

11.3.  Estrategias de despliegue de modelos de aprendizaje automático en producción

11.4.  Monitorización, mantenimiento y reentrenamiento de modelos en producción

11.5.  Herramientas del ecosistema MLOps: MLflow, DVC, Weights & Biases y Kubeflow

11.6.  Infraestructura como código y escalabilidad de sistemas de inteligencia artificial

12.    Ética, gobernanza, regulación y desarrollo responsable de la inteligencia artificial

12.1.  Principios éticos fundamentales en el desarrollo y aplicación de sistemas de IA

12.2.  Sesgos algorítmicos: detección, mitigación y prevención en modelos de datos

12.3.  Explicabilidad e interpretabilidad de modelos de inteligencia artificial

12.4.  Marco regulatorio y normativo: Reglamento Europeo de Inteligencia Artificial (AI Act) y RGPD

12.5.  Gobernanza corporativa de la inteligencia artificial y estrategias de implementación responsable

12.6.  Impacto socioeconómico de la inteligencia artificial: transformación del empleo, sostenibilidad y futuro de la disciplina