Curso Online en Inteligencia Artificial: Fundamentos y Aplicaciones

1.    Fundamentos históricos y conceptuales de la inteligencia artificial

1.1.  Definición y delimitación del concepto de inteligencia artificial

1.2.  Evolución histórica de la inteligencia artificial desde sus orígenes hasta la actualidad

1.3.  Principales paradigmas y enfoques en la inteligencia artificial

1.4.  Taxonomía de los sistemas de inteligencia artificial según su funcionalidad

1.5.  El test de Turing y otros marcos de evaluación de la inteligencia artificial

1.6.  Panorama actual y tendencias emergentes en el campo de la inteligencia artificial

2.    Bases matemáticas y computacionales para la inteligencia artificial

2.1.  Fundamentos de álgebra lineal aplicados a la inteligencia artificial

2.2.  Cálculo diferencial y optimización para modelos de aprendizaje

2.3.  Fundamentos de probabilidad y estadística para la modelización

2.4.  Teoría de la información y su relevancia en los modelos de inteligencia artificial

2.5.  Fundamentos de la complejidad computacional y la teoría de algoritmos

2.6.  Entornos de programación y herramientas computacionales para la inteligencia artificial

3.    Representación del conocimiento y sistemas de razonamiento inteligente

3.1.  Principios fundamentales de la representación del conocimiento

3.2.  Sistemas expertos y motores de inferencia basados en reglas

3.3.  Razonamiento bajo incertidumbre y modelos probabilísticos

3.4.  Técnicas de búsqueda y resolución de problemas

3.5.  Planificación automática y sistemas de toma de decisiones

3.6.  Aplicaciones actuales de los sistemas basados en conocimiento

4.    Aprendizaje automático: paradigmas, algoritmos y metodología

4.1.  Concepto y tipología del aprendizaje automático

4.2.  Algoritmos de clasificación y sus aplicaciones prácticas

4.3.  Algoritmos de regresión para la predicción de variables continuas

4.4.  Algoritmos de agrupamiento y segmentación de datos

4.5.  Técnicas de reducción de dimensionalidad y selección de características

4.6.  Metodología de desarrollo de modelos de aprendizaje automático

4.7.  Sobreajuste, infraajuste y técnicas de regularización

4.8.  Interpretabilidad y explicabilidad de los modelos de aprendizaje automático

5.    Redes neuronales artificiales y aprendizaje profundo

5.1.  Fundamentos biológicos e inspiración de las redes neuronales artificiales

5.2.  Arquitectura básica de las redes neuronales: el perceptrón y las redes multicapa

5.3.  Redes neuronales convolucionales para el procesamiento de datos espaciales

5.4.  Redes neuronales recurrentes y el procesamiento de secuencias temporales

5.5.  Mecanismos de atención y la arquitectura Transformer

5.6.  Técnicas avanzadas de entrenamiento y optimización de redes profundas

5.7.  Redes generativas adversariales y autoencoders variacionales

5.8.  Infraestructura y computación para el entrenamiento de modelos profundos

6.    Procesamiento del lenguaje natural y modelos de lenguaje

6.1.  Fundamentos del procesamiento del lenguaje natural

6.2.  Representación vectorial del texto y modelos de embeddings

6.3.  Modelos de lenguaje a gran escala y su arquitectura

6.4.  Tareas fundamentales del procesamiento del lenguaje natural

6.5.  Sistemas conversacionales y asistentes virtuales basados en inteligencia artificial

6.6.  Técnicas de ajuste fino y alineación de modelos de lenguaje

7.    Visión artificial y procesamiento inteligente de imágenes

7.1.  Fundamentos de la visión por computador y la representación digital de imágenes

7.2.  Tareas principales en visión artificial

7.3.  Arquitecturas de aprendizaje profundo específicas para visión artificial

7.4.  Generación y manipulación de imágenes mediante inteligencia artificial

7.5.  Aplicaciones industriales y profesionales de la visión artificial

8.    Inteligencia artificial generativa y modelos fundacionales

8.1.  Concepto y características de la inteligencia artificial generativa

8.2.  Modelos fundacionales: definición, arquitectura y capacidades emergentes

8.3.  Generación de texto con modelos de lenguaje a gran escala

8.4.  Generación de imágenes, audio y vídeo con modelos generativos

8.5.  Ingeniería de prompts y técnicas avanzadas de interacción con modelos generativos

8.6.  Impacto de la inteligencia artificial generativa en el ámbito profesional y creativo

9.    Aprendizaje por refuerzo y sistemas de decisión autónomos

9.1.  Fundamentos del aprendizaje por refuerzo: agentes, entornos y recompensas

9.2.  Algoritmos clásicos de aprendizaje por refuerzo

9.3.  Aprendizaje por refuerzo profundo y sus arquitecturas

9.4.  Aplicaciones del aprendizaje por refuerzo en entornos reales

9.5.  Aprendizaje por refuerzo con retroalimentación humana (RLHF) en modelos de lenguaje

10.    Ética, regulación y gobernanza de la inteligencia artificial

10.1.  Dimensiones éticas de la inteligencia artificial y su impacto social

10.2.  Marco regulatorio y normativo de la inteligencia artificial

10.3.  Principios de inteligencia artificial responsable y confiable

10.4.  Gobernanza de la inteligencia artificial en las organizaciones

10.5.  Seguridad de los sistemas de inteligencia artificial y gestión de riesgos

10.6.  Debate sobre la inteligencia artificial general y los riesgos existenciales

11.    Aplicaciones sectoriales y casos de uso de la inteligencia artificial

11.1.  Inteligencia artificial en el sector sanitario y la investigación biomédica

11.2.  Inteligencia artificial en el sector financiero y asegurador

11.3.  Inteligencia artificial en la industria y la cadena de suministro

11.4.  Inteligencia artificial en educación y gestión del conocimiento

11.5.  Inteligencia artificial en marketing, comunicación y experiencia de cliente

11.6.  Inteligencia artificial en la administración pública y los servicios ciudadanos

11.7.  Inteligencia artificial en el sector energético y la sostenibilidad medioambiental

12.    Diseño, implementación y gestión de proyectos de inteligencia artificial

12.1.  Metodología para la definición y planificación de proyectos de inteligencia artificial

12.2.  Ciclo de vida de los datos en proyectos de inteligencia artificial

12.3.  Desarrollo y experimentación con modelos de inteligencia artificial

12.4.  Despliegue y puesta en producción de modelos de inteligencia artificial (MLOps)

12.5.  Infraestructura tecnológica y plataformas para proyectos de inteligencia artificial

12.6.  Gestión de equipos multidisciplinares y roles profesionales en proyectos de inteligencia artificial

12.7.  Evaluación de resultados, retorno de inversión y escalabilidad de las soluciones