Curso Online en Machine Learning e Inteligencia Artificial Aplicada

1.    Fundamentos teóricos y conceptuales de la inteligencia artificial y el aprendizaje automático

1.1.  Evolución histórica de la inteligencia artificial: desde los orígenes hasta la era moderna

1.2.  Definición y delimitación de conceptos clave: inteligencia artificial, machine learning y deep learning

1.3.  Taxonomía de los sistemas de inteligencia artificial

1.4.  El ecosistema tecnológico actual de la inteligencia artificial

1.5.  Aplicaciones transversales de la IA en sectores estratégicos

1.6.  El ciclo de vida completo de un proyecto de machine learning

2.    Fundamentos matemáticos y estadísticos para el aprendizaje automático

2.1.  Álgebra lineal aplicada al machine learning

2.2.  Cálculo diferencial y optimización en modelos de aprendizaje

2.3.  Fundamentos de probabilidad y estadística inferencial

2.4.  Teoría de la información aplicada al aprendizaje automático

2.5.  Fundamentos de análisis numérico y computación matricial eficiente

3.    Preparación, tratamiento y transformación de datos para modelos de machine learning

3.1.  El papel central de los datos en los proyectos de inteligencia artificial

3.2.  Fuentes de datos y estrategias de adquisición

3.3.  Análisis exploratorio de datos (EDA) como fase fundamental del proyecto

3.4.  Limpieza y preprocesamiento de datos

3.5.  Ingeniería de características (feature engineering)

3.6.  Estrategias de partición de datos: entrenamiento, validación y prueba

3.7.  Manejo de conjuntos de datos desbalanceados

4.    Algoritmos de aprendizaje supervisado: regresión, clasificación y métodos de ensemble

4.1.  Principios generales del aprendizaje supervisado y formulación del problema

4.2.  Algoritmos de regresión

4.3.  Algoritmos de clasificación

4.4.  Métodos de ensemble para la mejora del rendimiento predictivo

4.5.  Métricas de evaluación del rendimiento en aprendizaje supervisado

4.6.  Técnicas de validación cruzada y ajuste de hiperparámetros

5.    Algoritmos de aprendizaje no supervisado y técnicas de agrupamiento

5.1.  Fundamentos del aprendizaje no supervisado y diferencias con el paradigma supervisado

5.2.  Algoritmos de clustering particional

5.3.  Algoritmos de clustering jerárquico

5.4.  Algoritmos de clustering basado en densidad

5.5.  Técnicas de reducción de dimensionalidad no supervisada

5.6.  Reglas de asociación y análisis de patrones frecuentes

5.7.  Métricas de evaluación interna y externa en clustering

6.    Redes neuronales artificiales y fundamentos del aprendizaje profundo (deep learning)

6.1.  Del perceptrón a las redes neuronales profundas: evolución conceptual y arquitectónica

6.2.  Arquitectura y componentes de una red neuronal artificial

6.3.  El proceso de entrenamiento de redes neuronales

6.4.  Problemas fundamentales en el entrenamiento de redes profundas

6.5.  Técnicas de regularización y mejora de la capacidad de generalización

6.6.  Frameworks de desarrollo para deep learning: TensorFlow, Keras y PyTorch

6.7.  Uso de GPUs y TPUs para el entrenamiento acelerado de modelos profundos

7.    Arquitecturas avanzadas de deep learning y modelos generativos

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

7.2.  Redes neuronales recurrentes (RNN) para el procesamiento de datos secuenciales

7.3.  Mecanismo de atención y arquitectura Transformer

7.4.  Redes generativas adversarias (GANs)

7.5.  Autoencoders variacionales (VAE) y modelos de difusión

7.6.  Redes neuronales en grafos (GNN) y sus aplicaciones emergentes

8.    Procesamiento del lenguaje natural (NLP) con técnicas de machine learning e inteligencia artificial

8.1.  Fundamentos del procesamiento del lenguaje natural y sus principales desafíos

8.2.  Preprocesamiento de texto y representación vectorial del lenguaje

8.3.  Tareas fundamentales de NLP resueltas con aprendizaje automático

8.4.  Modelos de lenguaje de gran escala (LLM)

8.5.  Aplicaciones avanzadas de NLP en entornos empresariales

8.6.  Evaluación de modelos de NLP: métricas específicas y benchmarks de referencia

9.    Visión por computador y análisis de imagen mediante inteligencia artificial

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

9.2.  Clasificación de imágenes con redes neuronales convolucionales

9.3.  Detección y localización de objetos en imágenes

9.4.  Segmentación de imágenes: semántica, de instancia y panóptica

9.5.  Generación y manipulación de imágenes con modelos generativos

9.6.  Análisis de vídeo y procesamiento de secuencias temporales de imágenes

9.7.  Aplicaciones sectoriales de la visión por computador

10.    Aprendizaje por refuerzo y técnicas avanzadas de machine learning

10.1.  Fundamentos del aprendizaje por refuerzo: agentes, entornos y funciones de recompensa

10.2.  Procesos de decisión de Markov (MDP) y programación dinámica

10.3.  Métodos clásicos de aprendizaje por refuerzo

10.4.  Aprendizaje por refuerzo profundo (Deep RL)

10.5.  Aprendizaje por transferencia y adaptación entre dominios

10.6.  Aprendizaje federado y técnicas de preservación de la privacidad en el entrenamiento

10.7.  AutoML y búsqueda automática de arquitecturas neuronales (NAS)

11.    MLOps: despliegue, monitorización y gestión del ciclo de vida de modelos

11.1.  Introducción a MLOps y su papel en la operacionalización de la inteligencia artificial

11.2.  Diseño de pipelines de datos y entrenamiento automatizado

11.3.  Empaquetado y despliegue de modelos en entornos de producción

11.4.  Monitorización del rendimiento y detección de degradación del modelo

11.5.  Escalabilidad, optimización y eficiencia computacional

11.6.  Gestión de experimentos, trazabilidad y reproducibilidad en proyectos de ML

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

12.1.  Dimensión ética de la inteligencia artificial y el aprendizaje automático

12.2.  Interpretabilidad y explicabilidad de los modelos de machine learning

12.3.  Marco regulatorio y normativo de la inteligencia artificial

12.4.  Gobernanza de la IA en las organizaciones

12.5.  Implicaciones socioeconómicas de la automatización inteligente

12.6.  Tendencias futuras y desafíos emergentes en inteligencia artificial