Curso Online en Inteligencia Artificial y Machine Learning para Entornos Profesionales y Empresariales

1.    Fundamentos conceptuales e históricos de la inteligencia artificial

1.1.  Definición y alcance de la inteligencia artificial en el contexto tecnológico actual

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

1.3.  Tipologías y clasificaciones de los sistemas de inteligencia artificial

1.4.  Relación y delimitación entre inteligencia artificial, machine learning y deep learning

1.5.  El ecosistema tecnológico de la IA: hardware especializado, software y plataformas

1.6.  Panorama actual del mercado de la inteligencia artificial y su impacto en el tejido empresarial

2.    Fundamentos matemáticos y estadísticos para el aprendizaje automático

2.1.  Álgebra lineal aplicada al machine learning

2.2.  Cálculo diferencial y técnicas de optimización en algoritmos de aprendizaje

2.3.  Probabilidad y estadística inferencial para la modelización predictiva

2.4.  Métricas de evaluación y validación de modelos estadísticos

2.5.  Técnicas de reducción de dimensionalidad y representación eficiente de datos

3.    Preparación, gestión y gobernanza de datos para proyectos de inteligencia artificial

3.1.  El ciclo de vida de los datos en proyectos de machine learning

3.2.  Fuentes de datos empresariales y estrategias de recopilación

3.3.  Preprocesamiento y limpieza de datos para garantizar la calidad del conjunto de entrenamiento

3.4.  Ingeniería de características para la mejora del rendimiento de los modelos

3.5.  Arquitecturas de datos para entornos de IA: data lakes, data warehouses y lakehouses

3.6.  Gobernanza de datos y cumplimiento normativo en el ámbito corporativo

4.    Algoritmos y técnicas de aprendizaje supervisado

4.1.  Principios generales del aprendizaje supervisado y su flujo de trabajo completo

4.2.  Algoritmos de regresión para la predicción de variables continuas

4.3.  Algoritmos de clasificación para la predicción de categorías

4.4.  Métodos de ensamble para la mejora de la precisión predictiva

4.5.  Evaluación y selección rigurosa de modelos supervisados

4.6.  Criterios para la selección del algoritmo adecuado según el problema y los datos disponibles

5.    Algoritmos y técnicas de aprendizaje no supervisado y por refuerzo

5.1.  Principios y aplicaciones del aprendizaje no supervisado en entornos empresariales

5.2.  Algoritmos de clustering para la segmentación y agrupación de datos

5.3.  Técnicas de reducción de dimensionalidad y extracción de características latentes

5.4.  Detección de anomalías y descubrimiento de patrones ocultos en datos empresariales

5.5.  Reglas de asociación y análisis de cestas de la compra en contextos comerciales

5.6.  Fundamentos del aprendizaje por refuerzo y su aplicación en el ámbito profesional

5.7.  Casos de uso del aprendizaje por refuerzo en la optimización de procesos empresariales

6.    Redes neuronales artificiales y arquitecturas de deep learning

6.1.  Fundamentos biológicos e inspiración conceptual de las redes neuronales artificiales

6.2.  Arquitectura y funcionamiento del perceptrón multicapa (MLP)

6.3.  Redes neuronales convolucionales (CNN) para el procesamiento de imágenes

6.4.  Redes neuronales recurrentes (RNN) para datos secuenciales y temporales

6.5.  Arquitectura Transformer y mecanismos de atención como nuevo paradigma

6.6.  Técnicas avanzadas de entrenamiento y optimización de redes profundas

6.7.  Frameworks y herramientas principales para el desarrollo de modelos de deep learning

7.    Procesamiento del lenguaje natural y visión por computador en el ámbito empresarial

7.1.  Fundamentos del procesamiento del lenguaje natural (NLP) y su evolución tecnológica

7.2.  Técnicas de representación del texto y modelos de embeddings

7.3.  Aplicaciones empresariales del procesamiento del lenguaje natural

7.4.  Fundamentos de la visión por computador y su aplicación profesional

7.5.  Inteligencia artificial generativa: modelos de generación de texto, imagen y contenido multimedia

7.6.  Integración de soluciones de NLP y visión por computador en flujos de trabajo empresariales

8.    Herramientas, plataformas y entornos de desarrollo para proyectos de inteligencia artificial

8.1.  Lenguajes de programación y bibliotecas esenciales para machine learning

8.2.  Entornos de desarrollo y experimentación: Jupyter Notebooks, Google Colab y entornos cloud

8.3.  Plataformas cloud para inteligencia artificial y machine learning como servicio

8.4.  Herramientas de AutoML para la democratización del aprendizaje automático

8.5.  Plataformas de IA sin código y bajo código para perfiles no técnicos

8.6.  Gestión de experimentos y versionado de modelos con MLflow, Weights & Biases y DVC

9.    Despliegue, operaciones y ciclo de vida de modelos de IA en producción (MLOps)

9.1.  Del modelo experimental al modelo en producción: desafíos y mejores prácticas

9.2.  Principios y componentes fundamentales de la disciplina MLOps

9.3.  Contenerización y despliegue de modelos mediante Docker y Kubernetes

9.4.  Diseño de APIs y microservicios para la exposición de modelos predictivos

9.5.  Monitorización del rendimiento de los modelos en producción

9.6.  Escalabilidad, alta disponibilidad y gestión de costes en infraestructuras de IA

9.7.  Seguridad y robustez de los modelos desplegados en entornos corporativos

10.    Estrategia empresarial, gestión de proyectos e integración organizacional de la IA

10.1.  La inteligencia artificial como palanca de transformación digital y ventaja competitiva

10.2.  Diseño de la estrategia de IA alineada con los objetivos de negocio

10.3.  Metodologías de gestión de proyectos de IA: CRISP-DM, enfoques Agile e híbridos

10.4.  Estructura de equipos multidisciplinares y roles clave en proyectos de IA

10.5.  Medición del retorno de la inversión (ROI) y del impacto empresarial de las soluciones de IA

10.6.  Gestión del cambio organizacional y adopción de la IA por parte de los empleados

11.    Ética, regulación y gobernanza responsable de la inteligencia artificial

11.1.  Principios éticos fundamentales para el desarrollo y uso de sistemas de IA

11.2.  Sesgos algorítmicos: origen, tipología y estrategias de mitigación

11.3.  Explicabilidad e interpretabilidad de los modelos de inteligencia artificial

11.4.  Marco normativo y regulatorio de la IA: Reglamento Europeo de Inteligencia Artificial y otras normativas internacionales

11.5.  Gobernanza corporativa de la IA y marcos organizativos de IA responsable

11.6.  Impacto social y laboral de la inteligencia artificial: retos y oportunidades para el futuro del trabajo

12.    Aplicaciones sectoriales, casos de éxito y tendencias emergentes en inteligencia artificial

12.1.  Aplicaciones de la IA en el sector financiero y bancario

12.2.  Aplicaciones de la IA en el sector sanitario y farmacéutico

12.3.  Aplicaciones de la IA en marketing, ventas y experiencia del cliente

12.4.  Aplicaciones de la IA en industria, logística y cadena de suministro

12.5.  Aplicaciones de la IA en recursos humanos, sector legal y administración pública

12.6.  Tendencias emergentes y tecnologías disruptivas en el horizonte de la inteligencia artificial