Especialista en Inteligencia Artificial
Datos y analítica
Cursos y talleres
- Límite de inscripción: 23/08/2022 11:00
- Fechas: 30/08/2022 09:00 - 22/12/2022 14:00
- Duración: 230 horas
- Modalidad: Online
Datos de interés
- Precio: Gratuito
- Sesiones:
- Martes, Jueves y Viernes, 09:00 - 14:00
Objetivos:
Utilizar aplicaciones y algoritmos de Inteligencia Artificial, en diferentes proyectos de aplicabilidad en las empresas.
Dirigido a:
Personas, preferentemente desempleadas, con nivel académico o de conocimientos generales y que cumplan al menos alguno de los siguientes requisitos:
- Título de Técnico Superior (FP Grado Superior) o equivalente.
- Haber superado la prueba de acceso a Ciclos Formativos de Grado Superior.
- Haber superado cualquier prueba oficial de acceso a la universidad.
- Certificado de profesionalidad de nivel 3.
- Título de Grado o equivalente.
- Título de Postgrado (Máster) o equivalente.
- Conocimientos previos en programación orientada a objetos utilizando el lenguaje de programación Java.
- Nivel alto de Inglés .
No requiere experiencia profesional previa
Personas residentes en Gran Canaria
Una vez finalizado el plazo de presentación de solicitudes, se valorarán todas las recibidas y se seleccionará a los alumnos siguiendo el estricto orden de inscripción de los mismos, teniendo en cuenta, prioritariamente, a los desempleados.
*A los alumnos se les proporcionará los medios didácticos y el material necesario para el desarrollo del curso.
*La selección de alumnos se hará siguiendo el estricto orden de inscripción de los mismos, teniendo en cuenta prioritariamente a los desempleados.
Programa:
MÓDULO 1. Fundamentos de Inteligencia Artificial
- Inmersión a la IA explicando sus principales modalidades.
- Breve noción sobre los principales algoritmos de IA.
- Análisis de los diferentes tipos de aprendizaje.
- Fundamentos matemáticos para el entendimiento del funcionamiento de distintos algoritmos basados en IA y conceptos básicos de programación.
- Implementación de conceptos matemáticos de IA utilizando Python como lenguaje de programación.
- Fundamentos estadísticos básicos para el entendimiento del funcionamiento de distintos algoritmos, preprocesamiento de datos y análisis de resultados.
- Implementación de conceptos estadísticos utilizando Python como lenguaje de programación.
- Puesta en marcha del entorno de trabajo.
- Detalle de los diferentes softwares y programas utilizados para la implementación de algoritmos basados en IA.
- Inmersión en el lenguaje Python.
MÓDULO 2. Exploración del conjunto de datos
- Reconocimiento de las competencias y funciones de un Data Scientist relacionadas con la explotación, análisis y gestión de los datos en una empresa.
- Fundamentos de la visualización de los datos de entrada del modelo.
- Inmersión en las librerías más utilizadas en la visualización de datos.
- Identificación de las herramientas necesarias para poder examinar los datos en función del tipo de dato.
- Aplicación práctica de librerías de visualización de datos.
- Fundamentos del pre-procesado de los datos de entrada del modelo.
- Inmersión en las librerías más utilizadas en la preparación y limpieza de datos.
- Identificación de las herramientas necesarias para la limpieza, reducción y preparación de los datos de entrada según tipo.
- Aplicación práctica de librerías de examinación y pre-procesado de datos.
MÓDULO 3. Algoritmos de Machine Learning
- Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos de ML.
- Definición teórico-práctica de estos conceptos matemáticos.
- Implementación en Python de dichos conceptos matemáticos.
- Introducción a los modelos de ML más utilizados.
- Implementación en Python de estos modelos haciendo uso de las librerías más relevantes.
- Introducción a los conceptos de sistemas de recomendación y aprendizajes por refuerzo.
- Identificación del algoritmo más relevante a desarrollar según tipología y aplicabilidad.
- Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos.
MÓDULO 4. Redes Neuronales
- Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos basados en Redes Neuronales explicados en este módulo.
- Definición teórico-práctica de estos conceptos matemáticos.
- Desarrollo en Python de los algoritmos que implementan dichos conceptos.
- Identificación de los modelos basados en Redes Neuronales más utilizados según aplicación.
- Implementación en Python de dichos algoritmos haciendo uso de las librerías más relevantes.
- Identificación del algoritmo más relevante a desarrollar según tipología y aplicabilidad.
- Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos.
MÓDULO 5. Visualización de resultados
- Fundamentos de la visualización de los resultados del modelo.
- Inmersión en las librerías más utilizadas en la visualización de los resultados de un modelo.
- Identificación de las herramientas necesarias para evaluación de resultados en función del modelo.
- Aplicación práctica de librerías de visualización de datos.
- Visualización del proceso de entrenamiento y búsqueda de puntos de optimización o sesgos en el modelo.
- Identificación de problemas como vanishing gradient o exploding gradient durante el entrenamiento de redes neuronales.
- Evaluación de resultados.
MÓDULO 6. Bases de datos en IA
- Inmersión al lenguaje SQL y a las bases de datos más relevantes.
- Introducción a las bases de datos NoSQL y comparativa con las bases de datos relacionales.
- Tratamiento y almacenamiento en base de datos de un dataset desde Python.
- Operaciones CRUD desde Python a una base de datos SQL.
MÓDULO 7. Auto Machine Learning
- Inmersión al Auto Machine Learning y a las plataformas más relevantes.
- Introducción al Auto ML y a los beneficios que puede proporcionar con respecto a los métodos tradicionales.
- Tratamiento de datos desde AWS SageMaker.
- Introducción a la carga y tratamiento de conjuntos de datos sobre el servicio SageMaker.
- Visualización de datos en SageMaker con la finalidad de obtener información sobre el conjunto de datos.
- Entrenamiento de modelos ML mediante AutoML.
- Implementación de servicios web ML.
- Desarrollo de servicios web seguros sobre modelos entrenados en SageMaker accesibles mediante API.
MÓDULO 8. Responsible AI
- Comprender y articular los problemas críticos, sociales, legales, políticos y éticos que surgen a lo largo del ciclo de vida de los datos.
- Comprender conceptos relevantes, que incluyen: ética, moralidad, responsabilidad, derechos digitales, gobernanza de datos, interacción persona-datos, investigación e innovación responsables.
- Identificar y evaluar problemas éticos actuales en la industria y la ciencia de datos.
- Aplicar el juicio crítico y la reflexividad profesionales a los problemas morales sin soluciones claras.
- Evaluar los problemas éticos que enfrenta en su práctica profesional actual.
- Identificar y aplicar soluciones éticas a esos problemas.
MÓDULO 9. Caso práctico en IA
- Análisis de los factores relevantes de un problema de IA.
- Técnicas y herramientas para la toma de decisiones a la hora de abordar el proyecto.
- Identificación de los entornos, fases y herramientas necesarias para llevar a cabo la solución seleccionada.
- Gestión y seguimiento de las distintas fases del proyecto de IA.
- Planificación, diseño y programación de los componentes de un proyecto de forma autónoma.
MÓDULO 10. Softskills – píldoras informativas
- Iniciación en el desarrollo ágil de proyectos mediante el uso de la metodología Scrum.
- Introducción a Design Thinking como herramienta para encontrar soluciones innovadoras a través de la creatividad e innovación.
- El arte de contar historias (storytelling) como medio para transmitir un mensaje con éxito.
Metodología: