Inteligencia Artificial y Machine Learning
Este curso de Inteligencia Artificial y Machine Learning está diseñado para brindar una comprensión práctica y progresiva de las tecnologías que están transformando la forma en que las personas y las organizaciones analizan datos, automatizan procesos y desarrollan soluciones inteligentes.
A lo largo de cuatro módulos, los participantes conocerán los fundamentos de la Inteligencia Artificial, los principales conceptos y técnicas de Machine Learning, el uso de Python para el análisis de datos y la construcción de modelos predictivos, así como las tecnologías más recientes de IA generativa, Deep Learning, modelos de lenguaje y automatización inteligente.
Al finalizar el curso, los participantes contarán con una visión integral del ecosistema de Inteligencia Artificial y serán capaces de identificar oportunidades de aplicación, desarrollar modelos básicos de Machine Learning y proponer soluciones de IA orientadas a problemas reales.
-
Módulo 1: Fundamentos de Inteligencia Artificial
-
Preview
-
Historia y evolución de la IA
-
IA, Machine Learning y Deep Learning: diferencias
-
Tipos de Inteligencia Artificial
-
Cómo aprenden las máquinas
-
Casos de uso de IA en empresas y vida cotidiana
-
Ética, riesgos y uso responsable de la IA
-
Actividad práctica: identificar oportunidades para aplicar I
-
-
Módulo 2: Fundamentos de Machine Learning
-
¿Qué es Machine Learning?
-
Aprendizaje supervisado, no supervisado y por refuerzo
-
Datos, variables y características
-
Preparación y limpieza de datos
-
División de datos: entrenamiento, validación y prueba
-
Introducción a regresión
-
Introducción a clasificación
-
Clustering y segmentación
-
Métricas para evaluar modelos
-
Overfitting y underfitting
-
Actividad práctica: construir un primer modelo de Machine Learning
-
-
Módulo 3: Machine Learning aplicado con Python
-
Introducción a Python para Machine Learning
-
NumPy y manipulación numérica
-
Análisis de datos con Pandas
-
Visualización de datos
-
Análisis exploratorio de datos
-
Introducción a Scikit-learn
-
Regresión lineal
-
Regresión logística
-
Árboles de decisión
-
Random Forest
-
K-Means
-
Feature engineering
-
Optimización de modelos
-
Proyecto práctico: modelo predictivo de principio a fin
-
-
Módulo 4: IA Generativa, Deep Learning y Proyecto Final
-
Introducción a redes neuronales
-
Fundamentos de Deep Learning
-
¿Qué son los modelos de lenguaje o LLM?
-
Introducción a la IA generativa
-
ChatGPT y otros modelos generativos
-
Fundamentos de Prompt Engineering
-
Embeddings y búsqueda semántica
-
Introducción a sistemas RAG
-
Agentes de Inteligencia Artificial
-
APIs y conexión de modelos de IA con aplicaciones
-
Automatización de procesos con IA
-
Seguridad, privacidad y evaluación de sistemas de IA
-
Cómo llevar un modelo a producción
-
Proyecto final: diseño y presentación de una solución de IA
-
| 🎓 Responsable | María González |
|---|---|
| 🔄 Última Actualización | 08/08/2026 |
| ⌛Tiempo estimado para completar | 8 hours 50 minutes |
| 👥 Personas inscritas | 3680 |
| 🎖️ Incluye certificado | Sí |
| Posible beca parcial o completa | Sí |