Lessons
Share Exit Fullscreen Back to course
Inteligencia Artificial y Machine Learning
  • Módulo 1: Fundamentos de Inteligencia Artificial
    • Introducción a la Inteligencia Artificial
    • 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