Diplomado en Inteligencia Artificial y Deep Learning
Gracias a este Diplomado en Inteligencia Artificial y Deep Learning tendrás conocimientos en los campos más fundamentales de Inteligencia Artificial, Machine Learning y Deep Learning, que son de los más esenciales en las industrias tecnológicas. Aprenderán los conceptos de IA más importantes desde la parte más histórica a la más técnica, con los que se aprenderán los conocimientos prácticos sobre algoritmos de aprendizaje automático y técnicas de clasificación. También sabrán implementar estos algoritmos y a analizar datos utilizando diversas herramientas y lenguajes de programación. También aprenderán sobre las redes neuronales con los que se podrán abordar problemas más complejos, y trabajar con el Deep Learning.
Duración
3 meses
A quién va dirigido
Este Diplomado en Inteligencia Artificial y Deep Learning está dirigido a profesionales del ámbito de la informática, como desarrolladores de software, estudiantes y también es adecuado para cualquier persona que esté interesada en el sector de la Inteligencia Artificial. No se requieren conocimientos previos en el tema, ya que se empieza desde lo más básico.
Aprenderás a
Con este Diplomado en Inteligencia Artificial y Deep Learning te prepara para convertirte en un experto en Inteligencia Artificial, tendrás habilidades para el desarrollo de sistemas, implementación de algoritmos de IA, análisis de Big Data, construcción de redes neuronales y uso de herramientas como Python, Keras y TensorFlow.
Campo Laboral
Con las salidas profesionales de este Diplomado en Inteligencia Artificial y Deep Learning. Podrás trabajar como científico de datos, ingeniero de Machine Learning, desarrollador de IA, analista de datos, en general podrás optar por trabajar en diferentes industrias como la salud, la tecnología y el comercio, ya que es importante el uso de IA en estos ámbitos.
Plan de estudios
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
- Introducción a la inteligencia artificial
- Historia
- La importancia de la IA
UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL
- Tipos de inteligencia artificial
UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL
- Algoritmos aplicados a la inteligencia artificial
UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA
- Relación entre inteligencia artificial y big data
- IA y Big Data combinados
- El papel del Big Data en IA
- Tecnologías de IA que se están utilizando con Big Data
UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS
- Sistemas expertos
- Estructura de un sistema experto
- Inferencia: Tipos
- Fases de construcción de un sistema
- Rendimiento y mejoras
- Dominios de aplicación
- Creación de un sistema experto en C#
- Añadir incertidumbre y probabilidades
UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL
- Futuro de la inteligencia artificial
- Impacto de la IA en la industria
- El impacto económico y social global de la IA y su futuro
UNIDAD DIDÁCTICA 7. INTRODUCCIÓN AL MACHINE LEARNING
- Introducción
- Clasificación de algoritmos de aprendizaje automático
- Ejemplos de aprendizaje automático
- Diferencias entre el aprendizaje automático y el aprendizaje profundo
- Tipos de algoritmos de aprendizaje automático
- El futuro del aprendizaje automático
UNIDAD DIDÁCTICA 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING
- Introducción
- Algoritmos
UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN
- Introducción
- Filtrado colaborativo
- Clusterización
- Sistemas de recomendación híbridos
UNIDAD DIDÁCTICA 10. CLASIFICACIÓN
- Clasificadores
- Algoritmos
UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING
- Componentes
- Aprendizaje
UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN
- Introducción
- El proceso de paso de DSS a IDSS
- Casos de aplicación
UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW
- Aprendizaje profundo
- Entorno de Deep Learning con Python
- Aprendizaje automático y profundo
UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES
- Redes neuronales
- Redes profundas y redes poco profundas
UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA
- Perceptrón de una capa y multicapa
- Ejemplo de perceptrón
UNIDAD DIDÁCTICA 16. REDES MULTICAPA
- Tipos de redes profundas
- Trabajar con TensorFlow y Python
UNIDAD DIDÁCTICA 17. ESTRATEGIAS DE APRENDIZAJE
- Entrada y salida de datos
- Entrenar una red neuronal
- Gráficos computacionales
- Implementación de una red profunda
- El algoritmo de propagación directa
- Redes neuronales profundas multicapa
También te puede interesar