Máster en Aplicaciones de Inteligencia Artificial en la Educación + Titulación universitaria

MÓDULO 1. INTRODUCCIÓN A LAS HUMANIDADES DIGITALES UNIDAD DIDÁCTICA 1. LAS HUMANIDADES DIGITALES Orígenes y evolución Un acercamiento a la definición de humanidades digitales UNIDAD DIDÁCTICA 2. ESPACIOS Y LÍNEAS DE ACCIÓN EN HUMANIDADES DIGITALES Las distintas olas de las humanidades digitales Ciencias sociales y humanidades digitales La investigación a través de los nuevos medios Espacios e infraestructuras: Labs, asociaciones y redes UNIDAD DIDÁCTICA 3. HUMANIDADES DIGITALES, EDUCACIÓN Y CULTURA DIGITAL Aprender en el siglo XXI Extraer y construir conocimiento en la era digital La web semántica y el aprendizaje Hacia el aprendizaje colaborativo UNIDAD DIDÁCTICA 4. INNOVAR EN LA CULTURA DIGITAL Hipermediaciones y nuevos ecosistemas colaborativos Espacio y tiempo de las hipermediaciones Desarrollar nuestras habilidades cognitivas Economía colaborativa y aprendizajes informales MÓDULO 2. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL 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 MÓDULO 3. MACHINE LEARNING Y DEEP LEARNING UNIDAD DIDÁCTICA 1. 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 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING Introducción Algoritmos UNIDAD DIDÁCTICA 3. SISTEMAS DE RECOMENDACIÓN Introducción Filtrado colaborativo Clusterización Sistemas de recomendación híbridos UNIDAD DIDÁCTICA 4. CLASIFICACIÓN Clasificadores Algoritmos UNIDAD DIDÁCTICA 5. REDES NEURONALES Y DEEP LEARNING Componentes Aprendizaje UNIDAD DIDÁCTICA 6. SISTEMAS DE ELECCIÓN Introducción El proceso de paso de DSS a IDSS Casos de aplicación UNIDAD DIDÁCTICA 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW Aprendizaje profundo Entorno de Deep Learning con Python Aprendizaje automático y profundo UNIDAD DIDÁCTICA 8. SISTEMAS NEURONALES Redes neuronales Redes profundas y redes poco profundas UNIDAD DIDÁCTICA 9. REDES DE UNA SOLA CAPA Perceptrón de una capa y multicapa Ejemplo de perceptrón UNIDAD DIDÁCTICA 10. REDES MULTICAPA Tipos de redes profundas Trabajar con TensorFlow y Python UNIDAD DIDÁCTICA 11. 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