Máster en Aplicaciones Prácticas de la Inteligencia Artificial

MÓDULO 1. BIG DATA, BUSINESS INTELLIGENCE Y DATA SCIENCE UNIDAD 1. INTRODUCCIÓN AL BIG DATA ¿Qué es Big Data? La era de las grandes cantidades de información: historia del big data La importancia de almacenar y extraer información Big Data enfocado a los negocios Open data Información pública IoT (Internet of Things-Internet de las cosas) UNIDAD 2. FASES DE UN PROYECTO DE BIG DATA Diagnóstico inicial Diseño del proyecto Proceso de implementación Monitorización y control del proyecto Responsable y recursos disponibles Calendarización Alcance y valoración económica del proyecto UNIDAD 3. BUSINESS INTELLIGENCE Y LA SOCIEDAD DE LA INFORMACIÓN Definiendo el concepto de Business Intelligence y sociedad de la información Arquitectura de una solución Business Intelligence Business Intelligence en los departamentos de la empresa Conceptos de Plan Director, Plan Estratégico y Plan de Operativa Anual Sistemas Operacionales y Procesos ETL en un sistema de BI Ventajas y Factores de Riesgos del Business Intelligence UNIDAD 4. PRINCIPALES PRODUCTOS DE BUSINESS INTELLIGENCE Cuadros de Mando Integrales (CMI) Sistemas de Soporte a la Decisión (DSS) Sistemas de Información Ejecutiva (EIS) UNIDAD 5. MINERÍA DE DATOS O DATA MINING Y EL APRENDIZAJE AUTOMÁTICO Introducción a la minería de datos y el aprendizaje automático Proceso KDD Modelos y Técnicas de Data Mining Áreas de aplicación Minería de Textos y Web Mining Data mining y marketing UNIDAD 6. DATAMART: CONCEPTO DE BASE DE DATOS DEPARTAMENTAL Aproximación al concepto de DataMart Bases de datos OLTP Bases de Datos OLAP MOLAP, ROLAP & HOLAP Herramientas para el desarrollo de cubos OLAP UNIDAD 7. DATAWAREHOUSE O ALMACEN DE DATOS CORPORATIVOS Visión General: ¿Por qué DataWarehouse? Estructura y Construcción Fases de implantación Características Data Warehouse en la nube UNIDAD 8. STORYTELLING ¿Qué es el Data Storytelling? Elementos clave del Data Storytelling ¿Por qué es importante el Data Storytelling? ¿Cómo hacer Data Storytelling? UNIDAD 9. INTRODUCCIÓN A LA CIENCIA DE DATOS ¿Qué es la ciencia de datos? Herramientas necesarias para el científico de datos Data Science & Cloud Computing Aspectos legales en Protección de Datos UNIDAD 10. WEKA Y DATA MINING ¿Qué es Weka? Técnicas de Data Mining en Weka Interfaces de Weka Selección de atributos UNIDAD 11. PYTHON Y EL ANÁLISIS DE DATOS Introducción a Python ¿Qué necesitas? Librerías para el análisis de datos en Python MongoDB, Hadoop y Python. Dream Team del Big Data UNIDAD 12. R COMO HERRAMIENTA PARA BIG DATA Introducción a R ¿Qué necesitas? Tipos de datos Estadística Descriptiva y Predictiva con R Integración de R en Hadoop UNIDAD 13. PRE-PROCESAMIENTO & PROCESAMIENTO DE DATOS Obtención y limpieza de los datos (ETL) Inferencia estadística Modelos de regresión Pruebas de hipótesis UNIDAD 14. ANÁLISIS DE LOS DATOS Inteligencia Analítica de negocios La teoría de grafos y el análisis de redes sociales Presentación de resultados MÓDULO 2. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL UNIDAD 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL Introducción a la inteligencia artificial Historia La importancia de la IA UNIDAD 2. TIPOS DE INTELIGENCIA ARTIFICIAL Tipos de inteligencia artificial UNIDAD 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL Algoritmos aplicados a la inteligencia artificial UNIDAD 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 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 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 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 2. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING Introducción Algoritmos UNIDAD 3. SISTEMAS DE RECOMENDACIÓN Introducción Filtrado colaborativo Clusterización Sistemas de recomendación híbridos UNIDAD 4. CLASIFICACIÓN Clasificadores Algoritmos UNIDAD 5. REDES NEURONALES Y DEEP LEARNING Componentes Aprendizaje UNIDAD 6. SISTEMAS DE ELECCIÓN Introducción El proceso de paso de DSS a IDSS Casos de aplicación UNIDAD 7. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW Aprendizaje profundo Entorno de Deep Learning con Python Aprendizaje automático y profundo UNIDAD 8. SISTEMAS NEURONALES Redes neuronales Redes profundas y redes poco profundas UNIDAD 9. REDES DE UNA SOLA CAPA Perceptrón de una capa y multicapa Ejemplo de perceptrón UNIDAD 10. REDES MULTICAPA Tipos de redes profundas Trabajar con TensorFlow y Python UNIDAD 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 MÓDULO 4. ANÁLISIS DE DATOS CON PYTHON UNIDAD 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS ¿Qué es el análisis de datos? UNIDAD 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB Análisis de datos con NumPy Pandas Matplotlib UNIDAD 3. FILTRADO Y EXTRACCIÓN DE DATOS Cómo usar loc en Pandas Cómo eliminar una columna en Pandas UNIDAD 4. PIVOT TABLES Pivot tables en pandas UNIDAD 5. GROUPBY Y FUNCIONES DE AGREGACIÓN El grupo de pandas UNIDAD 6. FUSIÓN DE DATAFRAMES Python Pandas fusionando marcos de datos UNIDAD 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN Matplotlib Seaborn UNIDAD 8. INTRODUCCIÓN AL MACHINE LEARNING Aprendizaje automático UNIDAD 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA Regresión lineal Regresión logística UNIDAD 10. ÁRBOL DE DECISIONES Estructura de árbol UNIDAD 11. NAIVE BAYES Algortimo de Naive bayes Tipos de Naive Bayes UNIDAD 12. SUPPORT VECTOR MACHINES (SVM) Máquinas de vectores soporte (Support Vector Machine-SVM) ¿Cómo funciona SVM? Núcleos SVM Construcción de clasificador en Scikit-learn UNIDAD 13. KNN K-nearest Neighbors (KNN) Implementación de Python del algoritmo KNN UNIDAD 14. PRINCIPAL COMPONENT ANALYSIS (PCA) Análisis de componentes principales UNIDAD 15. RANDOM FOREST Algorimto de Random Forest MÓDULO 5. ÉTICA E INTELIGENCIA ARTIFICIAL UNIDAD 1. INTELIGENCIA ARTIFICIAL Y FUNDAMENTOS ÉTICOS Ética normativa y ética aplicada Historia y caracteres de la ética de la inteligencia artificial Ética realista y ética ficción Inteligencia artificial como objeto y sujeto Singularidad tecnológica y futuro de la especie humana Machine ethics. Nuevos entes autónomos y estatus moral Controversias éticas de la aplicación de la inteligencia artificial Bioética e inteligencia artificial Democracia e inteligencia artificial UNIDAD 2. ÉTICA DE GOBERNANZA E INTELIGENCIA ARTIFICIAL Gobernanza como sistema de prevención y control de riesgos en la inteligencia artificial Papel de la UE en la gobernanza de la inteligencia artificial Evaluaciones de impacto social, ético y legal de inteligencia artificial de alto riesgo Elaboración de un plan de gobernanza UNIDAD 3. INTELIGENCIA ARTIFICIAL CONFIABLE. EXPLICABILIDAD Y SESGO Principios de la inteligencia artificial responsable Aspectos de diseño éticos para Machine Learning Inteligencia artificial explicable (XAI). Hacia la IA responsable Imparcialidad de Datos (Fairness). Control del sesgo en los modelos Escenarios con modelos de IA de alto riesgo Auditabilidad en los sistemas de inteligencia artificial Sandbox normativo piloto del futuro reglamentario de IA en España Transparencia en modelos de Machine Learning Análisis de herramientas software para medir la imparcialidad UNIDAD 4. ÉTICA DE LA INTELIGENCIA ARTIFICIAL Metodología de la ética en la inteligencia artificial Agentes artificiales morales Moralidad artificial desde un enfoque funcionalista Objeciones acerca de agencias morales artificiales Responsabilidad y Derechos de los robots UNIDAD 5. FILOSOFÍA POLÍTICA DE LA INTELIGENCIA ARTIFICIAL Introducción a la filosofía política de la inteligencia artificial Empleo e inteligencia artificial Relaciones humanas e inteligencia artificial Funciones de los Estados e inteligencia artificial Educación e inteligencia artificial Salud e inteligencia artificial Movilidad e inteligencia artificial Articulación entre ética y política sobre la inteligencia artificial Globalización e inteligencia artificial UNIDAD 6. INTELIGENCIA ARTIFICIAL, SOSTENIBILIDAD Y ÉTICA MEDIOAMBIENTAL Digitalización al servicio de los Objetivos de Desarrollo Sostenible (ODS) Estrategia Europea de transición hacia una economía sostenible Cambio climático global Mejora de eficiencia en procesos organizativos con IA. Mejora de eficiencia en prácticas individuales con IA. Ética ambiental e inteligencia artificial UNIDAD 7. ÉTICA DE LA GUERRA E INTELIGENCIA ARTIFICIAL Armas autónomas Intervenciones militares teledirigidas Ética de la guerra UNIDAD 8. TECNOLOGÍA, ÉTICA Y DERECHO DE LA REALIDAD VIRTUAL El metaverso Gemelos digitales humanos Creación de universos paralelos en 3D UNIDAD 9. ÉTICA DE LA INTELIGENCIA ARTIFICIAL INTERACTIVA Y ROBÓTICA SOCIAL Sistemas autónomos en el ámbito laboral Inteligencia artificial para la mejora de calidad de vida en ciudades. Mejora del impacto medioambiental Combinación de smart cities, internet de las cosas y big data Inteligencia artificial y cuidado personal y sexual Análisis ético de la incorporación de la robótica en la vida humana UNIDAD 10. INTELIGENCIA ARTIFICIAL, MEJORA HUMANA Y TRANSHUMANISMO Inteligencia artificial para restaurar funciones físicas y cognitivas deterioradas Optimizar las capacidades humanas con inteligencia artificial Debate académico sobre transhumanismo y poshumanismo MÓDULO 6. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL UNIDAD 1. INTRODUCCIÓN AL PLN ¿Qué es PLN? ¿Qué incluye el PLN? Ejemplos de uso de PLN Futuro del PLN UNIDAD 2. PLN EN PYTHON PLN en Python con la librería NLTK Otras herramientas para PLN UNIDAD 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN Principios del análisis sintáctico Gramática libre de contexto Analizadores sintácticos (Parsers) UNIDAD 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN Aspectos introductorios del análisis semántico Lenguaje semántico para PLN Análisis pragmático UNIDAD 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN Aspectos introductorios Pasos en la extracción de información Ejemplo PLN Ejemplo PLN con entrada de texto en inglés UNIDAD 6. ¿QUÉ ES UN CHATBOT? Aspectos introductorios ¿Qué es un chatbot? ¿Cómo funciona un chatbot? VoiceBots Desafios para los Chatbots UNIDAD 7. RELACIÓN ENTRE IA Y CHATBOTS Chatbots y el papel de la Inteligencia Artificial (IA) Usos y beneficios de los chatbots Diferencia entre bots, chatbots e IA UNIDAD 8. ÁMBITOS DE APLICACIÓN CHATBOTS Áreas de aplicación de Chatbots Desarrollo de un chatbot con ChatterBot y Python Desarrollo de un chatbot para Facebook Messenger con Chatfuel MÓDULO 7. CHAT GPT E INTELIGENCIA ARTIFICIAL UNIDAD 1. INTELIGENCIA ARTIFICIAL Y CHAT GPT 1.¿Qué es Chat GPT? Cómo afecta la inteligencia artificial en Chat GPT? Versiones de Chat GPT y funcionalidades Usos de Chat GPT Beneficios de la IA y Chat GPT UNIDAD 2. CHAT GPT Y SU FUNCIONAMIENTO ¿Cómo funciona Chat GPT? Diferencias entre Chat GPT y otros chatbots Procesamiento del Lenguaje Natural (PLN) Aprendizaje por transferencia Cómo entrenar un modelo de Chat GPT UNIDAD 3. CREACIÓN DE UN CHATBOT BÁSICO CON CHAT GPT Elección de la plataforma de desarrollo Configuración del entorno de desarrollo Preparación de los datos de entrenamiento Entrenamiento del modelo de Chat GPT Integración del modelo en el chatbot Pruebas y mejora del modelo UNIDAD 4. MEJORA DE LA INTERACCIÓN CON EL USUARIO Análisis de la conversación con el usuario Personalización de la conversación Uso de emojis y respuestas con imágenes Integración de voz y audio Respuestas multilingües UNIDAD 5. INTEGRACIÓN DE CHAT GPT EN UNA PÁGINA WEB O APLICACIÓN Integración del chatbot en una página web Integración del chatbot en una aplicación móvil Personalización del aspecto del chatbot Gestión de la seguridad y privacidad del usuario UNIDAD 6. MONETIZACIÓN DE UN CHATBOT Modelos de negocio para chatbots Monetización a través de publicidad Monetización a través de suscripciones Monetización a través de compras in-app Análisis del rendimiento y la rentabilidad UNIDAD 7. ÉTICA Y RESPONSABILIDAD EN LA IA Y LOS CHATBOTS Aspectos éticos y responsablidad en la IA Sesgos en la IA y cómo evitarlos Derechos y privacidad del usuario Regulaciones y normativas sobre chatbots Responsabilidad social y ambiental UNIDAD 8. APLICACIONES AVANZADAS DE CHAT GPT Chatbots para atención al cliente Chatbots para servicios financieros Chatbots para servicios de salud Chatbots para educación Chatbots para entretenimiento y ocio UNIDAD 9. HERRAMIENTAS Y RECURSOS PARA DESARROLLAR CHATBOTS CON CHAT GPT Plataformas de desarrollo de Chatbots Librerías y frameworks para el desarrollo de IA Bases de datos y almacenamiento Recursos de formación y aprendizaje Comunidades y grupos de apoyo para desarrolladores UNIDAD 10. CASOS DE USO APLICADOS CON CHAT GPT Desarrollo de un Chatbot avanzado Caso de estudio en atención al cliente Caso de estudio en educación Caso de estudio en salud Caso de estudio en ocio MÓDULO 8. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0 UNIDAD 1. INTRODUCCIÓN Y PRIMEROS PASOS ¿Qué es la inteligencia artificial? Hardware y software unidos por la Inteligencia Artificial Inteligencia Artificial y Visión Artificial Arduino: introducción UNIDAD 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON Instalación de Arduino Configurando tu Arduino para Python UNIDAD 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON Control de Arduino UNIDAD 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON Manejo de entradas Entradas analógicas UNIDAD 5. USO DE SALIDAS ANALÓGICAS Salidas analógicas Valores analógicos en Arduino UNIDAD 6. INTRODUCCIÓN A MACHINE LEARNING Introducción al machine learning Aprendizaje supervisado Aprendizaje no supervisado UNIDAD 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN Redes neuronales y deep learning Series Temporales UNIDAD 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS Funciones y parámetros Variables y constantes especializadas Estructura de control UNIDAD 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO Introducción ¿Qué son los datos de entrenamiento de IA? ¿Por qué se requieren datos de entrenamiento de IA? ¿Cuántos datos son adecuados? ¿Qué afecta la calidad de los datos en el entrenamiento? UNIDAD 10. CREACIÓN DE RED NEURONAL ARTIFICIAL Y APLICACIONES CON ARDUINO Y TENSORFLOW CON KERAS Crear red neural paso a paso Redes neuronales: Aprendizaje Otras redes neuronales MÓDULO 9. INTELIGENCIA ARTIFICIAL Y MECATRÓNICA UNIDAD 1. MECATRÓNICA E INTELIGENCIA ARTIFICIAL: POSIBILIDADES Inteligencia Artificial: introducción Inteligencia de los seres vivos Inteligencia Artificial Dominios de aplicación El campo de la mecatrónica Las posibilidades de la Inteligencia Artificial Mecatrónica e Inteligencia Artificial UNIDAD 2. SISTEMAS EXPERTOS ¿Qué es un sistema experto en polígonos? Estructura de un sistema experto Inferencia: tipos Construcción de sistemas expertos UNIDAD 3. LÓGICA DIFUSA Introducción a la lógica difusa Conjuntos difusos y grados de pertenencia Operadores sobre los conjuntos difusos Creación de reglas Fuzzificación y defuzzificación UNIDAD 4. BÚSQUEDA DE RUTAS Introducción a la búsqueda de rutas Rutas y grafos Algoritmos exhaustivos de búsqueda de rutas e inteligentes Implementación UNIDAD 5. ALGORITMOS GENÉTICOS ¿Qué son los algoritmos genéticos? Evolución biológica y artificial Elección de la representación Evaluación, selección y supervivencia Reproducción: crossover y mutación Dominios de aplicación UNIDAD 6. REDES NEURONALES Introducción a las redes neuronales Origen biológico La neurona formal Perceptrón Redes feed-forward Aprendizaje Otras redes MÓDULO 10. CIENCIAS DEL COMPORTAMIENTO, BIG DATA, INTELIGENCIA ARTIFICIAL E INTERNET OF BEHAVIORS (IOB) UNIDAD 1. MARKETING, MERCHANDISING Y PUBLICIDAD EN IOB Internet of Behavior UNIDAD 2. CIENCIAS COGNITIVAS DEL COMPORTAMIENTO Ciencia cognitiva UNIDAD 3. NEUROPSICOLOGÍA Y CÓMO CAPTAR LA ATENCIÓN DE UN USUARIO Neuropsicología UNIDAD 4. PRODUCTOS Y CONTENIDOS PERSONALIZADOS GRACIAS AL INTERNET OF BEHAVIORS (IOB) Personalización IOB UNIDAD 5. VISIÓN POR COMPUTADORA Y ANÁLISIS FACIAL La visión Artificial UNIDAD 6. PROCESAMIENTO AUTOMÁTICO DE IDIOMAS Procesamiento del lenguaje natural UNIDAD 7. ANÁLISIS DE COMPORTAMIENTO Y SEGURIDAD OPERACIONAL Análisis de comportamiento UNIDAD 8. DEL BIG DATA AL ANÁLISIS DE SENTIMIENTOS Análisis de opinión MÓDULO 11. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV UNIDAD 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES La visión artificial: definiciones y aspectos principales UNIDAD 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL Ópticas Iluminación Cámaras Sistemas 3D Sensores Equipos compactos Metodologías para la selección del hardware UNIDAD 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL Algoritmos Software Segmentación e interpretación de imágenes Metodologías para la selección del software UNIDAD 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0 Aplicaciones clásicas: discriminación, detección de fallos… Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO) UNIDAD 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV Descripción general OpenCV Instalación OpenCV para Python en Windows Instalación OpenCV para Python en Linux Anaconda y OpenCV UNIDAD 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS Manejo de archivos Leer una imagen con OpenCV Mostrar imagen con OpenCV Guardar una imagen con OpenCV Operaciones aritméticas en imágenes usando OpenCV Funciones de dibujo UNIDAD 7. TRATAMIENTO DE IMÁGENES Redimensión de imágenes Erosión de imágenes Desenfoque de imágenes Bordeado de imágenes Escala de grises en imágenes Escalado, rotación, desplazamiento y detección de bordes Erosión y dilatación de imágenes Umbrales simples Umbrales adaptativos Umbral de Otsu Contornos de imágenes Incrustación de imágenes Intensidad en imágenes Registro de imágenes Extracción de primer plano Operaciones morfológicas en imágenes Pirámide de imagen UNIDAD 8. HISTOGRAMAS Y TEMPLATE MATCHING Analizar imágenes usando histogramas Ecualización de histogramas Template matching Detección de campos en documentos usando Template matching UNIDAD 9. COLORES Y ESPACIOS DE COLOR Espacios de color en OpenCV Cambio de espacio de color Filtrado de color Denoising de imágenes en color Visualizar una imagen en diferentes espacios de color UNIDAD 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS Detección de líneas Detección de círculos Detectar esquinas (Método Shi-Tomasi) Detectar esquinas (método Harris) Encontrar círculos y elipses Detección de caras y sonrisas UNIDAD 11. APRENDIZAJE AUTOMÁTICO Vecino más cercano (K-Nearest Neighbour) Agrupamiento de K-medias (K-Means Clustering) MÓDULO 12. PROYECTO FIN DE MÁSTER (PFM)