- Estado del arte de la inteligencia artificial
- Filosofía de la inteligencia artificial
- Futuro de la inteligencia artificial
- Procesos de desarrollo de proyecto con inteligencia artificial
- Los datos, tu mayor activo
- Aprendizaje automático
- Aprendizaje profundo
- Transformers
- Generación de datos sintéticos
- Hiperparámetros en los modelos de inteligencia artificial
- Regresión lineal
- Regresión no lineal y Support Vector Machine (SVM)
- Árboles de decisión y bosques aleatorios
- Lógica difusa y descenso del gradiente
- Sistemas de recomendación
- Preparación del entorno de trabajo: Anaconda, Visual Studio Code y Python
- Dataset de entrada y procesado de datos
- TensorHub, TensorFlow y Keras
- Tratamiento de imágenes
- Generación de modelos de inteligencia artificial
- Introducción
- Alfabetización de los datos
- Trabajar con datos
- Soluciones y técnicas para tratamiento de datos
- Gestión de la calidad de datos
- Trabajar con datos en Excel
- Conjunto de datos (DATASET)
- Data Cleasing con Excel
- Data Wrangling con Excel
- Data Blending en Excel
- Instalación Talend Data Preparation Desktop
- Trabajar con datos en Talend
- Data Cleasing con Talend
- Data Wrangling con Talend
- Data Blending con Talend
- Registro en dataprep by Trifacta
- Trabajar con datos con Dataprep by Trifacta
- Data Cleasing con Trifacta
- Data Wrangling con Dataprep by Trifacta
- Data Blending con Dataprep by Trifacta
- Introducción
- Regresión lineal, múltiple y logística (I)
- Regresión lineal, múltiple y logística (II)
- Máquina de vectores soporte (SVM)
- Árboles de decisión
- KNN (K-Nearest Neighbors)
- Naive bayes
- Evaluación de modelos supervisados
- Ejercicio de ejemplo
- Ejercicio propuesto
- Introducción a clustering: propósito y métricas
- K-means clustering
- Clústering jerárquico, otras técnicas y ejemplos
- Análisis de componentes principales (PCA)
- Ejercicio de ejemplo PCA
- Redes neuronales artificiales (ANN) (I)
- Redes neuronales artificiales (ANN) (II)
- Redes neuronales artificiales (ANN) (III)
- Ejercicio de ejemplo
- Ejercicio propuesto
- Introducción y repaso de Redes Neuronales Artificiales (ANN)
- Redes Neuronales Convolucionales (CNN): Introducción y casos de uso
- CNN: Intuición
- CNN: Descripción matemática
- CNN: Ejemplo de programación con Python y TensorFlow
- Ejercicio: Visión artificial con CNN
- Repaso de Series Temporales
- Redes Neuronales Recurrentes (RNN): Introducción y casos de uso
- RNN: Intuición
- RNN: Descripción matemática
- RNN: Ejemplo de programación con Python Y TensorFlow
- Ejercicio: Series Temporales con RNN
- Repaso de Sistemas de Recomendación
- Deep Bolztmann Machines (DBM): Introducción y casos de uso [Video]
- DBM: Intuición
- DBM: Descripción matemática
- DBM: Ejemplo de programación con Python y TensorFlow
- Ejercicio: Sistema de Recomendación con DBM
- Detección de anomalías
- Self-Organizing Maps (SOM): Introducción e intuición
- SOM: Descripción matemática
- AutoEncoders (AE): Introducción e intuición
- AE: Descripción matemática
- Ejercicio: Detección de anomalías con SOM y AE
- Introducción a Power BI
- Diferentes tipos de Power BI: ¿es realmente gratis?
- Sumerjámonos en ello: primer informe simple
- Power Query: fuente de datos
- Transformación de datos
- Modelado de datos
- Comenzando con DAX (I)
- Comenzando con DAX (II)
- Dominando DAX (I)
- Dominando DAX (II)
- Tabla y matriz
- Tendencias
- Cómo filtrar tus datos adecuadamente
- Marcadores
- Obtención de detalles
- Entendiendo Power BI Service
- Compartiendo contenido en Power BI Service
- Comparando Power BI Service y Power Report Service
- Integrando Python y R en Power BI Desktop
- Introduciendo Bravo para Power BI Desktop
- - Regresión Lineal.
- - Regresión Logística.
- - Redes Neuronales.
- - Clustering.
- Principal Component Analysis (PCA).
- - Redes neuronales profundas.
- - Optimización de algoritmos.
- - Redes neuronales convolucionales.
- - Redes neuronales recurrentes.
- - NPL. Procesamiento de lenguaje natural.
- - Creación de Tablas e informes.
- - Transformación y filtrado de datos.
- - Visualización de los datos.
- - Cálculo. Relaciones entre tablas de datos, métricas e indicadores.
- - Panel de control dinámico e interactivo.
- - Aplicación. Clasificación de objetos en imágenes.
- - Aplicación. Detección de objetos en imágenes.
- - Aplicación. Reconocimiento facial.
- - Aplicación. Detección de palabras para asistentes de voz.
- - Aplicación. Business Intelligence.
- Cuarta revolución industrial
- Transformación digital en las empresas
- Fundamentos y puntos clave
- Beneficios
- Tecnologías habilitadoras
- Big Data
- Cloud Computing
- Cibersecurity
- Inteligencia artificial
- Realidad virtual y aumentada
- BIM
- Robots colaborativos
- Fabricación aditiva
- Hiperconectividad
- IoT
- Manufacturing Execution System (MES)
- Integración y eficiencia de procesos
- Casos de uso
- Nuevas metodologías: Agile, Lean Startup o Design Thinking.
- Gestión del cambio en la empresa
- Introducción
- Elementos clave para la gestión de proyectos de IA
- Características de los proyectos de IA
- Introducción a las principales metodologías ágiles y de ideación
- Integración de las diferentes metodologías
- Introducción
- Fase I: Empatizar
- Fase II: Definir
- Fase III: Idear
- Fase IV: prototipar
- Lean start-up. Conceptos básicos
- Lean Start-up. Herramientas
- Scrum. Introducción
- Scrum. Roles
- Scrum. Ceremonias y artefactos
- Introducción
- Ideando el proyecto
- Ejecutando el proyecto
- Algunos consejos a la hora de implementar las metodologías
- Resumen y conclusiones
- Finanzas y Seguros
- Retail
- Industria
- Agricultura
- Salud
- Logística y operaciones
- Marketing
- Ventas y Atención al cliente
- Finanzas y Control
- People Analytics
- Escenario actual de un sector en auge
- Financiación y fondos
- Startups destacadas
- Futuro del ecosistema
- Inicio de una empresa de IA
- Ética. Notas generales.
- Ejemplos de sesgos.
- Iniciativas globales.
- Organismos públicos y regulación.
- IA en los Objetivos de Desarrollo Sostenible


