1. Estado del arte de la inteligencia artificial
  2. Filosofía de la inteligencia artificial
  3. Futuro de la inteligencia artificial
  4. Procesos de desarrollo de proyecto con inteligencia artificial
  5. Los datos, tu mayor activo

  1. Aprendizaje automático
  2. Aprendizaje profundo
  3. Transformers
  4. Generación de datos sintéticos
  5. Hiperparámetros en los modelos de inteligencia artificial

  1. Regresión lineal
  2. Regresión no lineal y Support Vector Machine (SVM)
  3. Árboles de decisión y bosques aleatorios
  4. Lógica difusa y descenso del gradiente
  5. Sistemas de recomendación

  1. Preparación del entorno de trabajo: Anaconda, Visual Studio Code y Python
  2. Dataset de entrada y procesado de datos
  3. TensorHub, TensorFlow y Keras
  4. Tratamiento de imágenes
  5. Generación de modelos de inteligencia artificial

  1. Introducción
  2. Alfabetización de los datos
  3. Trabajar con datos
  4. Soluciones y técnicas para tratamiento de datos
  5. Gestión de la calidad de datos

  1. Trabajar con datos en Excel
  2. Conjunto de datos (DATASET)
  3. Data Cleasing con Excel
  4. Data Wrangling con Excel
  5. Data Blending en Excel

  1. Instalación Talend Data Preparation Desktop
  2. Trabajar con datos en Talend
  3. Data Cleasing con Talend
  4. Data Wrangling con Talend
  5. Data Blending con Talend

  1. Registro en dataprep by Trifacta
  2. Trabajar con datos con Dataprep by Trifacta
  3. Data Cleasing con Trifacta
  4. Data Wrangling con Dataprep by Trifacta
  5. Data Blending con Dataprep by Trifacta

  1. Introducción
  2. Regresión lineal, múltiple y logística (I)
  3. Regresión lineal, múltiple y logística (II)
  4. Máquina de vectores soporte (SVM)
  5. Árboles de decisión

  1. KNN (K-Nearest Neighbors)
  2. Naive bayes
  3. Evaluación de modelos supervisados
  4. Ejercicio de ejemplo
  5. Ejercicio propuesto

  1. Introducción a clustering: propósito y métricas
  2. K-means clustering
  3. Clústering jerárquico, otras técnicas y ejemplos
  4. Análisis de componentes principales (PCA)
  5. Ejercicio de ejemplo PCA

  1. Redes neuronales artificiales (ANN) (I)
  2. Redes neuronales artificiales (ANN) (II)
  3. Redes neuronales artificiales (ANN) (III)
  4. Ejercicio de ejemplo
  5. Ejercicio propuesto

  1. Introducción y repaso de Redes Neuronales Artificiales (ANN)
  2. Redes Neuronales Convolucionales (CNN): Introducción y casos de uso
  3. CNN: Intuición
  4. CNN: Descripción matemática
  5. CNN: Ejemplo de programación con Python y TensorFlow
  6. Ejercicio: Visión artificial con CNN

  1. Repaso de Series Temporales
  2. Redes Neuronales Recurrentes (RNN): Introducción y casos de uso
  3. RNN: Intuición
  4. RNN: Descripción matemática
  5. RNN: Ejemplo de programación con Python Y TensorFlow
  6. Ejercicio: Series Temporales con RNN

  1. Repaso de Sistemas de Recomendación
  2. Deep Bolztmann Machines (DBM): Introducción y casos de uso [Video]
  3. DBM: Intuición
  4. DBM: Descripción matemática
  5. DBM: Ejemplo de programación con Python y TensorFlow
  6. Ejercicio: Sistema de Recomendación con DBM

  1. Detección de anomalías
  2. Self-Organizing Maps (SOM): Introducción e intuición
  3. SOM: Descripción matemática
  4. AutoEncoders (AE): Introducción e intuición
  5. AE: Descripción matemática
  6. Ejercicio: Detección de anomalías con SOM y AE

  1. Introducción a Power BI
  2. Diferentes tipos de Power BI: ¿es realmente gratis?
  3. Sumerjámonos en ello: primer informe simple
  4. Power Query: fuente de datos
  5. Transformación de datos

  1. Modelado de datos
  2. Comenzando con DAX (I)
  3. Comenzando con DAX (II)
  4. Dominando DAX (I)
  5. Dominando DAX (II)

  1. Tabla y matriz
  2. Tendencias
  3. Cómo filtrar tus datos adecuadamente
  4. Marcadores
  5. Obtención de detalles

  1. Entendiendo Power BI Service
  2. Compartiendo contenido en Power BI Service
  3. Comparando Power BI Service y Power Report Service
  4. Integrando Python y R en Power BI Desktop
  5. Introduciendo Bravo para Power BI Desktop

  1. - Regresión Lineal.
  2. - Regresión Logística.
  3. - Redes Neuronales.
  4. - Clustering.
  5. Principal Component Analysis (PCA).

  1. - Redes neuronales profundas.
  2. - Optimización de algoritmos.
  3. - Redes neuronales convolucionales.
  4. - Redes neuronales recurrentes.
  5. - NPL. Procesamiento de lenguaje natural.

  1. - Creación de Tablas e informes.
  2. - Transformación y filtrado de datos.
  3. - Visualización de los datos.
  4. - Cálculo. Relaciones entre tablas de datos, métricas e indicadores.
  5. - Panel de control dinámico e interactivo.

  1. - Aplicación. Clasificación de objetos en imágenes.
  2. - Aplicación. Detección de objetos en imágenes.
  3. - Aplicación. Reconocimiento facial.
  4. - Aplicación. Detección de palabras para asistentes de voz.
  5. - Aplicación. Business Intelligence.

  1. Cuarta revolución industrial
  2. Transformación digital en las empresas
  3. Fundamentos y puntos clave
  4. Beneficios
  5. Tecnologías habilitadoras

  1. Big Data
  2. Cloud Computing
  3. Cibersecurity
  4. Inteligencia artificial
  5. Realidad virtual y aumentada

  1. BIM
  2. Robots colaborativos
  3. Fabricación aditiva
  4. Hiperconectividad
  5. IoT

  1. Manufacturing Execution System (MES)
  2. Integración y eficiencia de procesos
  3. Casos de uso
  4. Nuevas metodologías: Agile, Lean Startup o Design Thinking.
  5. Gestión del cambio en la empresa

  1. Introducción
  2. Elementos clave para la gestión de proyectos de IA
  3. Características de los proyectos de IA
  4. Introducción a las principales metodologías ágiles y de ideación
  5. Integración de las diferentes metodologías

  1. Introducción
  2. Fase I: Empatizar
  3. Fase II: Definir
  4. Fase III: Idear
  5. Fase IV: prototipar

  1. Lean start-up. Conceptos básicos
  2. Lean Start-up. Herramientas
  3. Scrum. Introducción
  4. Scrum. Roles
  5. Scrum. Ceremonias y artefactos

  1. Introducción
  2. Ideando el proyecto
  3. Ejecutando el proyecto
  4. Algunos consejos a la hora de implementar las metodologías
  5. Resumen y conclusiones

  1. Finanzas y Seguros
  2. Retail
  3. Industria
  4. Agricultura
  5. Salud

  1. Logística y operaciones
  2. Marketing
  3. Ventas y Atención al cliente
  4. Finanzas y Control
  5. People Analytics

  1. Escenario actual de un sector en auge
  2. Financiación y fondos
  3. Startups destacadas
  4. Futuro del ecosistema
  5. Inicio de una empresa de IA

  1. Ética. Notas generales.
  2. Ejemplos de sesgos.
  3. Iniciativas globales.
  4. Organismos públicos y regulación.
  5. IA en los Objetivos de Desarrollo Sostenible