OBJETIVOS

Los objetivos del Curso Superior en Inteligencia Artificial Aplicada a la Empresa son los siguientes:

• Comprender los fundamentos de la inteligencia artificial y su aplicación en la empresa.
• Conocer los principales algoritmos de Machine Learning, Deep Learning y aprendizaje por refuerzo.
• Identificar oportunidades de uso de la IA en distintos sectores empresariales.
• Analizar la relación entre Big Data e inteligencia artificial en la toma de decisiones.
• Aplicar técnicas de análisis de datos mediante herramientas prácticas como Weka y Orange.
• Fomentar una visión ética y responsable del uso de la IA en las organizaciones.

DESTINATARIOS

El Curso Superior en Inteligencia Artificial Aplicada a la empresa está dirigido a profesionales, directivos, emprendedores, analistas, consultores y estudiantes que deseen adquirir una base sólida en inteligencia artificial aplicada a la empresa. Es especialmente adecuado para personas interesadas en la transformación digital, la innovación empresarial y el análisis de datos, sin necesidad de contar con conocimientos técnicos avanzados previos.

CONDICIONES DE COMPRA

Curso Superior en Inteligencia Artificial Aplicada a la Empresa de 280 horas lectivas. Dispondrá de 3 meses para finalizar el Curso. El plazo comienza una vez se reciben las claves de acceso.

• Título acreditativo al finalizar el curso. Dispone de validación mediante código QR.
• Servicio de tutorías.
• Descarga de los materiales.
• Compatible con cualquier sistema operativo y dispositivos móviles.
• Modalidad 100% online.

Recibirá las claves de acceso a la plataforma en 24/48 horas. Compruebe la bandeja de SPAM. En caso de no recibir las claves escriba a info@efem.es

Módulo 1. Fundamentos de la Inteligencia Artificial

Introducción

Objetivos

Tema 1. Fundamentos del aprendizaje automático

1.1 ¿Qué es el Machine Learning?
1.2 Flujo de trabajo en ML
1.3 Tipos de aprendizaje: supervisado, no supervisado y por refuerzo

Tema 2. Modelos supervisados

2.1 Clasificación vs regresión
2.2 Algoritmos: Árboles de decisión, Regresión logística, SVM, k-NN

Tema 3. Modelos no supervisados

3.1 Agrupamiento (clustering)
3.2 Algoritmos: K-means, DBSCAN, PCA

Resumen

Glosario

Módulo 2. Ramas y áreas de aplicación de la IA

Introducción

Objetivos

Tema 1. Ramas de la IA

1.1 Visión por computadora
1.2 Procesamiento del lenguaje natural (PLN)
1.3 Robótica
1.4 Agentes inteligentes

Tema 2. Aplicaciones prácticas de la IA

2.1 Salud, finanzas, educación, transporte, industria
2.2 Ética e implicaciones sociales de la IA
Resumen
Glosario

Módulo 3. Aprendizaje Automático (Machine Learning)

Introducción

Objetivos

Tema 1. Fundamentos del aprendizaje automático

1.1 ¿Qué es el Machine Learning?
1.2 Flujo de trabajo en ML
1.3 Tipos de aprendizaje: supervisado, no supervisado y por refuerzo

Tema 2. Modelos supervisados

2.1 Clasificación vs regresión
2.2 Algoritmos: Árboles de decisión, Regresión logística, SVM, k-NN

Tema 3. Modelos no supervisados

3.1 Agrupamiento (clustering)
3.2 Algoritmos: K-means, DBSCAN, PCA

Resumen

Glosario

Módulo 4. Aprendizaje por Refuerzo

Introducción

Objetivos

Tema 1. Introducción al aprendizaje por refuerzo

1.1 Agente, entorno y recompensas
1.2 Política, función de valor y función Q

Tema 2. Algoritmos comunes

2.1 Q-learning
2.2 SARSA
2.3 Aplicaciones reales (juegos, robótica)

Resumen

Glosario

Módulo 5. Aprendizaje Profundo (Deep Learning)

Introducción

Objetivos

Tema 1. Redes neuronales artificiales

1.1 Neuronas artificiales y funciones de activación
1.2 Arquitectura de redes

Tema 2. Modelos profundos

2.1 Redes neuronales convolucionales (CNN)
2.2 Redes recurrentes (RNN)
2.3 Casos de uso (visión por computadora, reconocimiento de voz)

Resumen

Glosario

Módulo 6. Big Data e Inteligencia Artificial
Introducción

Objetivos

Tema 1: ¿Qué es Big Data?

1.1 Volumen, velocidad, variedad
1.2 Ecosistema y herramientas básicas

Tema 2: Relación entre Big Data y la IA

2.1 Cómo el Big Data potencia al ML y al DL
2.2 Ejemplos de IA basada en grandes datos

Resumen

Glosario

Módulo 7. Herramientas prácticas, Weka y Orange

Introducción

Objetivos

Tema 1. Introducción a Weka

1.1 Instalación y entorno
1.2 Carga de datos y visualización
1.3 Ejemplo: Clasificación con árboles de decisión

Tema 2. Introducción a Orange

2.1 Entorno visual de flujo de datos
2.2 Componentes básicos (widgets)
2.3 Ejemplo: Agrupamiento con K-means

Tema 3. Taller práctico final

3.1 Análisis de un caso de datos real usando Weka y Orange
3.2 Interpretación de resultados

Resumen

Glosario

Bibliografía