Acción formativa: Especialista en Inteligencia Artificial (IFCD107) - 230 horas

Dirigido a: Trabajadores/as en activo

Inicio: 03/07/2023 – Fin: 30/11/2023

Horario: Julio, Septiembre y Octubre: 17:00 a 20:00 de lunes a viernes
Noviembre: 17:00 a 20:00 de lunes a jueves

Lugar impartición: "Centro Público de Formación Remedios Rojo"
C/ Julio Verne, 4 (Zona Atabal) - Málaga

Objetivos:
Utilizar aplicaciones y algoritmos de inteligencia artificial en diferentes proyectos de aplicabilidad en las empresas

Perfil del alumnado

Cumplir como mínimo alguno de los siguientes requisitos:

Conocimientos previos en programación orientada a objetos utilizando el lenguaje de programación Java.
Nivel alto de Inglés (Mínimo B1)

1. FUNDAMENTOS DE INTELIGENCIA ARTIFICIAL (42 horas)

1.2. Breve noción sobre los principales algoritmos de IA
1.3. Análisis de los diferentes tipos de aprendizaje
1.4. Fundamentos matemáticos para el entendimiento del funcionamiento de distintos algoritmo basados en IA y conceptos básicos de programación
1.5. Implementación de conceptos matemáticos de IA utilizando Python como lenguaje de programación
1.6. Fundamentos estadísticos básicos para el entendimiento del funcionamiento de distintos algoritmos, preprocesamiento de datos y análisis de resultados.
1.7. Implementación de conceptos estadísticos utilizando Python como lenguaje de programación
1.8. Puesta en marcha del entorno de trabajo
1.9. Detalle de los diferentes softwares y programas utilizados para la implementación de algoritmos basados en IA
1.10. Inmersión en el lenguaje Python

2. EXPLORACIÓN DEL CONJUNTO DE DATOS (5 horas)

2.1. Reconocimiento de las competencias y funciones de un Data Scientist relacionadas con la explotación, análisis y gestión de los datos en una empresa
2.2. Fundamentos de la visualización de los datos de entrada del modelo
2.3. Inmersión en las librerías más utilizadas en la visualización de datos
2.4. Identificación de las herramientas necesarias para poder examinar los datos en función del tipo de dato
2.3. Aplicación práctica de librerías de visualización de datos
2.4. Fundamentos del pre-proceso de los datos de entrada del modelo
2.5. Inmersión en las liberarías más utilizadas en la preparación y limpieza de datos
2.6. Identificación de las herramientas necesarias para la limpieza, reducción y preparación de los datos de entradas según tipo
2.7. Aplicación práctica de librerías de examinación y pre-procesado de datos

3. ALGORITMOS DE MACHINE LEARNING (40 horas)

3.1. Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos de ML
3.2. Definición teórico-práctica de estos conceptos
3.3. Implementación de Python de dichos conceptos matemáticos
3.4. Introducción a los modelos de ML más utilizados
3.5. Implementación en Python de estos modelos haciendo uso de las librerías más relevantes
3.6. Introducción a los conceptos de sistemas de recomendación y aprendizaje por refuerzo
3.7. Identificación del algoritmo más relevante a desarrollar según tipología aplicabilidad
3.8. Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos

4. REDES NEURONALES (50 horas)

4.1. Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos basados en Redes Neuronales explicados en este módulo
4.2. Definición teórico- práctica de estos conceptos matemáticos
4.3. Desarrollo en Python de los algoritmos que implementan dichos conceptos
4.4. Identificación de los modelos basados en Redes Neuronales más utilizados según aplicación
4.5. Implementación del algoritmo más relevante a desarrollar según tipología y aplicabilidad
4.6. Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos

5. VISUALIZACIÓN DE RESULTADOS (3 horas)

5.1. Fundamentos de la visualización de los resultados del modelo
5.2. Inmersión en las librerías más utilizadas en la visualización de los resultados de un modelo
5.3. Identificación de las herramientas necesarias para evaluación de resultados en función del modelo
5.4. Aplicación práctica de librerías de visualización de datos
5.5. Visualización del proceso de entrenamiento y búsqueda de puntos de optimización o sesgos en el modelo
5.6. Identificación de problemas como vanishing gradient o exploding gradient durante el entrenamiento de redes neuronales
5.7. Evaluación de resultados

6. BASES DE DATOS EN IA (5 horas)

6.1. Inmersión al lenguaje SQL y a las bases de datos más relevantes
6.2. Introducción a las bases de datos NoSQL y comparativa con las bases de datos relaciones
6.3. Tratamiento y almacenamiento en base de datos de un dataset desde Python
6.4. Operaciones CRUD desde python a una base de datos SQL

7. AUTO MACHINE LEARNING (10 horas)

7.1. Inmersión al Auto Machine Learning y a las plataformas más relevantes
7.2. Introducción al Auto ML y a los beneficios que puede proporcionar con respecto a los métodos tradicionales
7.3. Tratamiento de datos desde AWS SageMaker
7.4. Introducción a la carga y tratamiento de conjuntos de datos sobre el servicios SageMaker
7.8. Visualización de datos en SageMaker con la finalidad de obtener información sobre el conjunto de datos
7.9. Entrenamiento de modelos ML mediante AutoML
7.10. Implementación de servicios web ML
7.11. Desarrollo de servicios web seguros sobre modelos entrenados en SageMaker accesibles mediante API

8. RESPONSABLE IA (5 horas)

8.1. Comprender y articular los problemas críticos, sociales, legales, políticos y éticos que surgen a lo largo del ciclo de vida de los datos
8.2. Comprender conceptos relevantes, que incluyan: ética, moralidad, responsabilidad, derechos digitales, gobernanza de datos, interacción persona-datos, investigación e innovación responsables
8.3. Identificar y evaluar problemas éticos actuales en la industria y la ciencia de datos
8.4. Aplicar el juicio crítico y la reflexibilidad profesionales a los problemas morales sin soluciones claras
8.5. Evaluar los problemas éticos que enfrenta en su práctica profesional actual
8.6. Identificar y aplicar soluciones éticas a esos problemas

9. CASO PRÁCTICO EN IA (60 horas)

9.1. Análisis de los factores relevante de un problema de IA
9.2. Técnicas y herramientas para la toma de decisiones a la hora de abordar el proyecto
9.3. Identificación de los entornos, fases y herramientas necesarias para llevar a cabo la solución seleccionada
9.4. Gestión y seguimiento de las distintas fases del proyecto de IA
9.5. Planificación, diseño y programación de los componentes de un proyecto de forma autónoma

10. SOFTSKILLS-PILDORAS FORMATIVAS (10 horas)

10.1. Iniciación en el desarrollo ágil de proyectos mediante el uso de la metodología Scrum
10.2. Introducción a Design Thinking como herramienta para encontrar soluciones innovadoras a través de la creatividad e innovación
10.3. El arte de contar historias (storytelling) como medio para transmitir un mensaje con éxito