A todas las personas interesadas en este sector
Construir un sistema capaz de recomendar artículos, productos o contenidos personalizados según las preferencias de los usuarios. Comparar modelos de Machine Learning locals con soluciones AutoML en Azure ML. Explorar técnicas de visualización para interpretar resultados. Aprender a desplegar y monitorizar modelos en Azure AI Services. Posibles Aplicaciones recomendación de películas según valoración de usuarios, sistema de sugerencias
para una tienda online, filtrado de contenidos personalizados en una plataforma educativa, etc...
1 - FUNDAMENTOS DE IA
HISTORIA Y EVOLUCIÓN DE LA IA
TIPOS DE INTELIGENCIA ARTIFICIAL: IA DÉBIL VS. IA
FUERTE
APRENDIZAJE SUPERVISADO, NO SUPERVISADO Y POR
REFUERZO
ALGORITMOS MÁS USADOS (REGRESIÓN, KNN,
RANDOM FOREST)
FUNDAMENTOS MATEMÁTICOS: ÁLGEBRA LINEAL,
CÁLCULO Y PROBABILIDAD
PYTHON PARA IA: NUMPY, PANDAS, MATPLOTLIB
INTRODUCCIÓN A LOS SERVICIOS DE AZURE AI SERVICE
CONCEPTOS DE IA EN LA NUBE Y COMPARACIÓN CON
ON-PREMISES
DIFERENCIAS ENTRE MACHINE LEARNING ESTÁNDAR Y
AUTOML EN CLOUD
PRÁCTICA: IMPLEMENTACIÓN DE UN MODELO SIMPLE
DE REGRESIÓN LINEAL EN PYTHON
PRÁCTICA: DATOS CON MATPLOTLIB Y SEABORN
PRÁCTICA: SIMULACIÓN DE UN PROBLEMA
EVALUACIÓN TEÓRICO / PRÁCTICA
2 - EXPLORACIÓN DEL CONJUNTO DE DATOS
DATA SCIENCE Y EL PAPEL DEL DATA SCIENTIST
TIPOS DE DATOS Y SU ESTRUCTURA
PRE-PROCESAMIENTO Y LIMPIEZA DE DATOS
GESTIÓN DE VALORES NULOS Y ATÍPICOS
ESTANDARIZACIÓN Y NORMALIZACIÓN
PRÁCTICA: ANÁLISIS Y LIMPIEZA DE UN DATASET CON
PANDAS Y SCIKIT-LEARN
PRÁCTICA: ELIMINACIÓN DE VALORES ATÍPICOS Y
IMPUTACIÓN DE VALORES NULOS
EVALUACIÓN TEÓRICO / PRÁCTICA
3 - ALGORITMOS DE MACHINE LEARNING
REGRESIÓN (LINEAL Y LOGÍSTICA)
CLASIFICACIÓN: KNN, RANDOM FOREST, SVM
CLUSTERING: K-MEANS, DBSCAN
OVERFITTING Y TÉCNICAS DE VALIDACIÓN CRUZADA
CÓMO ELEGIR MODELOS PARA ENTORNOS CLOUD
COMPARACIÓN COSTES Y RENDIMIENTO EN AZURE ML
PRÁCTICA: APLICACIÓN DE REGRESIÓN LINEAL PARA
PREDECIR PRECIOS DE VIVIENDAS
PRÁCTICA: CONSTRUCCIÓN DE UN MODELO DE
CLASIFICACIÓN CON RANDOM FOREST
PRÁCTICA: IMPLEMENTACIÓN DE CLUSTERING CON KMEANS
EVALUACIÓN TEÓRICO / PRÁCTICA
4 - VISUALIZACIÓN DE RESULTADOS
HERRAMIENTAS DE VISUALIZACIÓN: MATPLOTLIB,
SEABORN
MÉTRICAS DE RENDIMIENTO: ACCURACY, PRECISION,
RECALL
OVERFITTING Y SESGOS EN LOS MODELOS
PRÁCTICA: CREACIÓN DE GRÁFICOS DE ERROR Y
PRECISIÓN
PRÁCTICA: ANÁLISIS DE UN MODELO Y OPTIMIZACIÓN
EVALUACIÓN TEÓRICO / PRÁCTICA
5 - BASES DE DATOS EN IA
SQL PARA MACHINE LEARNING
BASES DE DATOS NOSQL Y APLICACIÓN A IA
CRUD CON PYTHON Y BASES DE DATOS
PRÁCTICA: CREACIÓN Y MANIPULACIÓN DE UNA BASE
DE DATOS CON SQLITE Y MONGODB
EVALUACIÓN TEÓRICO / PRÁCTICA
6 - IA Y CLOUD COMPUTING
INTRODUCCIÓN A AZURE AI SERVICES
¿QUÉ ES AZURE AI? PRINCIPALES HERRAMIENTAS
DIFERENCIAS ENTRE INFERENCIA EN LOCAL Y EN LA
NUBE
AZURE MACHINE LEARNING
ENTRENAMIENTOS DE MODELOS EN AML
GESTIÓN DE DATASETS Y FEATURE ENGINEERING EN LA
NUBE
DESPLIEGUE Y MANTENIMIENTO DE MODELOS
OPTIMIZACIÓN DE COSTOS EN CLOUD AI
MONITORIZACIÓN Y DETECCIÓN DE SESGOS CON AZURE
AI RESPONSIBLE ML
INFRAESTRUCTURA DE IA EN CLOUD
MACHINE LEARNING PIPELINES EN AZURE
SEGURIDAD Y GOBERNANZA EN ENTORNOS DE IA
PRÁCTICA: CREACIÓN DE UN MODELO EN AZURE
MACHINE LEARNING
PRÁCTICA: EXPERIMENTACIÓN CON INFERENCIA EN
TIEMPO REAL
PRÁCTICA: COMPARACIÓN ENTRE INFERENCIA LOCAL VS.
INFERENCIA CLOUD
PRÁCTICA: ANÁLISIS DE COSTOS E IMPACTO EN AUTOML
EVALUACIÓN TEÓRICO / PRÁCTICA
7 - RESPONSIBLE AI Y ÉTICA
¿QUÉ ES AUTOML?
PLATAFORMAS: GOOGLE AUTOML, H2O.AI, AUTOSKLEARN
COMPARATIVA ENTRE AUTOML Y MODELOS MANUALES
SEGURIDAD Y GOBERNANZA DE MODELOS EN
PRODUCCIÓN
RIESGOS DE SEGURIDAD Y SESGOS EN CLOUD AI
PRÁCTICA: ANÁLISIS DE SESGOS EN UN DATASET REAL
PRÁCTICA: ENTRENAMIENTO DE UN MODELO CON
GOOGLE AUTOML
PRÁCTICA: COMPARACIÓN CON UN MODELO HECHO A
MANO
EVALUACIÓN TEÓRICO / PRÁCTICA
8 - PREPARACIÓN PARA LA CERTIFICACIÓN MICROSOFT AZURE AI
SIMULACIÓN DE EXAMEN
REVISIÓN Y REPASO DE CONCEPTOS CLAVE
CERTIFICACIÓN
Al finalizar el curso con éxito, el alumno obtendrá una certificación por parte del centro.
Tener conocimientos de programación en lenguaje PYTHON. Recomendable, nociones de SQL.
Información Adicional
HORARIOS: Jueves aula virtual de 16:30 a 20:30, Viernes presencial de 17:00 a 20:00 y Sábado:
aula virtual-workshop de 10:00 a 13:00
DURACIÓN: La duración es de 120 horas.
Fecha inicio: 08/05/2025 - Fecha Fin: 26/07/2025 - Plazas y convocatorias limitadas
