INTRODUCCIÓN AL BIG DATA E INTELIGENCIA ARTIFICIAL (IA)

• Comprender los Fundamentos: Obtener un conocimiento sólido de los conceptos básicos de Big Data e Inteligencia Artificial, incluyendo definiciones, terminología clave y principios fundamentales.
• Dominar Herramientas Tecnológicas: Familiarizarse con las herramientas y tecnologías más relevantes en el campo, como Hadoop, Spark, TensorFlow y otras plataformas esenciales para el procesamiento y análisis de grandes conjuntos de datos.
• Explorar el Procesamiento de Datos: Aprender a recopilar, limpiar, transformar y almacenar datos a gran escala, preparándolos para su posterior análisis y modelado.
• Aplicar Algoritmos de Aprendizaje Automático: Adquirir habilidades en la aplicación de algoritmos de aprendizaje automático para el análisis de datos y la creación de modelos predictivos y descriptivos.
• Desarrollar Modelos de Inteligencia Artificial: Aprender a construir y entrenar modelos de IA para tareas como reconocimiento de patrones, procesamiento de lenguaje natural, visión por computadora y más.
• Optimizar el Rendimiento: Descubrir técnicas avanzadas para optimizar el rendimiento de algoritmos y modelos, asegurando resultados más precisos y eficientes.
• Analizar Grandes Conjuntos de Datos: Desarrollar la capacidad de analizar datos a gran escala para extraer conocimientos valiosos y tomar decisiones informadas.
• Implementar Soluciones en el Mundo Real: Aplicar tus habilidades en proyectos prácticos y casos de estudio reales, resolviendo desafíos de Big Data e IA que enfrentan las empresas en la actualidad.
• Evaluar Resultados y Mejorar Modelos: Aprender a evaluar y medir la eficacia de los modelos de IA, y perfeccionarlos a lo largo del tiempo para lograr mejores resultados.
• Colaborar en Equipos Multidisciplinarios: Desarrollar habilidades de comunicación y colaboración para trabajar de manera efectiva en equipos que involucran a profesionales de diferentes campos.
• Ética y Privacidad de los Datos: Comprender las implicaciones éticas y de privacidad asociadas con el uso de datos y tecnologías de IA, y aprender a abordar estos problemas de manera responsable.
• Preparación para Certificación: Estar listo para realizar exámenes de certificación en Big Data e Inteligencia Artificial, validando tus conocimientos y habilidades en el mercado laboral.

Introducción al Big Data e IA

MÓDULO.- Introducción al Big Data

UNIDAD.- Introducción al Big Data

• Qué es el Big Data
• El Big Data como solución al tratamiento masivo de datos
• Del Business Intelligence al Big Data
• Retos del Big Data
• Características del Big Data (4 V’s)
• Aplicaciones del Big Data

UNIDAD.- Bases de datos

• Introducción a las bases de datos relacionales
• Introducción a las bases de datos no relacionales
• Diferencias entre SQL y NoSQL
• Ventajas e inconvenientes de cada tipo de base de datos
• Ejemplos de bases de datos utilizadas en Big Data
• Hadoop como revolución para el tratamiento paralelo de datos masivos
• Casos de uso de Hadoop
• El ecosistema Hadoop: HDFS y MapReduce
• Ejemplos de HDFS y MapReduce
• Principales lenguajes de programación utilizados para el Big Data: Java, Scala, SQL y Python
• Procesos ETL (extracción, transformación y carga): Flume, Sqoop y HIVE
• Ejemplos de procesos ETL
• Procesos Real Time y bases de datos de alta disponibilidad: Kafka, HBASE y Redis

UNIDAD.- Arquitectura de Big Data

• Nuevos paradigmas del Big Data: Procesos en Real Time y Cloud Computing
• Ventajas y desafíos del procesamiento en tiempo real y del Cloud Computing
• Ejemplos de uso del cloud computing
• ¿Qué es TensorFlow?
• Presentación de las diferentes técnicas de análisis de datos
• Técnicas de visualización de datos
• Herramientas y técnicas para crear visualizaciones interactivas y dashboards
• Desafíos y consideraciones en la visualización de datos

UNIDAD.- Casos de uso de Big Data:

• Aplicaciones del Big Data en Instituciones Públicas
• Aplicaciones del Big Data en el Mundo Empresarial
• Análisis de los beneficios del uso del Big Data

UNIDAD.- Ética y privacidad en Big Data:

• Discusión sobre la importancia de la ética y la privacidad en el uso de Big Data
• Principales riesgos y desafíos éticos asociados con el Big Data
• Mejores prácticas para garantizar la ética y la privacidad en Big Data

MÓDULO.- Introducción a la Inteligencia Artificial

UNIDAD.- Introducción a la Inteligencia Artificial

• Definición de inteligencia artificial
• Evolución histórica de la inteligencia artificial
• La inteligencia artificial en la vida cotidiana y en diferentes sectores
• La inteligencia artificial como subcampo de la informática
• Enfoques, técnicas y objetivos de la IA

UNIDAD.- Fundamentos de Machine Learning

• Inteligencia artificial, machine learning, deep learning y redes neuronales
• Aprendizaje automático (Machine Learning)
• Tipos de Machine Learning (Supervisado, No Supervisado, por Refuerzo)
• Características definitorias de un algoritmo
• Un ejemplo de las características definitorias de un algoritmo
• Evaluación y mejora de modelos

UNIDAD.- Aprendizaje Supervisado

• Métodos de aprendizaje supervisado
• Modelos de Algoritmos Supervisados
• Modelos de regresión lineal
• Modelos de regresión logística
• Modelos de árboles de decisión
• Modelos de máquina de vectores de soporte

UNIDAD.- Aprendizaje No Supervisado

• Métodos de aprendizaje no supervisado
• Modelos de Algoritmos no Supervisados
• k-means
• DBSCAN
• Análisis de Componentes Principales (PCA)
• Agrupamiento Jerárquico
• Comparativa de los principales algoritmos no supervisados
• Cuándo utilizar unos u otros algoritmos de aprendizaje no supervisado
• Cómo elegir el algoritmo adecuado supervisado o no supervisado

UNIDAD.- Aprendizaje por Refuerzo

• Aprendizaje por Refuerzo: Aprendiendo a través de la interacción
• Desafíos del Aprendizaje por Refuerzo
• Los agentes en el aprendizaje por refuerzo
• Algoritmos de Aprendizaje por Refuerzo

UNIDAD.- Enfoques heurísticos

• Los enfoques heurísticos en la inteligencia artificial
• Algoritmos genéticos
• Recocido simulado
• Búsqueda tabú
• Algoritmos voraces

UNIDAD.- Deep Learning y Redes Neuronales

• Deep Learning: Aprendiendo representaciones jerárquicas
• Desafíos del Deep Learning
• Redes neuronales artificiales
• Conceptos básicos de las redes neuronales
• Capas de neuronas de una red artificial
• Parámetros de un modelo de inteligencia artificial
• Entrenamiento de redes neuronales
• Técnicas de entrenamiento de una red neuronal
• Aprendizaje por transferencia

UNIDAD.- Arquitecturas de Deep Learning

• Tipos de arquitecturas de Deep Learning
• Redes Neuronales Recurrentes (RNN)
• Redes neuronales convolucionales (CNN)
• Redes Generativas Adversarias (GAN)
• Redes Neuronales Transformadoras (TNN)
• Comparativa entre las distintas arquitecturas de Deep Learning

UNIDAD.- Modelos de procesamiento del lenguaje natural

• Procesamiento del lenguaje natural (Natural Language Processing)
• Técnicas clave del procesamiento de texto
• Modelos de procesamiento del lenguaje natural
• Los Transformadores y el procesamiento del lenguaje natural
• Aplicaciones del procesamiento del lenguaje natural

UNIDAD.- Modelos de visión computacional

• Visión computacional (Computer Vision)
• Conceptos básicos de la visión computacional
• Modelos de visión computacional
• Procesamiento de imágenes y redes neuronales convolucionales (CNN)
• Aplicaciones de la visión por computadora

UNIDAD.- Casos de uso de la Inteligencia Artificial

• Impacto de la inteligencia artificial en la sociedad y la economía
• Ejemplos de aplicaciones de la IA en instituciones públicas
• Ejemplos de aplicaciones de la IA en el mundo empresarial

UNIDAD.- Aspectos éticos y legales de la inteligencia artificial

• Explicabilidad y transparencia de los modelos de Deep Learning
• Sesgos y discriminación en los modelos de inteligencia artificial
• Responsabilidad y regulación en la IA

UNIDAD.- Tendencias y desafíos futuros en Inteligencia Artificial

• Avances y retos en la investigación de IA
• Innovación y oportunidades en el campo de la IA