Curso Superior en Inteligencia Artificial: Software y Herramientas
100% Online
6 meses
360€
Curso Superior en Inteligencia Artificial: Software y Herramientas
    Curso Superior en Inteligencia Artificial: Software y Herramientas

    Curso Superior en Inteligencia Artificial: Software y Herramientas

    100% Online
    12 ECTS
    6 meses
    360€

    Presentación

    La inteligencia artificial, el machine learning y el deep learning son tecnologías en pleno auge y es clave actualizarse para saber utilizarlas y aplicarlas en cualquier empresa. Con el Curso en Inteligencia Artificial: Software y Herramientas te preparará para el futuro tecnológico y el avance en casi cualquier ámbito gracias al uso e implementación de la inteligencia artificial. Utilizarás los principales algoritmos y librerías como Keras o Tensorflow para programar redes neuronales, placas Arduino o sistemas de visión artificial y aprenderás a crear chatbots aplicando procesamiento de lenguaje natural (PLN). Contarás con un equipo de profesionales especializados en la materia. Además, gracias a las prácticas garantizadas, podrás acceder a un mercado laboral en plena expansión.

    Universidades colaboradoras

    Para qué te prepara
    Con el Curso en Inteligencia Artificial: Software y Herramientas te preparará para el futuro tecnológico y el avance en casi cualquier ámbito gracias al uso e implementación de la inteligencia artificial. Utilizarás los principales algoritmos y librerías como Keras o Tensorflow para programar redes neuronales, placas Arduino o sistemas de visión artificial y aprenderás a crear chatbots aplicando procesamiento de lenguaje natural (PLN).
    Objetivos
    - Conocer los aspectos fundamentales de la inteligencia artificial, sus tipos y los principales algoritmos utilizados. - Aplicar algoritmos de Machine Learning y Deep Learning para crear sistemas expertos, de elección y neuronales. - Saber utilizar el procesamiento de lenguaje natural (PLN) para elaborar chatbots personalizados. - Utilizar el Machine Learning en la programación de Arduinos con Tensorflow 2.0. - Crear redes neuronales artificiales gracias al uso de Deep Learning mediante librerías como Keras o Tensorflow. - Programar sistemas de visión artificial con Python y OpenCV.
    A quién va dirigido
    El Curso en Inteligencia Artificial: Software y Herramientas se orienta principalmente a ingenieros informáticos o estudiantes en ingenierías informáticas que quieran especializarse en el sector profesional de la inteligencia artificial y aprender a utilizar las últimas tecnologías y herramientas de este campo tan demandado por las empresas para diferenciarse de la competencia.
    Salidas Profesionales
    La inteligencia artificial es de los campos profesionales con mayor proyección en los últimos años y por tanto, especializarte en este campo hará que tu perfil profesional sea atractivo para las empresas. Gracias a este Curso en Inteligencia Artificial: Software y Herramientas optarás a puestos como AI Developer, Machine Learning Engineer o Experto en Visión artificial.
    Temario

    MÓDULO 1. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL)

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

    1. Introducción a la inteligencia artificial
    2. Historia
    3. La importancia de la IA

    UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL

    1. Tipos de inteligencia artificial

    UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL

    1. Algoritmos aplicados a la inteligencia artificial

    UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA

    1. Relación entre inteligencia artificial y big data
    2. IA y Big Data combinados
    3. El papel del Big Data en IA
    4. Tecnologías de IA que se están utilizando con Big Data

    UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS

    1. Sistemas expertos
    2. Estructura de un sistema experto
    3. Inferencia: Tipos
    4. Fases de construcción de un sistema
    5. Rendimiento y mejoras
    6. Dominios de aplicación
    7. Creación de un sistema experto en C#
    8. Añadir incertidumbre y probabilidades

    UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL

    1. Futuro de la inteligencia artificial
    2. Impacto de la IA en la industria
    3. El impacto económico y social global de la IA y su futuro

    UNIDAD DIDÁCTICA 7. INTRODUCCIÓN AL MACHINE LEARNING

    1. Introducción
    2. Clasificación de algoritmos de aprendizaje automático
    3. Ejemplos de aprendizaje automático
    4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
    5. Tipos de algoritmos de aprendizaje automático
    6. El futuro del aprendizaje automático

    UNIDAD DIDÁCTICA 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING

    1. Introducción
    2. Algoritmos

    UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN

    1. Introducción
    2. Filtrado colaborativo
    3. Clusterización
    4. Sistemas de recomendación híbridos

    UNIDAD DIDÁCTICA 10. CLASIFICACIÓN

    1. Clasificadores
    2. Algoritmos

    UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING

    1. Componentes
    2. Aprendizaje

    UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN

    1. Introducción
    2. El proceso de paso de DSS a IDSS
    3. Casos de aplicación

    UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW

    1. Aprendizaje profundo
    2. Entorno de Deep Learning con Python
    3. Aprendizaje automático y profundo

    UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES

    1. Redes neuronales
    2. Redes profundas y redes poco profundas

    UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA

    1. Perceptrón de una capa y multicapa
    2. Ejemplo de perceptrón

    UNIDAD DIDÁCTICA 16. REDES MULTICAPA

    1. Tipos de redes profundas
    2. Trabajar con TensorFlow y Python

    UNIDAD DIDÁCTICA 17. ESTRATEGIAS DE APRENDIZAJE

    1. Entrada y salida de datos
    2. Entrenar una red neuronal
    3. Gráficos computacionales
    4. Implementación de una red profunda
    5. El algoritmo de propagación directa
    6. Redes neuronales profundas multicapa

    MÓDULO 2. PLN, CHATBOTS E INTELIGENCIA ARTIFICIAL

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN

    1. ¿Qué es PLN?
    2. ¿Qué incluye el PLN?
    3. Ejemplos de uso de PLN
    4. Futuro del PLN

    UNIDAD DIDÁCTICA 2. PLN EN PYTHON

    1. PLN en Python con la librería NLTK
    2. Otras herramientas para PLN

    UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN

    1. Principios del análisis sintáctico
    2. Gramática libre de contexto
    3. Analizadores sintácticos (Parsers)

    UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN

    1. Aspectos introductorios del análisis semántico
    2. Lenguaje semántico para PLN
    3. Análisis pragmático

    UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN

    1. Aspectos introductorios
    2. Pasos en la extracción de información
    3. Ejemplo PLN
    4. Ejemplo PLN con entrada de texto en inglés

    UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?

    1. Aspectos introductorios
    2. ¿Qué es un chatbot?
    3. ¿Cómo funciona un chatbot?
    4. VoiceBots
    5. Desafios para los Chatbots

    UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS

    1. Chatbots y el papel de la Inteligencia Artificial (IA)
    2. Usos y beneficios de los chatbots
    3. Diferencia entre bots, chatbots e IA

    UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS

    1. Áreas de aplicación de Chatbots
    2. Desarrollo de un chatbot con ChatterBot y Python
    3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel

    MÓDULO 3. MACHINE LEARNING CON ARDUINO Y TENSORFLOW 2.0

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN Y PRIMEROS PASOS

    1. ¿Qué es la inteligencia artificial?
    2. Hardware y software unidos por la Inteligencia Artificial
    3. Inteligencia Artificial y Visión Artificial
    4. Arduino: introducción

    UNIDAD DIDÁCTICA 2. PREPARACIÓN DE ARDUINO Y CONFIGURACIÓN DE ENTORNO PYTHON

    1. Instalación de Arduino
    2. Configurando tu Arduino para Python

    UNIDAD DIDÁCTICA 3. CODIFICACIÓN Y CONTROL DE ARDUINO CON PYTHON

    1. Control de Arduino

    UNIDAD DIDÁCTICA 4. MANEJO DE ENTRADAS ANALÓGICAS CON PYTHON

    1. Manejo de entradas
    2. Entradas analógicas

    UNIDAD DIDÁCTICA 5. USO DE SALIDAS ANALÓGICAS

    1. Salidas analógicas
    2. Valores analógicos en Arduino

    UNIDAD DIDÁCTICA 6. INTRODUCCIÓN A MACHINE LEARNING

    1. Introducción al machine learning
    2. Aprendizaje supervisado
    3. Aprendizaje no supervisado

    UNIDAD DIDÁCTICA 7. REDES NEURONALES, SERIES TEMPORALES Y PROBLEMAS DE REGRESIÓN

    1. Redes neuronales y deep learning
    2. Series Temporales

    UNIDAD DIDÁCTICA 8. OBTENCIÓN DE PARÁMETROS EN ARDUINO Y GENERACIÓN DE CONJUNTOS DE DATOS

    1. Funciones y parámetros
    2. Variables y constantes especializadas
    3. Estructura de control

    UNIDAD DIDÁCTICA 9. PROCESAMIENTO DE DATOS Y ETAPA DE ENTRENAMIENTO

    1. Introducción
    2. ¿Qué son los datos de entrenamiento de IA?
    3. ¿Por qué se requieren datos de entrenamiento de IA?
    4. ¿Cuántos datos son adecuados?
    5. ¿Qué afecta la calidad de los datos en el entrenamiento?

    UNIDAD DIDÁCTICA 10. CREACIÓN DE RED NEURONAL ARTIFICIAL Y APLICACIONES CON ARDUINO Y TENSORFLOW CON KERAS

    1. Crear red neural paso a paso
    2. Redes neuronales: Aprendizaje
    3. Otras redes neuronales

    MÓDULO 4. PROGRAMACIÓN DE VISIÓN ARTIFICIAL CON PYTHON Y OPENCV

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN E INSTALACIÓN DE OPENCV

    1. Descripción general OpenCV
    2. Instalación OpenCV para Python en Windows
    3. Instalación OpenCV para Python en Linux
    4. Anaconda y OpenCV

    UNIDAD DIDÁCTICA 2. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS

    1. Manejo de archivos
    2. Leer una imagen con OpenCV
    3. Mostrar imagen con OpenCV
    4. Guardar una imagen con OpenCV
    5. Operaciones aritméticas en imágenes usando OpenCV
    6. Funciones de dibujo

    UNIDAD DIDÁCTICA 3. TRATAMIENTO DE IMÁGENES

    1. Redimensión de imágenes
    2. Erosión de imágenes
    3. Desenfoque de imágenes
    4. Bordeado de imágenes
    5. Escala de grises en imágenes
    6. Escalado, rotación, desplazamiento y detección de bordes
    7. Erosión y dilatación de imágenes
    8. Umbrales simples
    9. Umbrales adaptativos
    10. Umbral de Otsu
    11. Contornos de imágenes
    12. Incrustación de imágenes
    13. Intensidad en imágenes
    14. Registro de imágenes
    15. Extracción de primer plano
    16. Operaciones morfológicas en imágenes
    17. Pirámide de imágen

    UNIDAD DIDÁCTICA 4. HISTOGRAMAS Y TEMPLATE MATCHING

    1. Analizar imágenes usando histogramas
    2. Ecualización de histogramas
    3. Template matching
    4. Detección de campos en documentos usando Template matching

    UNIDAD DIDÁCTICA 5. COLORES Y ESPACIOS DE COLOR

    1. Espacios de color en OpenCV
    2. Cambio de espacio de color
    3. Filtrado de color
    4. Denoising de imágenes en color
    5. Visualizar una imagen en diferentes espacios de color

    UNIDAD DIDÁCTICA 6. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS

    1. Detección de líneas
    2. Detección de círculos
    3. Detectar esquinas (Método Shi-Tomasi)
    4. Detectar esquinas (método Harris)
    5. Encontrar círculos y elipses
    6. Detección de caras y sonrisas

    UNIDAD DIDÁCTICA 7. APRENDIZAJE AUTOMÁTICO

    1. Vecino más cercano (K-Nearest Neighbour)
    2. Agrupamiento de K-medias (K-Means Clustering)
    Titulación
    Titulación Universitaria:
    Diploma Universidad Católica de Murcia
    Solicitar información
    País
    Información básica sobre Protección de Datos . Haz clic aquí