Curso de especialista en inteligencia artificial en el País Vasco

Contenidos del bloque:

• Inmersión a la IA explicando sus principales modalidades.
• Breve noción sobre los principales algoritmos de IA.
• Análisis de los diferentes tipos de aprendizaje.
• Fundamentos matemáticos para el entendimiento del funcionamiento de distintos algoritmos basados en IA y conceptos básicos de programación.
• Implementación de conceptos matemáticos de IA utilizando Python como lenguaje de programación.
• Fundamentos estadísticos básicos para el entendimiento del funcionamiento de distintos algoritmos, preprocesamiento de datos y análisis de resultados.
• Implementación de conceptos estadísticos utilizando Python como lenguaje de programación.
• Puesta en marcha del entorno de trabajo.
• Detalle de los diferentes softwares y programas utilizados para la implementación de algoritmos basados en IA.
• Inmersión en el lenguaje Python.

Contenidos del bloque:

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

Contenidos del bloque:

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

Contenidos del bloque:

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

Contenidos del bloque:

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

Contenidos del bloque:

• Inmersión al lenguaje SQL y a las bases de datos más relevantes:
• Introducción a las bases de datos nosql y comparativa con las bases de datos relacionales:
• Tratamiento y almacenamiento en base de datos de un dataset desde Python.
• Operaciones crud desde Python a una base de datos SQL.

Contenidos del bloque:

• Inmersión al Auto Machine Learning y a las plataformas más relevantes.
• Introducción al Auto ml y a los beneficios que puede proporcionar con respecto a los métodos tradicionales.
• Tratamiento de datos desde aws SageMaker.
• Introducción a la carga y tratamiento de conjuntos de datos sobre el servicio SageMaker.
• Visualización de datos en sagemaker con la finalidad de obtener información sobre el conjunto de datos.
• Entrenamiento de modelos ml mediante AutoML
• Implementación de servicios web ML
• Desarrollo de servicios web seguros sobre modelos entrenados en sagemaker accesibles mediante API.

Contenidos del bloque:

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

Contenidos del bloque:

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

Contenidos del bloque:

• Iniciación en el desarrollo ágil de proyectos mediante el uso de la metodología Scrum:
• Introducción a Design Thinking como herramienta para encontrar soluciones innovadoras a través de la creatividad e innovación