Resumen
Además: (1) IA y humanos, (2) IA generativa y líderes, (3) IA y operaciones, (4) IA y estrategia empresarial
Programa de estudio
-
- Introducción a la IA y el Aprendizaje Automático
-- Definición e Historia de la IA
-- Diferencias Clave entre IA, Aprendizaje Automático y Aprendizaje Profundo
- Conceptos Fundamentales del Aprendizaje Automático
-- Aprendizaje Supervisado
-- Aprendizaje No Supervisado
-- Aprendizaje por Refuerzo
- Algoritmos y Técnicas Clave
-- Regresión Lineal
-- Algoritmos de Clasificación (por ejemplo, Árboles de Decisión, SVMs)
-- Agrupamiento (por ejemplo, K-Means)
-- Redes Neuronales y Fundamentos del Aprendizaje Profundo
- Preparación de Datos e Ingeniería de Características
-- Limpieza y Preprocesamiento de Datos
-- Selección y Extracción de Características
-- Manejo de Datos Faltantes
- Evaluación y Optimización de Modelos
-- Conjuntos de Entrenamiento y Prueba
-- Validación Cruzada
-- Métricas de Evaluación (por ejemplo, Precisión, Precisidad, Recall)
- Aplicaciones Prácticas de la IA y el Aprendizaje Automático
-- IA en Negocios e Industria
-- Casos de Uso en Marketing, Salud, Finanzas y más
- Herramientas y Entornos
-- Resumen de Herramientas Populares de ML (por ejemplo, bibliotecas de Python como NumPy, pandas, scikit-learn, TensorFlow)
-- Configuración de un Entorno de Desarrollo
- Consideraciones Éticas y Tendencias Futuras
-- Sesgo e Imparcialidad en IA
-- IA Responsable y Preocupaciones de Privacidad
-- Direcciones Futuras en la Investigación de IA
- Cierre del Curso y Próximos Pasos
-- Resumen de Conceptos Clave
-- Recursos para Aprendizaje Adicional
-- Trayectorias Profesionales en IA y Aprendizaje Automático
Enseñado por
Irlon Terblanche and Peter Alkema
Etiquetas
On-Demand
