Inteligencia Artificial y Aprendizaje Automático - Una Introducción a los Principios Fundamentales

Resumen

Master the fundamental concepts of AI and machine learning while exploring their transformative impact across various industries and real-world applications.

Programa

• Introducción a la Inteligencia Artificial y el Aprendizaje Automático
Definición e historia de la IA y el AA
Diferencias clave entre IA, AA y ciencia de datos
• Conceptos Fundamentales del Aprendizaje Automático
Aprendizaje supervisado
Aprendizaje no supervisado
Aprendizaje por refuerzo
• Preparación de Datos y Modelos
Recolección y preprocesamiento de datos
Selección e ingeniería de características
Conjuntos de datos de entrenamiento, validación y prueba
• Algoritmos de Aprendizaje Supervisado
Regresión lineal
Regresión logística
Árboles de decisión y bosques aleatorios
Máquinas de vectores de soporte (SVM)
Visión general de redes neuronales
• Técnicas de Aprendizaje No Supervisado
Algoritmos de agrupamiento (por ejemplo, K-means, jerárquico)
Reducción de dimensionalidad (por ejemplo, PCA, t-SNE)
• Introducción a Redes Neuronales y Aprendizaje Profundo
Conceptos básicos de redes neuronales
Introducción a arquitecturas de aprendizaje profundo
Visión general de marcos populares (por ejemplo, TensorFlow, PyTorch)
• Evaluación y Optimización de Modelos
Métricas de rendimiento (precisión, exactitud, sensibilidad, puntaje F1)
Validación cruzada
Ajuste de hiperparámetros
• AI y AA en Aplicaciones del Mundo Real
IA en la salud
Aprendizaje automático en finanzas
Aplicaciones de IA en sistemas autónomos
IA para procesamiento de lenguaje natural
• Consideraciones Éticas en IA y AA
Sesgo y equidad en IA
Preocupaciones sobre la privacidad
Toma de decisiones ética en sistemas de IA
• Tendencias y Oportunidades Futuras en IA y AA
Tecnologías emergentes en IA
Carreras y habilidades en IA y AA

---

Materias

Data Science