Módulo I. Fundamentos de programación en Python

• Tema 1. Introducción a Python

  • Tipos de datos básicos de Python

  • Variables en Python

  • Constantes en Python

• Tema 2. Operadores en Python

  • Asignación

  • Aritméticos

  • Lógicos

• Tema 3. Tipos de datos avanzados

  • Listas de Python

  • Tuplas en Python

  • Diccionarios en Python

  • Sets en Python

• Tema 4. Entrada y salida

  • Entrada de datos por teclado

  • Salida de datos por pantalla

• Tema 5. Control de flujo: estructuras de decisión y repetición

  • Condicionales en Python (if / else)

  • Bucles en Python (while / for)

• Tema 6. Funciones

  • Concepto de las funciones en Python

  • Implementación de las funciones

  • Argumentos y parámetros

  • Funciones integradas de Python

  • Buenas prácticas con las funciones

Módulo II. Programación orientada a objetos (POO)

• Tema 1. Metodología basada en objetos

  • Programación estructurada frente a POO

• Tema 2. Clases, objetos, atributos y métodos

  • Definición de clases, objetos, métodos y atributos

  • Definición de constructores

  • Los cuatro principios de la POO

• Tema 3. Practicando con clases y objetos

• Tema 4. Herencia

  • Definición de herencia

  • Usos e implementación

Módulo III. POO y métodos aplicados

• Tema 1. Otras herramientas de POO

  • Herencia múltiple

  • Polimorfismo

• Tema 2. Métodos aplicados

  • Métodos aplicados a las cadenas (strings)

  • Métodos aplicados a las listas

  • Métodos aplicados a los conjuntos

  • Métodos aplicados a los diccionarios

• Tema 3. Errores y excepciones

  • Errores

  • Excepciones

• Tema 4. Datos temporales

  • Fechas y horas

  • Zonas horarias y sus problemáticas

Módulo IV. Manipulación de datos

• Tema 1. Archivos

  • Manejo de archivos en Python

• Tema 2. Excel y CSV

  • Procesamiento de XLS y CSV

• Tema 3. JSON

  • Conceptos de JSON

  • JSON frente a XML

  • JSON minificado y JSON View

  • JSON en Python

• Tema 4. Bases de datos (BBDD)

  • Conceptos de bases de datos

  • Almacenamiento y lenguaje SQL

  • Ejemplos y uso de SQLite3

• Tema 5. Librerías especializadas en el manejo de datos

  • NumPy

  • Pandas

  • Otras librerías especializadas

Módulo V. Practicando se aprende

• Tema 1. Práctica 1: creación de una aplicación web con Flask y base de datos SQLite3

• Tema 2. Práctica 2: creación de una aplicación de escritorio con Tkinter y base de datos SQLite3

Especialización en Machine Learning

Módulo I. Introducción al machine learning

• Tema 1. Introducción al big data y machine learning

  • Método científico

  • Introducción al big data y machine learning

  • Repaso de álgebra lineal

• Tema 2. Entorno de trabajo: máquinas virtuales

  • Creación de una máquina virtual local

• Tema 3. Jupyter

• Tema 4. Librerías numéricas de Python

  • NumPy

  • Pandas

  • Matplotlib

• Tema 5. Introducción a Scikit-learn

Módulo II. Aprendizaje supervisado

• Tema 1. Regresión lineal

  • Regresión simple y multivariable

  • Entrenamiento

• Tema 2. Optimización por descenso de gradiente

  • Convergencia y ratio de aprendizaje

• Tema 3. Normalización

  • Técnicas y problemas asociados

• Tema 4. Regularización

  • Desviación, varianza y función de coste regularizada

• Tema 5. Validación cruzada

  • Subdivisión del conjunto de datos

  • Bootstrapping y K-fold

• Tema 6. Teorema de Bayes

• Tema 7. Clasificación por árboles de decisión

  • Variables objetivo categóricas y continuas

  • Splitting, pruning y limitaciones del tamaño del árbol

• Tema 8. Regresión logística y clasificación

  • Clasificación binaria y multiclase

  • Función sigmoidea y de coste

  • Transformación de la hipótesis

• Tema 9. Clasificación por SVM (Support Vector Machines)

  • Modelado de datos, kernels y landmarks

  • Sensibilidad, especificidad y parámetro de regularización

• Tema 10. Introducción a las redes neuronales

  • Neuronas naturales y artificiales

  • Redes neuronales profundas

Módulo III. Aprendizaje no supervisado

• Tema 1. Detección de anomalías

  • Anomalías y selección de características

  • Distribución normal o gaussiana

• Tema 2. Agrupación (clustering)

  • Diferencias entre agrupación y clasificación

  • Algoritmo K-means y otros enfoques

Módulo IV. Aprendizaje reforzado

• Tema 1. Optimización por aleatoriedad

  • Entrenamiento múltiple e implementación

• Tema 2. Sistemas de recomendación

  • Regresión lineal aplicada a recomendaciones

  • Funciones de coste, algoritmos de entrenamiento y predicciones

• Tema 3. Algoritmos genéticos

  • Evolución natural y del comportamiento

  • Algoritmos aplicados a la optimización

Módulo V. Desarrollo de sistemas de aprendizaje automático

• Tema 1. Ingeniería de características (feature engineering)

  • Creación y representación de variables

• Tema 2. Análisis de componentes principales (PCA)

  • Modelos y reducción de dimensionalidad

• Tema 3. Ensamblajes

  • Composición de modelos, bagging y técnicas de ensamblaje

• Tema 4. Planteamiento de sistemas de machine learning

  • Diseño e implementación a gran escala

• Tema 5. Evaluación y mejora de modelos

  • Sobreajuste frente a desviación

  • Métricas de evaluación y clasificación

• Tema 6. Operaciones en machine learning (MLOps)

  • MLOps, plataforma Kaggle y paralelización

Especialización en Deep Learning

Módulo I. Introducción al aprendizaje automático

• Tema 1. Fundamentos básicos

  • Proceso de aprendizaje, tipos de modelos y algoritmos

  • Información de entrada, salida y aprendizaje

• Tema 2. Preparación de datos y herramientas

  • Google Colaboratory: creación y uso de notebooks

  • Introducción a Scikit-learn

  • TensorFlow: instalación, operaciones básicas, matrices y gradientes

Módulo II. Introducción al aprendizaje profundo

• Tema 1. Redes de neuronas profundas

  • Conceptos básicos, estructura y funciones de activación

  • Optimización de hiperparámetros

• Tema 2. Clasificación

  • Clasificación binaria, multiclase y multietiqueta

  • Transferencia de aprendizaje (transfer learning)

• Tema 3. Regresión

  • Construcción de redes para regresión

  • Regresión lineal simple y múltiple

Módulo III. Aprendizaje profundo mediante imágenes y sonidos

• Tema 1. Redes de neuronas convolucionales (CNN)

  • Visión artificial, filtros y preparación de datos

• Tema 2. Redes de neuronas residuales (ResNet)

  • Bloques residuales y transfer learning con ResNet

• Tema 3. Redes de neuronas recurrentes (RNN)

  • Procesamiento del lenguaje natural (NLP)

  • Redes RNN y LSTM (Long Short-Term Memory)

Módulo IV. Aplicaciones del aprendizaje profundo

• Tema 1. Redes generativas antagónicas (GAN)

  • Generador, discriminador y funciones de pérdida

• Tema 2. Redes de neuronas basadas en refuerzo

  • Deep reinforcement learning y redes de refuerzo profundo

  • Aplicaciones en videojuegos (AlphaGo, AlphaStar)

• Tema 3. Otras aplicaciones

  • Despliegue de modelos en dispositivos (TFLite, TensorFlow.js)

  • TensorFlow Extended

Especialización en Inteligencia Artificial

Módulo I. Adentrándose en la IA

• Tema 1. Introducción a la Inteligencia Artificial

  • Conceptos, historia, sectores y tecnologías de la IA

  • Comparativa: IA frente a ML y DL

  • El Test de Turing y la noción de máquina inteligente

• Tema 2. La IA, las búsquedas y los juegos

  • Búsqueda informada y no informada

  • Aplicación de la IA en juegos

• Tema 3. Ciencia y minería de datos

  • El proceso de la ciencia de datos y data mining

Módulo II. El aprendizaje y sus librerías

• Tema 1. El proceso de la ciencia de datos

  • Conjuntos de entrenamiento, prueba y validación

  • Overfitting, underfitting y matrices de confusión

• Tema 2. Librerías de análisis de datos y machine learning

  • Pandas y Scikit-learn

• Tema 3. Librerías avanzadas de Inteligencia Artificial

  • TensorFlow, Keras (ejemplo con CIFAR-10)

  • SHAP e interpretación de modelos

  • spaCy y procesamiento del lenguaje natural (NLP)

Módulo III. La plataforma Kaggle

• Tema 1. Qué es Kaggle y sus proyectos

• Tema 2. Proyecto práctico

Especialización en Internet de las Cosas (IoT): Gestión de Dispositivos

Módulo I. Introducción a IoT

• Tema 1. Conceptos generales de IoT

• Tema 2. Arquitectura típica de una solución IoT

• Tema 3. Conceptos básicos de redes de sensores y actuadores

• Tema 4. Sensores y actuadores comunes

• Tema 5. Ejemplos de aplicaciones

Módulo II. Redes de comunicaciones para IoT

• Tema 1. Comunicación alámbrica e inalámbrica

• Tema 2. Redes inalámbricas de bajo consumo

• Tema 3. Criterios de selección de tecnologías de comunicación

• Tema 4. Protocolos de comunicaciones IoT (M2M, MQTT)

Módulo III. Conceptos generales de computación en la nube

• Tema 1. Servicios principales disponibles en una plataforma cloud

• Tema 2. Relación entre servicios

• Tema 3. Modelo de precios y soporte

• Tema 4. Almacenamiento de datos en la nube (tipos de BBDD)

• Tema 5. Integración entre IoT Hub y BBDD Cloud

Módulo IV. Seguridad y privacidad en IoT

• Tema 1. Conceptos generales de seguridad

• Tema 2. Modelos de seguridad

• Tema 3. Privacidad en sistemas distribuidos

• Tema 4. Aplicación práctica de cifrado simétrico y asimétrico

Casos prácticos

• Caso 1. Introducción al uso del microcontrolador ESP8266

• Caso 2. Uso de sensores y actuadores con el ESP8266

• Caso 3. Uso de la conexión WiFi del ESP8266

• Caso 4. Uso del protocolo MQTT con el ESP8266

• Caso 5. Securización de comunicaciones MQTT