¿Qué quieres aprender?

Postgrado en Inteligencia Artificial y Machine Learning

Postgrado en Inteligencia Artificial y Machine Learning

IEBS

Postgrado online


4.150

Duración : 10 Meses

¿Quieres hablar con un asesor sobre este curso?

Objetivos

Desarrollar algoritmos de análisis predictivo sobre los datos en base a patrones Entender el desarrollo actual y las aplicaciones potenciales de la Inteligencia Artificial Conocer los fundamentos del Machine Learning y los tipos de algoritmos más utilizados dentro del Aprendizaje Supervisado y No Supervisado, así como su aplicación en entornos reales Conocer los distintos tipos de redes neuronales y sus usos más habituales en entornos reales

A quién va dirigido

Ingenieros que tenga por objetivo una actualización de sus conocimientos y el desarrollo de nuevas competencias dentro de la Inteligencia Artificial y, en particular, en Machine Learning. Profesionales vinculados fuertemente con la tecnología que tengan por objetivo la especialización en Machine Learning y Redes Neuronales. Programadores que tengan por objetivo ampliar sus conocimientos y capacidades en el mundo de la ciencia de datos para su desarrollo profesional. Estadísticos y Matemáticos relacionados con la tecnología que quieran desarrollar su carrera en el mundo del Científico de Datos.

Requisitos

Titulo de grado.

Temario completo de este curso

En el momento de formalizar tú matrícula accederás al módulo previo de preparación donde entrenaremos tu capacidad de "aprender a aprender" en nuestra plataforma, junto con las habilidades clave para el profesional digital, fundamentales durante el transcurso del programa.

  • Habilidades Digitales
  • Productividad: Organización y Gestión del Tiempo
  • Pensamiento Crítico y Creatividad (Ética)
  • Actitud Emprendedora

Módulo 1. Fundamentos de IA y Machine Learning

  • Introducción a la IA y Machine Learning
  • Algoritmos de regresión. Evaluación y métricas
  • Ecosistemas de Machine Learning en la nube
  • Proyecto: Análisis predictivo del precio de la vivienda

Módulo 2. Aprendizaje supervisado I

  • Clasificación binaria, multiclase y métricas. Curva ROC
  • Clasificación con Naive Bayes
  • Clasificación con Support Vector Machine (SVM)
  • Proyecto: Evaluación del estado de salud de un bebé durante el parto

Módulo 3. Aprendizaje supervisado II

  • Clasificación con KNN, regresión logística y softmax
  • Regresión y clasificación con árboles de decisión
  • Combinación de clasificadores: ensembles y random forests
  • Proyecto: Desarrollo de un análisis predictivo sobre la propensión a abandonar la empresa por parte del personal empleado

Módulo 4. Aprendizaje NO Supervisado

  • Reducción de dimensionalidad en los datos: PCA
  • Algoritmos de agrupamiento: K Medias y jerárquico
  • Técnicas de detección de anomalías
  • Proyecto: PCA y CLUSTERING utilizando Python

Módulo 5. Redes neuronales y Deep Learning

  • Hitos del Deep Learning y fundamentos de las redes neuronales
  • Frameworks de Deep Learning: TensorFlow
  • Ajuste de modelos de Deep Learning
  • Proyecto: Análisis donde se aplican técnicas de Deep Learning

Módulo 6. Redes Neuronales Convolucionales (CNNs)

  • Fundamentos de las CNNs: kernels, convolución, pooling, etc.
  • Modelos pre-entrenados: Transfer Learning y Fine-Tuning
  • Deep Learning en producción
  • Proyecto: Análisis de un problema de clasificación de imágenes con Deep Learning

Módulo 7. Sistemas de recomendación

  • Personalización creada por datos
  • Filtrado Colaborativo
  • Aplicaciones, tendencias y retos de los sistemas de recomendación
  • Proyecto: Implementando un algoritmo de SR con la librería Surprise de Python

Módulo 8. Procesamiento del Lenguaje Natural

  • Introducción al Procesamiento del Lenguaje Natural
  • Modelos Probabilísticos de NLP y Métodos de Aplicación
  • NLP – Modelos y Algoritmos
  • Proyecto: Investigación detallada de un caso de estudio de NLP

Módulo 9. Global Project

Ver más