Haciendo Ciencia con datos: Proyectos con Inteligencia Artificial y Machine Learning

Inscríbete en este curso gratuito y reserva tu plaza. Nos pondremos en contacto contigo para confirma tu preinscripción con los datos necesarios para formalizar la matriculación y empezar las clases.

• Acreditaciones/titulaciones:
  No requiere.

• Experiencia profesional:
  No se requiere experiencia previa.

• Otros:
  Conocimientos básicos en analisis y visualización de datos y técnicas de machine learning.

• Justificación de los requisitos del alumnado:
  Los conocimientos requeridos serán acreditados mediante una prueba de nivel.

• Destinatarios:
  Este programa está dirigido especialmente a Trabajadores Socios del Clúster de ALIA.

Módulo 1: ETL y Preparación de Datos

• Duración: 12 horas

• Contenido:
  1.1. Pasos para crear un proyecto de big data
  1.2. Perfiles necesarios para un proyecto de big data
  1.3. Arquitecturas big data
  1.4. Aproximación a la modelización
  1.5. Modelos

• Resultados de aprendizaje:

  • Comprender los pasos fundamentales para la creación de un proyecto de big data.
  • Identificar los perfiles necesarios para un proyecto de big data.
  • Conocer las arquitecturas de big data más comunes.
  • Aproximarse a la modelización de datos.
  • Entender diferentes modelos de datos y su aplicación.
  • Utilizar herramientas estadísticas y de aprendizaje automático para encontrar correlaciones entre variables antes del diseño y entrenamiento de modelos.
  • Aplicar técnicas de reducción sobre muestras de conjuntos de datos mediante programación o herramientas software, obteniendo una representación de los mismos mediante variables latentes.
  • Aplicar técnicas de representación gráfica para corroborar correlaciones y verificar la reducción aplicada anteriormente.
  • Aplicar técnicas de diseño de modelos basados en aprendizaje automático sobre un conjunto de datos para abordar problemas específicos como la regresión.

Módulo 2: Modelos Supervisados y No Supervisados

• Duración: 12 horas

• Contenido:
  2.1. Introducción
  2.2. Modelos supervisados
  2.3. Modelos no supervisados

• Resultados de aprendizaje:

  • Comprender la diferencia entre modelos supervisados y no supervisados.
  • Aprender a implementar varios modelos supervisados.
  • Aprender a implementar varios modelos no supervisados.
  • Utilizar herramientas estadísticas y de aprendizaje automático para encontrar correlaciones entre variables antes del diseño y entrenamiento de modelos.
  • Aplicar técnicas de reducción sobre muestras de conjuntos de datos mediante programación o herramientas software.
  • Aplicar técnicas de representación gráfica para verificar las correlaciones y la reducción aplicada.
  • Aplicar técnicas de diseño de modelos de aprendizaje automático para resolver problemas de regresión.

Módulo 3: Deep Learning

• Duración: 12 horas

• Contenido:
  3.1. ¿Qué es el deep learning?
  3.2. Entrenamiento de modelos de deep learning
  3.3. Aplicaciones del deep learning

• Resultados de aprendizaje:

  • Entender qué es el deep learning y cómo se diferencia de otras técnicas de machine learning.
  • Aprender a entrenar modelos de deep learning.
  • Conocer las aplicaciones más comunes del deep learning.
  • Utilizar herramientas estadísticas y de aprendizaje automático para encontrar correlaciones antes del diseño y entrenamiento de modelos.
  • Aplicar técnicas de reducción de datos mediante programación o herramientas software.
  • Aplicar técnicas de representación gráfica para verificar correlaciones y reducciones previas.
  • Aplicar modelos de deep learning para resolver problemas de regresión y clasificación.

Módulo 4: Análisis Avanzado de Datos

• Duración: 12 horas

• Contenido:
  4.1. Introducción al análisis avanzado de datos
  4.2. Conocimientos de big data y principios de arquitecturas de computación
  4.3. Detección de anomalías y patrones
  4.4. Estudio de casos de big data

• Resultados de aprendizaje:

  • Comprender los principios fundamentales del análisis avanzado de datos.
  • Adquirir conocimientos sobre big data y los principios de arquitecturas de computación.
  • Aprender a detectar anomalías y patrones en los datos.
  • Estudiar casos reales de uso de big data.
  • Utilizar herramientas estadísticas y de aprendizaje automático para encontrar correlaciones antes del diseño y entrenamiento de modelos.
  • Aplicar técnicas de reducción de datos mediante programación o herramientas software.
  • Aplicar técnicas de representación gráfica para verificar las correlaciones y reducciones aplicadas previamente.
  • Aplicar técnicas de aprendizaje automático para abordar problemas de regresión y clasificación.

Módulo 5: Visualización de Datos

• Duración: 12 horas

• Contenido:
  5.1. Introducción a la visualización de datos
  5.2. Principios de visualización
  5.3. Business Intelligence
  5.4. Herramientas de visualización de datos

• Resultados de aprendizaje:

  • Comprender la importancia de la visualización de datos en el análisis de big data.
  • Aprender los principios fundamentales de la visualización de datos.
  • Entender qué es la inteligencia empresarial (Business Intelligence) y cómo se aplica en la visualización de datos.
  • Conocer las herramientas más comunes para la visualización de datos.
  • Utilizar herramientas estadísticas y de aprendizaje automático para encontrar correlaciones antes del diseño y entrenamiento de modelos.
  • Aplicar técnicas de reducción de datos mediante programación o herramientas software.
  • Aplicar técnicas de representación gráfica para corroborar correlaciones y reducciones previas.
  • Aplicar modelos de aprendizaje automático para abordar problemas de regresión y clasificación.

No es indispensable tener experiencia previa en ciencia de datos o programación, aunque es recomendable tener nociones básicas. El curso cubre desde los conceptos fundamentales hasta la aplicación de machine learning en proyectos reales, con explicaciones claras y ejemplos prácticos.