CURSO GRATUITO
Haciendo Ciencia con datos: Proyectos con Inteligencia Artificial y Machine Learning
La Inteligencia Artificial tiene mucho que ofrecerte
60 horas
Teleformación
18-10-2024
60 horas
Teleformación
18/10/2024 a 16/12/2024
¿Qué aprenderás en este curso?
Aprenderás a aplicar técnicas avanzadas de ciencia de datos para resolver problemas complejos en entornos empresariales.
- Explorarán el uso de herramientas de inteligencia artificial y machine learning para el análisis predictivo.
- A adquirir habilidades prácticas para liderar proyectos innovadores que transformen el rendimiento y la competitividad de sus organizaciones.
- A automatizar procesos y la toma de decisiones basadas en datos.
¡Inscríbete!
Información técnica del curso
Expediente: 24/1099.L1B.001-01
FAQs
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. ModelosResultados 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 supervisadosResultados 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 learningResultados 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 dataResultados 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 datosResultados 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.
Entidades
Gestionado por:
Organizado por:
Financiado por: