Un programa exhaustivo y 100 % online, exclusivo de TECH y con una perspectiva internacional respaldada por nuestra afiliación con The Society for the Study of Artificial Intelligence and Simulation of Behaviour”

La Inteligencia Artificial está revolucionando múltiples sectores, desde la salud y la ingeniería hasta las finanzas y la seguridad. Su capacidad para procesar grandes volúmenes de datos y optimizar procesos ha convertido a esta tecnología en una herramienta esencial para la innovación. En este contexto de transformación digital, los ingenieros y profesionales afines requieren una especialización profunda que les permita desarrollar soluciones avanzadas basadas en IA y liderar proyectos tecnológicos de alto impacto. 

Por ello, TECH presenta este Máster Título Propio en Inteligencia Artificial. Se trata de un exhaustivo un programa universitario de vanguardia que responde a las exigencias del mercado actual. A través de un itinerario innovador, los egresados explorarán desde los fundamentos teóricos hasta las aplicaciones más complejas como la técnica de Inteligencia Artificial que permite a las computadoras aprender a realizar tareas similares a las humanas (Deep Learning) o explorar la rama de la IA que permite a las computadoras aprender de datos sin ser explícitamente programadas, identificando patrones y haciendo predicciones (Machine Learning).  

El plan de estudios profundiza en la minería de datos y la optimización de procesos, dotando a los egresados de las herramientas necesarias para modelar soluciones inteligentes adaptadas a distintos entornos industriales. Por otro lado, se analizarán los desafíos éticos y legales asociados al uso de IA, permitiendo a los egresados contemplar el amplio panorama que esta diciplina maneja en la actualidad y desarrollar proyectos con un enfoque responsable y alineado con las normativas internacionales. Esta experiencia académica se imparte bajo la exclusiva metodología Relearning de TECH. 

Gracias a la afiliación de TECH con la Society for the Study of Artificial Intelligence and Simulation of Behaviour el alumno accederá a publicaciones digitales como AISBQ y Discussions, además de un boletín semanal con noticias y ofertas de empleo. También, disfrutará de tarifas reducidas en conferencias AISB y ECAI, recibirá apoyos para viajes y capacitación para crear grupos locales.   

En TECH desarrollarás competencias avanzadas en Inteligencia Artificial, aplicando modelos predictivos y analíticos para optimizar la toma de decisiones empresariales” 

Este Máster Título Propio en Inteligencia Artificial contiene el programa universitario más completo y actualizado del mercado. Sus características más destacadas son: 

• El desarrollo de casos prácticos presentados por expertos en Inteligencia Artificial  
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que están concebidos recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional 
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje 
• Su especial hincapié en metodologías innovadoras en la Inteligencia Artificial 
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual 
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet 

Adquirirás las competencias para transformar los retos tecnológicos en oportunidades de innovación mediante soluciones basadas en Inteligencia Artificial” 

Incluye en su cuadro docente a profesionales pertenecientes al ámbito del Inteligencia Artificial, que vierten en este programa la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio. 

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará un estudio inmersivo programado para entrenarse ante situaciones reales. 

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el alumno deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, el profesional contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos. 

Integrarás principios de sostenibilidad y ética en el desarrollo de sistemas inteligentes, aplicando estrategias responsables en tus proyectos de IA"

Accederás a una biblioteca especializada en Inteligencia Artificial disponible las 24 horas, con contenido de alto valor técnico y académico"

Este Máster Título Propio ofrece un itinerario académico diseñado para dotar a los futuros especialistas de un dominio integral de la Inteligencia Artificial. Desde los fundamentos teóricos hasta la implementación de modelos avanzados, el programa abarca minería de datos, redes neuronales, aprendizaje automático y Deep Learning. Los egresados desarrollarán habilidades para diseñar sistemas inteligentes, entrenar modelos con TensorFlow y aplicar técnicas de visión por computadora y procesamiento del lenguaje natural. Además, explorarán estrategias avanzadas como autoencoders y computación bioinspirada, adquiriendo las competencias necesarias para liderar soluciones innovadoras en sectores clave de la industria tecnológica.   

Obtendrás una visión integral del ciclo de vida del dato, desde su adquisición hasta su explotación mediante algoritmos inteligentes” 

Módulo 1. Fundamentos de la Inteligencia Artificial  

1.1. Historia de la Inteligencia Artificial  

1.1.1. ¿Cuándo se empieza a hablar de inteligencia artificial?
1.1.2. Referentes en el cine  
1.1.3. Importancia de la Inteligencia Artificial  
1.1.4. Tecnologías que habilitan y dan soporte a la Inteligencia Artificial  

1.2. La Inteligencia Artificial en juegos  

1.2.1. Teoría de Juegos  
1.2.2. Minimax y poda Alfa-Beta  
1.2.3. Simulación: Monte Carlo  

1.3. Redes de neuronas  

1.3.1. Fundamentos biológicos  
1.3.2. Modelo computacional  
1.3.3. Redes de neuronas supervisadas y no supervisadas  
1.3.4. Perceptrón simple  
1.3.5. Perceptrón multicapa  

1.4. Algoritmos genéticos  

1.4.1. Historia  
1.4.2. Base biológica  
1.4.3. Codificación de problemas  
1.4.4. Generación de la población inicial  
1.4.5. Algoritmo principal y operadores genéticos  
1.4.6. Evaluación de individuos: Fitness  

1.5. Tesauros, vocabularios, taxonomías  

1.5.1. Vocabularios  
1.5.2. Taxonomías  
1.5.3. Tesauros  
1.5.4. Ontologías  
1.5.5. Representación del conocimiento: web semántica  

1.6. Web semántica  

1.6.1. Especificaciones: RDF, RDFS y OWL  
1.6.2. Inferencia/razonamiento  
1.6.3. Linked Data  

1.7. Sistemas expertos y DSS  

1.7.1. Sistemas expertos  
1.7.2. Sistemas de soporte a la decisión  

1.8. Chatbots y Asistentes Virtuales

1.8.1. Tipos de asistentes: asistentes por voz y por texto
1.8.2. Partes fundamentales para el desarrollo de un asistente: Intents, entidades y flujo de diálogo  
1.8.3. Integraciones: web, Slack, Whatsapp, Facebook  
1.8.4. Herramientas de desarrollo de asistentes: Dialog Flow, Watson Assistant

1.9. Estrategia de implantación de IA  
1.10. Futuro de la Inteligencia Artificial

1.10.1. Entendemos cómo detectar emociones mediante algoritmos
1.10.2. Creación de una personalidad: lenguaje, expresiones y contenido
1.10.3. Tendencias de la Inteligencia Artificial
1.10.4. Reflexiones  

Módulo 2. Tipos y ciclo de vida del Dato  

2.1. La Estadística

2.1.1. Estadística: estadística descriptiva, estadística inferencias
2.1.2. Población, muestra, individuo
2.1.3. Variables: definición, escalas de medida

2.2. Tipos de datos estadísticos

2.2.1. Según tipo

2.2.1.1. Cuantitativos: datos continuos y datos discretos
2.2.1.2. Cualitativos: datos binomiales, datos nominales y datos ordinales  

2.2.2. Según su forma 

2.2.2.1. Numérico
2.2.2.2. Texto 
2.2.2.3. Lógico

2.2.3. Según su fuente

2.2.3.1. Primarios
2.2.3.2. Secundarios

2.3. Ciclo de vida de los datos

2.3.1. Etapas del ciclo
2.3.2. Hitos del ciclo
2.3.3. Principios FAIR

2.4. Etapas iniciales del ciclo

2.4.1. Definición de metas
2.4.2. Determinación de recursos necesarios
2.4.3. Diagrama de Gantt
2.4.4. Estructura de los datos

2.5. Recolección de datos

2.5.1. Metodología de recolección
2.5.2. Herramientas de recolección
2.5.3. Canales de recolección

2.6. Limpieza del dato

2.6.1. Fases de la limpieza de datos
2.6.2. Calidad del dato
2.6.3. Manipulación de datos (con R)

2.7. Análisis de datos, interpretación y valoración de resultados

2.7.1. Medidas estadísticas
2.7.2. Índices de relación
2.7.3. Minería de datos

2.8. Almacén del dato (Datawarehouse)

2.8.1. Elementos que lo integran
2.8.2. Diseño
2.8.3. Aspectos a considerar

2.9. Disponibilidad del dato

2.9.1. Acceso
2.9.2. Utilidad
2.9.3. Seguridad

2.10. Aspectos Normativos  

2.10.1. Ley de protección de datos
2.10.2. Buenas prácticas
2.10.3. Otros aspectos normativos

Módulo 3. El dato en la Inteligencia Artificial  

3.1. Ciencia de datos  

3.1.1. La ciencia de datos  
3.1.2. Herramientas avanzadas para el científico de datos  

3.2. Datos, información y conocimiento  

3.2.1. Datos, información y conocimiento
3.2.2. Tipos de datos  
3.2.3. Fuentes de datos  

3.3. De los datos a la información

3.3.1. Análisis de Datos  
3.3.2. Tipos de análisis  
3.3.3. Extracción de Información de un Dataset  

3.4. Extracción de información mediante visualización  

3.4.1. La visualización como herramienta de análisis  
3.4.2. Métodos de visualización
3.4.3. Visualización de un conjunto de datos  

3.5. Calidad de los datos  

3.5.1. Datos de calidad  
3.5.2. Limpieza de datos
3.5.3. Preprocesamiento básico de datos  

3.6. Dataset  

3.6.1. Enriquecimiento del Dataset  
3.6.2. La maldición de la dimensionalidad  
3.6.3. Modificación de nuestro conjunto de datos  

3.7. Desbalanceo

3.7.1. Desbalanceo de clases  
3.7.2. Técnicas de mitigación del desbalanceo  
3.7.3. Balanceo de un Dataset  

3.8. Modelos no supervisados

3.8.1. Modelo no supervisado  
3.8.2. Métodos  
3.8.3. Clasificación con modelos no supervisados  

3.9. Modelos supervisados  

3.9.1. Modelo supervisado  
3.9.2. Métodos  
3.9.3. Clasificación con modelos supervisados  

3.10. Herramientas y buenas prácticas  

3.10.1. Buenas prácticas para un científico de datos  
3.10.2. El mejor modelo
3.10.3. Herramientas útiles  

Módulo 4. Minería de Datos. Selección, preprocesamiento y transformación  

4.1. La inferencia estadística  

4.1.1. Estadística descriptiva vs Inferencia estadística  
4.1.2. Procedimientos paramétricos  
4.1.3. Procedimientos no paramétricos  

4.2. Análisis exploratorio  

4.2.1. Análisis descriptivo
4.2.2. Visualización  
4.2.3. Preparación de datos  

4.3. Preparación de datos  

4.3.1. Integración y limpieza de datos
4.3.2. Normalización de datos  
4.3.3. Transformando atributos

4.4. Los valores perdidos  

4.4.1. Tratamiento de valores perdidos  
4.4.2. Métodos de imputación de máxima verosimilitud  
4.4.3. Imputación de valores perdidos usando aprendizaje automático  

4.5. El ruido en los datos

4.5.1. Clases de ruido y atributos  
4.5.2. Filtrado de ruido
4.5.3. El efecto del ruido  

4.6. La maldición de la dimensionalidad  

4.6.1. Oversampling  
4.6.2. Undersampling  
4.6.3. Reducción de datos multidimensionales  

4.7. De atributos continuos a discretos  

4.7.1. Datos continuos versus discretos  
4.7.2. Proceso de discretización  

4.8. Los datos

4.8.1. Selección de datos
4.8.2. Perspectivas y criterios de selección  
4.8.3. Métodos de selección

4.9. Selección de instancias  

4.9.1. Métodos para la selección de instancias  
4.9.2. Selección de prototipos  
4.9.3. Métodos avanzados para la selección de instancias  

4.10. Preprocesamiento de datos en entornos Big Data  

Módulo 5. Algoritmia y complejidad en Inteligencia Artificial  

5.1. Introducción a las estrategias de diseño de algoritmos  

5.1.1. Recursividad  
5.1.2. Divide y conquista  
5.1.3. Otras estrategias  

5.2. Eficiencia y análisis de los algoritmos  

5.2.1. Medidas de eficiencia  
5.2.2. Medir el tamaño de la entrada  
5.2.3. Medir el tiempo de ejecución  
5.2.4. Caso peor, mejor y medio  
5.2.5. Notación asintónica  
5.2.6. Criterios de Análisis matemático de algoritmos no recursivos  
5.2.7. Análisis matemático de algoritmos recursivos  
5.2.8. Análisis empírico de algoritmos  

5.3. Algoritmos de ordenación  

5.3.1. Concepto de ordenación  
5.3.2. Ordenación de la burbuja  
5.3.3. Ordenación por selección  
5.3.4. Ordenación por inserción  
5.3.5. Ordenación por mezcla (Merge_Sort)  
5.3.6. Ordenación rápida (Quick_Sort)  

5.4. Algoritmos con árboles  

5.4.1. Concepto de árbol  
5.4.2. Árboles binarios  
5.4.3. Recorridos de árbol  
5.4.4. Representar expresiones  
5.4.5. Árboles binarios ordenados  
5.4.6. Árboles binarios balanceados  

5.5. Algoritmos con Heaps  

5.5.1. Los Heaps  
5.5.2. El algoritmo Heapsort  
5.5.3. Las colas de prioridad  

5.6. Algoritmos con grafos  

5.6.1. Representación  
5.6.2. Recorrido en anchura  
5.6.3. Recorrido en profundidad  
5.6.4. Ordenación topológica  

5.7. Algoritmos Greedy  

5.7.1. La estrategia Greedy  
5.7.2. Elementos de la estrategia Greedy  
5.7.3. Cambio de monedas  
5.7.4. Problema del viajante  
5.7.5. Problema de la mochila  

5.8. Búsqueda de caminos mínimos  

5.8.1. El problema del camino mínimo  
5.8.2. Arcos negativos y ciclos  
5.8.3. Algoritmo de Dijkstra  

5.9. Algoritmos Greedy sobre grafos  

5.9.1. El árbol de recubrimiento mínimo  
5.9.2. El algoritmo de Prim  
5.9.3. El algoritmo de Kruskal  
5.9.4. Análisis de complejidad  

5.10. Backtracking  

5.10.1. El Backtracking  
5.10.2. Técnicas alternativas  

Módulo 6. Sistemas inteligentes  

6.1. Teoría de agentes  

6.1.1. Historia del concepto  
6.1.2. Definición de agente  
6.1.3. Agentes en Inteligencia Artificial  
6.1.4. Agentes en ingeniería de Software  

6.2. Arquitecturas de agentes  

6.2.1. El proceso de razonamiento de un agente  
6.2.2. Agentes reactivos  
6.2.3. Agentes deductivos  
6.2.4. Agentes híbridos  
6.2.5. Comparativa  

6.3. Información y conocimiento  

6.3.1. Distinción entre datos, información y conocimiento  
6.3.2. Evaluación de la calidad de los datos  
6.3.3. Métodos de captura de datos  
6.3.4. Métodos de adquisición de información  
6.3.5. Métodos de adquisición de conocimiento  

6.4. Representación del conocimiento  

6.4.1. La importancia de la representación del conocimiento  
6.4.2. Definición de representación del conocimiento a través de sus roles  
6.4.3. Características de una representación del conocimiento  

6.5. Ontologías  

6.5.1. Introducción a los metadatos  
6.5.2. Concepto filosófico de ontología  
6.5.3. Concepto informático de ontología  
6.5.4. Ontologías de dominio y ontologías de nivel superior  
6.5.5. ¿Cómo construir una ontología?  

6.6. Lenguajes para ontologías y Software para la creación de ontologías  

6.6.1. Tripletas RDF, Turtle y N  
6.6.2. RDF Schema  
6.6.3. OWL  
6.6.4. SPARQL  
6.6.5. Introducción a las diferentes herramientas para la creación de ontologías  
6.6.6. Instalación y uso de Protégé  

6.7. La web semántica  

6.7.1. El estado actual y futuro de la web semántica  
6.7.2. Aplicaciones de la web semántica  

6.8. Otros modelos de representación del conocimiento  

6.8.1. Vocabularios  
6.8.2. Visión global  
6.8.3. Taxonomías  
6.8.4. Tesauros  
6.8.5. Folksonomías  
6.8.6. Comparativa  
6.8.7. Mapas mentales  

6.9. Evaluación e integración de representaciones del conocimiento  

6.9.1. Lógica de orden cero  
6.9.2. Lógica de primer orden  
6.9.3. Lógica descriptiva  
6.9.4. Relación entre diferentes tipos de lógica  
6.9.5. Prolog: programación basada en lógica de primer orden  

6.10. Razonadores semánticos, sistemas basados en conocimiento y Sistemas Expertos  

6.10.1. Concepto de razonador  
6.10.2. Aplicaciones de un razonador  
6.10.3. Sistemas basados en el conocimiento  
6.10.4. MYCIN, historia de los Sistemas Expertos  
6.10.5. Elementos y Arquitectura de Sistemas Expertos  
6.10.6. Creación de Sistemas Expertos  

Módulo 7. Aprendizaje automático y minería de datos  

7.1. Introducción a los procesos de descubrimiento del conocimiento y conceptos básicos de aprendizaje automático  

7.1.1. Conceptos clave de los procesos de descubrimiento del conocimiento  
7.1.2. Perspectiva histórica de los procesos de descubrimiento del conocimiento  
7.1.3. Etapas de los procesos de descubrimiento del conocimiento  
7.1.4. Técnicas utilizadas en los procesos de descubrimiento del conocimiento  
7.1.5. Características de los buenos modelos de aprendizaje automático  
7.1.6. Tipos de información de aprendizaje automático  
7.1.7. Conceptos básicos de aprendizaje  
7.1.8. Conceptos básicos de aprendizaje no supervisado  

7.2. Exploración y preprocesamiento de datos  

7.2.1. Tratamiento de datos  
7.2.2. Tratamiento de datos en el flujo de análisis de datos  
7.2.3. Tipos de datos  
7.2.4. Transformaciones de datos  
7.2.5. Visualización y exploración de variables continuas  
7.2.6. Visualización y exploración de variables categóricas  
7.2.7. Medidas de correlación  
7.2.8. Representaciones gráficas más habituales  
7.2.9. Introducción al análisis multivariante y a la reducción de dimensiones  

7.3. Árboles de decisión  

7.3.1. Algoritmo ID  
7.3.2. Algoritmo C  
7.3.3. Sobreentrenamiento y poda  
7.3.4. Análisis de resultados  

7.4. Evaluación de clasificadores  

7.4.1. Matrices de confusión  
7.4.2. Matrices de evaluación numérica  
7.4.3. Estadístico de Kappa  
7.4.4. La curva ROC  

7.5. Reglas de clasificación  

7.5.1. Medidas de evaluación de reglas  
7.5.2. Introducción a la representación gráfica  
7.5.3. Algoritmo de recubrimiento secuencial  

7.6. Redes neuronales  

7.6.1. Conceptos básicos  
7.6.2. Redes de neuronas simples  
7.6.3. Algoritmo de Backpropagation  
7.6.4. Introducción a las redes neuronales recurrentes  

7.7. Métodos bayesianos  

7.7.1. Conceptos básicos de probabilidad  
7.7.2. Teorema de Bayes  
7.7.3. Naive Bayes  
7.7.4. Introducción a las redes bayesianas  

7.8. Modelos de regresión y de respuesta continua  

7.8.1. Regresión lineal simple  
7.8.2. Regresión lineal múltiple  
7.8.3. Regresión logística  
7.8.4. Árboles de regresión  
7.8.5. Introducción a las máquinas de soporte vectorial (SVM)  
7.8.6. Medidas de bondad de ajuste  

7.9. Clustering  

7.9.1. Conceptos básicos  
7.9.2. Clustering jerárquico  
7.9.3. Métodos probabilistas  
7.9.4. Algoritmo EM  
7.9.5. Método B-Cubed  
7.9.6. Métodos implícitos  

7.10 Minería de textos y procesamiento de lenguaje natural (NLP)  

7.10.1. Conceptos básicos  
7.10.2. Creación del corpus  
7.10.3. Análisis descriptivo  
7.10.4. Introducción al análisis de sentimientos   

Módulo 8. Las redes neuronales, base de Deep Learning  

8.1. Aprendizaje Profundo  

8.1.1. Tipos de aprendizaje profundo  
8.1.2. Aplicaciones del aprendizaje profundo  
8.1.3. Ventajas y desventajas del aprendizaje profundo  

8.2. Operaciones  

8.2.1. Suma  
8.2.2. Producto  
8.2.3. Traslado  

8.3. Capas  

8.3.1. Capa de entrada  
8.3.2. Capa oculta  
8.3.3. Capa de salida  

8.4. Unión de Capas y Operaciones  

8.4.1. Diseño de arquitecturas  
8.4.2. Conexión entre capas  
8.4.3. Propagación hacia adelante  

8.5. Construcción de la primera red neuronal  

8.5.1. Diseño de la red  
8.5.2. Establecer los pesos  
8.5.3. Entrenamiento de la red  

8.6. Entrenador y Optimizador  

8.6.1. Selección del optimizador  
8.6.2. Establecimiento de una función de pérdida  
8.6.3. Establecimiento de una métrica  

8.7. Aplicación de los Principios de las Redes Neuronales  

8.7.1. Funciones de activación  
8.7.2. Propagación hacia atrás  
8.7.3. Ajuste de los parámetros  

8.8. De las neuronas biológicas a las artificiales  

8.8.1. Funcionamiento de una neurona biológica  
8.8.2. Transferencia de conocimiento a las neuronas artificiales  
8.8.3. Establecer relaciones entre ambas  

8.9. Implementación de MLP (Perceptrón multicapa) con Keras  

8.9.1. Definición de la estructura de la red  
8.9.2. Compilación del modelo  
8.9.3. Entrenamiento del modelo  

8.10. Hiperparámetros de Fine tuning de Redes Neuronales  

8.10.1. Selección de la función de activación  
8.10.2. Establecer el Learning rate  
8.10. 3. Ajuste de los pesos  

Módulo 9. Entrenamiento de redes neuronales profundas  

9.1. Problemas de Gradientes  

9.1.1. Técnicas de optimización de gradiente  
9.1.2. Gradientes Estocásticos  
9.1.3. Técnicas de inicialización de pesos  

9.2. Reutilización de capas preentrenadas  

9.2.1. Entrenamiento de transferencia de aprendizaje  
9.2.2. Extracción de características  
9.2.3. Aprendizaje profundo  

9.3. Optimizadores  

9.3.1. Optimizadores de descenso de gradiente estocástico  
9.3.2. Optimizadores Adam y RMSprop  
9.3.3. Optimizadores de momento  

9.4. Programación de la tasa de aprendizaje  

9.4.1. Control de tasa de aprendizaje automático  
9.4.2. Ciclos de aprendizaje  
9.4.3. Términos de suavizado  

9.5. Sobreajuste  

9.5.1. Validación cruzada  
9.5.2. Regularización  
9.5.3. Métricas de evaluación  

9.6. Directrices Prácticas  

9.6.1. Diseño de modelos  
9.6.2. Selección de métricas y parámetros de evaluación  
9.6.3. Pruebas de hipótesis  

9.7. Transfer Learning  

9.7.1. Entrenamiento de transferencia de aprendizaje  
9.7.2. Extracción de características  
9.7.3. Aprendizaje profundo  

9.8. Data Augmentation  

9.8.1. Transformaciones de imagen  
9.8.2. Generación de datos sintéticos  
9.8.3. Transformación de texto  

9.9. Aplicación Práctica de Transfer Learning  

9.9.1. Entrenamiento de transferencia de aprendizaje  
9.9.2. Extracción de características  
9.9.3. Aprendizaje profundo  

9.10. Regularización  

9.10.1. L y L  
9.10.2. Regularización por máxima entropía  
9.10.3. Dropout  

Módulo 10. Personalización de Modelos y entrenamiento con TensorFlow  

10.1. TensorFlow  

10.1.1. Uso de la biblioteca TensorFlow  
10.1.2. Entrenamiento de modelos con TensorFlow  
10.1.3. Operaciones con gráficos en TensorFlow  

10.2. TensorFlow  y NumPy  

10.2.1. Entorno computacional NumPy para TensorFlow  
10.2.2. Utilización de los arrays NumPy con TensorFlow  
10.2.3. Operaciones NumPy para los gráficos de TensorFlow  

10.3. Personalización de modelos y algoritmos de entrenamiento  

10.3.1. Construcción de modelos personalizados con TensorFlow  
10.3.2. Gestión de parámetros de entrenamiento  
10.3.3. Utilización de técnicas de optimización para el entrenamiento  

10.4. Funciones y gráficos de TensorFlow   

10.4.1. Funciones con TensorFlow  
10.4.2. Utilización de gráficos para el entrenamiento de modelos  
10.4.3. Optimización de gráficos con operaciones de TensorFlow    

10.5. Carga y preprocesamiento de datos con TensorFlow  

10.5.1. Carga de conjuntos de datos con TensorFlow  
10.5.2. Preprocesamiento de datos con TensorFlow  
10.5.3. Utilización de herramientas de TensorFlow  para la manipulación de datos  

10.6. La API tfdata  

10.6.1. Utilización de la API tfdata para el procesamiento de datos  
10.6.2. Construcción de flujos de datos con tfdata  
10.6.3. Uso de la API tfdata para el entrenamiento de modelos  

10.7. El formato TFRecord  

10.7.1. Utilización de la API TFRecord para la serialización de datos  
10.7.2. Carga de archivos TFRecord con TensorFlow
10.7.3. Utilización de archivos TFRecord para el entrenamiento de modelos  

10.8. Capas de preprocesamiento de Keras  

10.8.1. Utilización de la API de preprocesamiento de Keras  
10.8.2. Construcción de pipelined de preprocesamiento con Keras  
10.8.3. Uso de la API de preprocesamiento de Keras para el entrenamiento de modelos  

10.9. El proyecto TensorFlow Datasets  

10.9.1. Utilización de TensorFlow Datasets para la carga de datos  
10.9.2. Preprocesamiento de datos con TensorFlow Datasets  
10.9.3. Uso de TensorFlow Datasets para el entrenamiento de modelos  

10.10. Construcción de una Aplicación de Deep Learning conTensorFlow

10.10.1. Aplicación Práctica  
10.10.2. Construcción de una aplicación de Deep Learning con TensorFlow  
10.10.3. Entrenamiento de un modelo con TensorFlow  
10.10.4. Utilización de la aplicación para la predicción de resultados  

Módulo 11. Deep Computer Vision con Redes Neuronales Convolucionales  

11.1. La Arquitectura Visual Cortex  

11.1.1. Funciones de la corteza visual  
11.1.2. Teorías de la visión computacional  
11.1.3. Modelos de procesamiento de imágenes  

11.2. Capas convolucionales  

11.2.1 Reutilización de pesos en la convolución  
11.2.2. Convolución D  
11.2.3. Funciones de activación  

11.3. Capas de agrupación e implementación de capas de agrupación con Keras  

11.3.1. Pooling y Striding  
11.3.2. Flattening  
11.3.3. Tipos de Pooling  

11.4. Arquitecturas CNN  

11.4.1. Arquitectura VGG  
11.4.2. Arquitectura AlexNet  
11.4.3. Arquitectura ResNet  

11.5. Implementación de una CNN ResNet- usando Keras  

11.5.1. Inicialización de pesos  
11.5.2. Definición de la capa de entrada  
11.5.3. Definición de la salida  

11.6. Uso de modelos preentrenados de Keras  

11.6.1. Características de los modelos preentrenados  
11.6.2. Usos de los modelos preentrenados  
11.6.3. Ventajas de los modelos preentrenados  

11.7. Modelos preentrenados para el aprendizaje por transferencia  

11.7.1. El Aprendizaje por transferencia  
11.7.2. Proceso de aprendizaje por transferencia  
11.7.3. Ventajas del aprendizaje por transferencia  

11.8. Clasificación y Localización en Deep Computer Vision  

11.8.1. Clasificación de imágenes  
11.8.2. Localización de objetos en imágenes  
11.8.3. Detección de objetos  

11.9. Detección de objetos y seguimiento de objetos  

11.9.1. Métodos de detección de objetos  
11.9.2. Algoritmos de seguimiento de objetos  
11.9.3. Técnicas de rastreo y localización  

11.10. Segmentación semántica  

11.10.1. Aprendizaje profundo para segmentación semántica  
11.10.2. Detección de bordes  
11.10.3. Métodos de segmentación basados en reglas  

Módulo 12. Procesamiento del lenguaje natural (NLP) con Redes Naturales Recurrentes (RNN) y Atención  

12.1. Generación de texto utilizando RNN  

12.1.1. Entrenamiento de una RNN para generación de texto  
12.1.2. Generación de lenguaje natural con RNN  
12.1.3. Aplicaciones de generación de texto con RNN  

12.2. Creación del conjunto de datos de entrenamiento  

12.2.1. Preparación de los datos para el entrenamiento de una RNN  
12.2.2. Almacenamiento del conjunto de datos de entrenamiento  
12.2.3. Limpieza y transformación de los datos  
12.2.4. Análisis de Sentimiento  

12.3. Clasificación de opiniones con RNN  

12.3.1. Detección de temas en los comentarios  
12.3.2. Análisis de sentimiento con algoritmos de aprendizaje profundo  

12.4. Red de codificador-decodificador para la traducción automática neuronal  

12.4.1. Entrenamiento de una RNN para la traducción automática  
12.4.2. Uso de una red encoder-decoder para la traducción automática  
12.4.3. Mejora de la precisión de la traducción automática con RNN  

12.5. Mecanismos de atención  

12.5.1. Aplicación de mecanismos de atención en RNN  
12.5.2. Uso de mecanismos de atención para mejorar la precisión de los modelos  
12.5.3. Ventajas de los mecanismos de atención en las redes neuronales  

12.6. Modelos Transformers 

12.6.1. Uso de los modelos Transformers para procesamiento de lenguaje natural  
12.6.2. Aplicación de los modelos Transformers para visión  
12.6.3. Ventajas de los modelos Transformers  

12.7. Transformers para visión  

12.7.1. Uso de los modelos Transformers para visión  
12.7.2. Preprocesamiento de los datos de imagen  
12.7.3. Entrenamiento de un modelo Transformers para visión  

12.8. Librería de Transformers de Hugging Face  

12.8.1. Uso de la librería de Transformers de Hugging Face  
12.8.2. Aplicación de la librería de Transformers de Hugging Face  
12.8.3. Ventajas de la librería de Transformers de Hugging Face  

12.9. Otras Librerías de Transformers. Comparativa  

12.9.1. Comparación entre las distintas librerías de Transformers  
12.9.2. Uso de las demás librerías de Transformers 
12.9.3. Ventajas de las demás librerías de Transformers  

12.10. Desarrollo de una Aplicación de NLP con RNN y Atención. Aplicación Práctica  

12.10.1. Desarrollo de una aplicación de procesamiento de lenguaje natural con RNN y atención  
12.10.2. Uso de RNN, mecanismos de atención y modelos Transformers en la aplicación  
12.10.3. Evaluación de la aplicación práctica  

Módulo 13. Autoencoders, GANs, y Modelos de Difusión  

13.1. Representaciones de datos eficientes  

13.1.1. Reducción de dimensionalidad  
13.1.2. Aprendizaje profundo  
13.1.3. Representaciones compactas  

13.2. Realización de PCA con un codificador automático lineal incompleto  

13.2.1. Proceso de entrenamiento  
13.2.2. Implementación en Python  
13.2.3. Utilización de datos de prueba  

13.3. Codificadores automáticos apilados  

13.3.1. Redes neuronales profundas  
13.3.2. Construcción de arquitecturas de codificación  
13.3.3. Uso de la regularización  

13.4. Autocodificadores convolucionales  

13.4.1. Diseño de modelos convolucionales  
13.4.2. Entrenamiento de modelos convolucionales  
13.4.3. Evaluación de los resultados  

13.5. Eliminación de ruido de codificadores automáticos  

13.5.1. Aplicación de filtros  
13.5.2. Diseño de modelos de codificación  
13.5.3. Uso de técnicas de regularización  

13.6. Codificadores automáticos dispersos  

13.6.1. Incrementar la eficiencia de la codificación  
13.6.2. Minimizando el número de parámetros  
13.6.3. Utilización de técnicas de regularización  

13.7. Codificadores automáticos variacionales  

13.7.1. Utilización de optimización variacional  
13.7.2. Aprendizaje profundo no supervisado  
13.7.3. Representaciones latentes profundas  

13.8. Generación de imágenes MNIST de moda  

13.8.1. Reconocimiento de patrones  
13.8.2. Generación de imágenes  
13.8.3. Entrenamiento de redes neuronales profundas  

13.9. Redes adversarias generativas y modelos de difusión  

13.9.1. Generación de contenido a partir de imágenes  
13.9.2. Modelado de distribuciones de datos  
13.9.3. Uso de redes adversarias  

13.10 Implementación de los Modelos  

13.10.1. Aplicación Práctica  
13.10.2. Implementación de los modelos  
13.10.3. Uso de datos reales  
13.10.4. Evaluación de los resultados  

Módulo 14. Computación bioinspirada

14.1. Introducción a la computación bioinspirada  

14.1.1. Introducción a la computación bioinspirada  

14.2. Algoritmos de adaptación social  

14.2.1. Computación bioinspirada basada en colonia de hormigas  
14.2.2. Variantes de los algoritmos de colonias de hormigas  
14.2.3. Computación basada en nubes de partículas  

14.3. Algoritmos genéticos  

14.3.1. Estructura general  
14.3.2. Implementaciones de los principales operadores  

14.4. Estrategias de exploración-explotación del espacio para algoritmos genéticos  

14.4.1. Algoritmo CHC  
14.4.2. Problemas multimodales  

14.5. Modelos de computación evolutiva (I)  

14.5.1. Estrategias evolutivas  
14.5.2. Programación evolutiva  
14.5.3. Algoritmos basados en evolución diferencial  

14.6. Modelos de computación evolutiva (II)  

14.6.1. Modelos de evolución basados en estimación de distribuciones (EDA)  
14.6.2. Programación genética  

14.7. Programación evolutiva aplicada a problemas de aprendizaje  

14.7.1. Aprendizaje basado en reglas  
14.7.2. Métodos evolutivos en problemas de selección de instancias  

14.8. Problemas multiobjetivo  

14.8.1. Concepto de dominancia  
14.8.2. Aplicación de algoritmos evolutivos a problemas multiobjetivo  

14.9. Redes neuronales (I)  

14.9.1. Introducción a las redes neuronales  
14.9.2. Ejemplo práctico con redes neuronales  

14.10. Redes neuronales (II)  

14.10.1. Casos de uso de las redes neuronales en la investigación médica  
14.10.2. Casos de uso de las redes neuronales en la economía  
14.10.3. Casos de uso de las redes neuronales en la visión artificial  

Módulo 15. Inteligencia Artificial: estrategias y aplicaciones

15.1. Servicios financieros  

15.1.1. Las implicaciones de la Inteligencia Artificial (IA) en los servicios financieros. Oportunidades y desafíos
15.1.2. Casos de uso
15.1.3. Riesgos potenciales relacionados con el uso de IA  
15.1.4. Potenciales desarrollos / usos futuros de la IA  

15.2. Implicaciones de la Inteligencia Artificial en el servicio sanitario

15.2.1. Implicaciones de la IA en el sector sanitario. Oportunidades y desafíos
15.2.2. Casos de uso  

15.3. Riesgos Relacionados con el uso de la IA en el servicio sanitario  

15.3.1. Riesgos potenciales relacionados con el uso de IA  
15.3.2. Potenciales desarrollos / usos futuros de la IA

15.4. Retail

15.4.1. Implicaciones de la IA en Retail. Oportunidades y desafíos
15.4.2. Casos de uso
15.4.3. Riesgos potenciales relacionados con el uso de IA
15.4.4. Potenciales desarrollos / usos futuros de la IA  

15.5. Industria 

15.5.1. Implicaciones de la IA en la Industria. Oportunidades y desafíos  
15.5.2. Casos de uso  

15.6. Riesgos potenciales relacionados con el uso de IA en la Industria 

15.6.1. Casos de uso  
15.6.2. Riesgos potenciales relacionados con el uso de IA  
15.6.3. Potenciales desarrollos / usos futuros de la IA

15.7. Administración Pública

15.7.1. Implicaciones de la IA en la Administración Pública. Oportunidades y desafíos  
15.7.2. Casos de uso
15.7.3. Riesgos potenciales relacionados con el uso de IA
15.7.4. Potenciales desarrollos / usos futuros de la IA

15.8. Educación

15.8.1. Implicaciones de la IA en la educación. Oportunidades y desafíos  
15.8.2. Casos de uso
15.8.3. Riesgos potenciales relacionados con el uso de IA
15.8.4. Potenciales desarrollos / usos futuros de la IA  

15.9. Silvicultura y agricultura

15.9.1. Implicaciones de la IA en la silvicultura y la agricultura. Oportunidades y desafíos
15.9.2. Casos de uso  
15.9.3. Riesgos potenciales relacionados con el uso de IA  
15.9.4. Potenciales desarrollos / usos futuros de la IA

15.10. Recursos Humanos

15.10.1. Implicaciones de la IA en los Recursos Humanos. Oportunidades y desafíos  
15.10.2. Casos de uso
15.10.3. Riesgos potenciales relacionados con el uso de IA
15.10.4. Potenciales desarrollos / usos futuros de la IA

Implementarás soluciones inteligentes que respondan a problemas reales con modelos de IA entrenados en entornos simulados y datos reales”