Por medio de este Máster Título Propio 100% online, dominarás las técnicas más innovadoras de Inteligencia Artificial para optimizar los diferentes procesos en el Departamento de Recursos Humanos” 

La Inteligencia Artificial ha revolucionado el ámbito empresarial, transformando la gestión del talento y la eficiencia operativa en los Departamentos de Recursos Humanos. Actualmente, el 75% de las empresas utilizan sistemas inteligentes para automatizar procesos de selección, optimizar la administración de nóminas y mejorar la retención del talento. Sin embargo, a medida que la digitalización avanza, los profesionales se enfrentan al reto de incorporar nuevas herramientas tecnológicas que les permitan mejorar la toma de decisiones y garantizar un entorno laboral más eficiente y equitativo. 

Ante este panorama, TECH presenta un innovador Máster Título Propio en Inteligencia Artificial en el Departamento de Recursos Humanos. El plan de estudios ahondará en aspectos como la automatización de procesos, uso de análisis predictivo para la gestión del talento y la personalización del desarrollo profesional. También, el temario proporcionará a los alumnos estrategias de vanguardia para eliminar sesgos en la selección de personal y mejorar la experiencia de los empleados. En sintonía con esto, los materiales didácticos ahondarán en el uso de software de última generación para optimizar la toma de decisiones estratégicas informadas. Gracias a esto, los egresados podrán implementar sistemas inteligentes que maximicen la eficiencia organizativa y liderar proyectos innovadores en la transformación digital en Recursos Humanos. 

Por otro lado, TECH ofrece una cómoda modalidad 100% online que permite a los alumnos combinar sus estudios con sus responsabilidades profesionales y personales. Asimismo, el contenido está disponible las 24 horas del día, con acceso desde cualquier dispositivo con conexión a Internet. Además, emplea su disruptiva metodología Relearning, que optimiza la adquisición de conocimientos clave mediante la reiteración, facilitando un aprendizaje más dinámico y efectivo.

Gracias a la membresía en la Economics and Business Education Association (EBEA), el egresado accederá a publicaciones, recursos digitales y seminarios online para mantenerse actualizado. Asimismo, podrá participar en conferencias anuales y optar al reconocimiento profesional EBEA, impulsando su crecimiento y excelencia profesional en economía y negocios.

Utilizarás sistemas inteligentes para crear un clima organizacional productivo e incrementar la satisfacción laboral de los empleados” 

Este Máster Título Propio en Inteligencia Artificial en el Departamento de Recursos Humanos 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 en Departamento de Recursos Humanos
• 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
• 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

Manejarás técnicas vanguardistas de análisis predictivo para mejorar la gestión del talento, anticipando necesidades de contratación y previniendo la rotación de empleados clave” 

Incluye en su cuadro docente a profesionales pertenecientes al ámbito de la Inteligencia Artificial en Departamento de Recursos Humanos, 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.

Aplicarás técnicas de minería de datos para analizar el clima laboral, detectando problemas antes de que afecten la productividad y el bienestar organizacional"

Implementarás chatbots para resolver dudas en tiempo real y optimizar la comunicación interna en las entidades"

Los materiales didácticos de este Máster Título Propio han sido desarrollados por un equipo de especialistas en Inteligencia Artificial aplicada a Recursos Humanos. Así, el plan de estudios aborda desde el uso de linked data para estructurar información hasta la aplicación de sistemas expertos y herramientas de soporte a la decisión en la optimización de procesos empresariales. Además, profundiza en el diseño y desarrollo de asistentes virtuales, incluyendo su configuración mediante flujos de diálogo. Con ello, los egresados podrán aplicar soluciones de aprendizaje automático para mejorar la eficiencia y toma de decisiones estratégicas en Recursos Humanos.

Desarrollarás modelos de Inteligencia Artificial que eliminan sesgos en la selección y evaluación de desempeño, garantizando procesos equitativos en las empresas” 

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 con TensorFlow 

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 

Módulo 16. Administración de personal y nóminas con Inteligencia Artificial 

16.1. Inteligencia Artificial para la diversidad y la inclusión en el lugar de trabajo

16.1.1. Análisis de diversidad utilizando IBM Watson para detectar tendencias y sesgos 
16.1.2. Herramientas de IA para la detección y corrección de sesgos en procesos de RRHH 
16.1.3. Evaluación del impacto de las políticas de inclusión mediante análisis de datos 

16.2. Fundamentos de la administración de personal con IA

16.2.1. Automatización de procesos de contratación y onboarding 
16.2.2. Uso de sistemas de gestión de datos del personal basados en IA 
16.2.3. Mejora de la experiencia del empleado mediante plataformas inteligentes 

16.3. Tecnologías de IA aplicadas a nóminas

16.3.1. Sistemas de IA para el cálculo automático de nóminas 
16.3.2. Gestión inteligente de beneficios con plataformas como Gusto 
16.3.3. Detección de errores y fraudes en nóminas mediante algoritmos de IA 

16.4. Optimización de la asignación de recursos con IA 

16.4.1. Planificación de personal con herramientas predictivas de Kronos 
16.4.2. Modelos de IA para la optimización de turnos y asignación de tareas 
16.4.3. Análisis de carga de trabajo y distribución de recursos con Power BI 

16.5. IA en el cumplimiento normativo y legal en RRHH

16.5.1. Automatización del cumplimiento de políticas laborales 
16.5.2. Sistemas de IA para asegurar la equidad y transparencia en RRHH 
16.5.3. Gestión de contratos y regulaciones con IBM Watson Legal Advisor 

16.6. Análisis predictivo en la gestión de personal 

16.6.1. Modelos predictivos para retención de empleados con AI de Retain 
16.6.2. Análisis de sentimientos en comunicaciones internas 
16.6.3. Predicción de necesidades de capacitación y desarrollo 

16.7. Automatización de la gestión de beneficios con IA 

16.7.1. Administración de beneficios mediante plataformas inteligentes como Zenefits 
16.7.2. Personalización de paquetes de beneficios usando IA 
16.7.3. Optimización de costes de beneficios mediante análisis de datos 

16.8. Integración de sistemas de RRHH con IA 

16.8.1. Sistemas integrados para gestión de personal con Salesforce Einstein 
16.8.2. Interfaz y usabilidad en sistemas de RRHH basados en IA 
16.8.3. Seguridad de datos y privacidad en sistemas integrados 

16.9. Formación y desarrollo de personal con apoyo de IA 

16.9.1. Sistemas de aprendizaje adaptativo y personalizado 
16.9.2. Plataformas de e-Learning impulsadas por IA 
16.9.3. Evaluación y seguimiento del rendimiento mediante tecnologías inteligentes 

16.10. Gestión de crisis y cambio con IA en RRHH 

16.10.1. Uso de IA para la gestión efectiva de cambios organizacionales 
16.10.2. Herramientas de predicción para preparación ante crisis con Predictive Layer 
16.10.3. Análisis de datos para evaluar y adaptar estrategias de RRHH en tiempos de crisis 

Módulo 17. Procesos de selección e Inteligencia Artificial 

17.1. Introducción a la aplicación de Inteligencia Artificial en selección de personal 

17.1.1. Definición de Inteligencia Artificial en el contexto de Recursos Humanos. Entelo 
17.1.2. Importancia de aplicar IA en los procesos selectivos 
17.1.3. Beneficios de utilizar IA en los procesos de selección 

17.2. Automatización de tareas en el proceso de reclutamiento 

17.2.1. Uso de IA para la automatización de la publicación de ofertas de trabajo 
17.2.2. Implementación de chatbots para responder preguntas frecuentes de los candidatos 
17.2.3. Herramientas. XOR 

17.3. Análisis de currículums vitae con IA 

17.3.1. Utilización de algoritmos de IA para analizar y evaluar currículums vitae. Talview 
17.3.2. Identificación automática de habilidades y experiencia relevantes para el puesto 
17.3.3. Ventajas e inconvenientes 

17.4. Filtrado y clasificación de candidatos 

17.4.1. Aplicación de IA para el filtrado automático de candidatos basado en criterios específicos. Vervoe 
17.4.2. Clasificación de candidatos según su idoneidad para el puesto utilizando técnicas de aprendizaje automático 
17.4.3. Uso de IA para la personalización dinámica de criterios de filtrado según las necesidades del puesto 

17.5. Reconocimiento de patrones en redes sociales y plataformas profesionales 

17.5.1. Uso de IA para analizar perfiles de candidatos en redes sociales y plataformas profesionales 
17.5.2. Identificación de patrones de comportamiento y tendencias relevantes para la selección 
17.5.3. Evaluación de la presencia online y la influencia digital de los candidatos utilizando herramientas de IA 

17.6. Entrevistas virtuales asistidas por IA 

17.6.1. Implementación de sistemas de entrevistas virtuales con análisis de lenguaje y emociones. Talentobe
17.6.2. Evaluación automática de respuestas de los candidatos utilizando técnicas de procesamiento de lenguaje natural 
17.6.3. Desarrollo de feedback automático y personalizado para candidatos basado en análisis de IA de las entrevistas 

17.7. Evaluación de habilidades y competencias 

17.7.1. Utilización de herramientas de evaluación basadas en IA para medir habilidades técnicas y blandas. OutMatch 
17.7.2. Análisis automático de pruebas y ejercicios de evaluación realizados por los candidatos. Harver 
17.7.3. Correlación de resultados de evaluaciones con éxito en el puesto mediante análisis predictivo de IA 

17.8. Eliminación de sesgos en la selección 

17.8.1. Aplicación de IA para identificar y mitigar sesgos inconscientes en el proceso de selección 
17.8.2. Implementación de algoritmos de IA imparciales y equitativos en la toma de decisiones 
17.8.3. Entrenamiento y ajuste continuo de modelos de IA para garantizar la equidad en la selección de personal 

17.9. Predicción de adecuación y retención 

17.9.1. Uso de modelos predictivos de IA para predecir la adecuación y la probabilidad de retención de los candidatos. Hireez 
17.9.2. Análisis de datos históricos y métricas de desempeño para identificar patrones de éxito 
17.9.3. Modelos de IA para la simulación de escenarios laborales y su impacto en la retención de candidatos 

17.10. Ética y transparencia en la selección con IA 

17.10.1. Consideraciones éticas en el uso de IA en los procesos de selección de personal 
17.10.2. Garantía de transparencia y explicabilidad en los algoritmos de IA utilizados en la toma de decisiones de contratación 
17.10.3. Desarrollo de políticas de auditoría y revisión de decisiones automatizadas 

Módulo 18. Inteligencia Artificial y su aplicación en la gestión del talento y desarrollo profesional 

18.1. Introducción a la aplicación de IA en gestión del talento y desarrollo profesional 

18.1.1. Evolución histórica de la IA en la gestión del talento y cómo ha transformado el sector 
18.1.2. Definición de Inteligencia Artificial en el contexto de Recursos Humanos 
18.1.3. Importancia de la gestión del talento y el desarrollo profesional. Glint 

18.2. Automatización de procesos de gestión del talento 

18.2.1. Uso de IA para la automatización de tareas administrativas en la gestión del talento 
18.2.2. Implementación de sistemas de gestión de talento basados en IA 
18.2.3. Evaluación de la eficacia operativa y reducción de costes mediante la automatización con IA 

18.3. Identificación y retención del talento con IA 

18.3.1. Utilización de algoritmos de IA para identificar y retener talento en la organización 
18.3.2. Análisis predictivo para la detección de empleados con alto potencial de crecimiento 
18.3.3. Integración de IA con sistemas de gestión de Recursos Humanos para seguimiento continuo del desempeño y desarrollo 

18.4. Personalización del desarrollo profesional. Leader Amp 

18.4.1. Implementación de programas de desarrollo profesional personalizados basados en IA 
18.4.2. Uso de algoritmos de recomendación para sugerir oportunidades de aprendizaje y crecimiento 
18.4.3. Adaptación de los itinerarios de desarrollo profesional a las predicciones de evolución del mercado laboral utilizando IA 

18.5. Análisis de competencias y gaps de habilidades 

18.5.1. Utilización de IA para analizar las competencias y habilidades actuales de los empleados 
18.5.2. Identificación de brechas de habilidades y necesidades de formación mediante análisis de datos 
18.5.3. Implementación de programas de capacitación en tiempo real basados en las recomendaciones automáticas de IA 

18.6. Mentoría y coaching virtual 

18.6.1. Implementación de sistemas de mentoría virtual asistidos por IA. Crystal 
18.6.2. Uso de chatbots y asistentes virtuales para proporcionar coaching personalizado 
18.6.3. Evaluación de impacto del coaching virtual mediante análisis de datos y feedback automatizado de IA 

18.7. Reconocimiento de logros y rendimiento 

18.7.1. Utilización de sistemas de reconocimiento de logros basados en IA para motivar a los empleados. BetterUp 
18.7.2. Análisis automático del rendimiento y la productividad de los empleados utilizando IA 
18.7.3. Desarrollo de un sistema de recompensas y reconocimientos basado en IA 

18.8. Evaluación del potencial de liderazgo 

18.8.1. Aplicación de técnicas de IA para evaluar el potencial de liderazgo de los empleados 
18.8.2. Identificación de líderes emergentes y desarrollo de programas de liderazgo personalizados 
18.8.3. Uso de simulaciones dirigidas por IA para entrenar y evaluar habilidades de liderazgo 

18.9. Gestión del cambio y adaptabilidad organizacional 

18.9.1. Análisis predictivo para anticipar las necesidades de cambio y promover la resiliencia organizacional 
18.9.2. Planificación del cambio organizacional mediante IA 
18.9.3. Utilización de IA para gestionar el cambio organizacional y fomentar la adaptabilidad. Cognician 

18.10. Ética y responsabilidad en la gestión del talento con IA 

18.10.1. Consideraciones éticas en el uso de IA en la gestión del talento y desarrollo profesional. Reflektive 
18.10.2. Garantía de equidad y transparencia en los algoritmos de IA utilizados en la toma de decisiones de gestión del talento 
18.10.3. Implementación de auditorías para supervisar y ajustar los algoritmos de IA a fin de asegurar prácticas éticas 

Módulo 19. Evaluaciones de desempeño 

19.1. Introducción a la aplicación de IA en las evaluaciones de desempeño 

19.1.1. Definición de Inteligencia Artificial y su papel en las evaluaciones de desempeño. 15Five 
19.1.2. Importancia de utilizar IA para mejorar la objetividad y eficiencia de las evaluaciones 
19.1.3. Limitaciones de la IA en evaluaciones de desempeño 

19.2. Automatización de procesos de evaluación 

19.2.1. Uso de IA para automatizar la recopilación y análisis de datos en las evaluaciones de desempeño. Peakon 
19.2.2. Implementación de sistemas de evaluación automatizados basados en IA 
19.2.3. Estudios de éxito en automatización con IA 

19.3. Análisis de datos y métricas de desempeño 

19.3.1. Utilización de algoritmos de IA para analizar datos de desempeño y tendencias 
19.3.2. Identificación de métricas clave y KPIs utilizando técnicas de análisis de datos avanzadas 
19.3.3. Capacitación en análisis de datos de IA 

19.4. Evaluación continua y feedback en tiempo real 

19.4.1. Implementación de sistemas de evaluación continua asistidos por IA. Lattice 
19.4.2. Uso de chatbots y herramientas de retroalimentación en tiempo real para proporcionar feedback a los empleados 
19.4.3. Impacto del feedback basado en IA 

19.5. Identificación de fortalezas y áreas de mejora 

19.5.1. Aplicación de IA para identificar las fortalezas y debilidades de los empleados 
19.5.2. Análisis automático de competencias y habilidades utilizando técnicas de aprendizaje automático. Workday performance management 
19.5.3. Conexión con desarrollo profesional y planificación 

19.6. Detección de tendencias y patrones de desempeño 

19.6.1. Utilización de IA para detectar tendencias y patrones en el desempeño de los empleados. TAlentSoft 
19.6.2. Análisis predictivo para anticipar posibles problemas de desempeño y tomar medidas proactivas 
19.6.3. Visualización avanzada de datos y dashboards 

19.7. Personalización de objetivos y planes de desarrollo 

19.7.1. Implementación de sistemas de establecimiento de objetivos personalizados basados en IA. Reflektive 
19.7.2. Uso de algoritmos de recomendación para sugerir planes de desarrollo individualizados 
19.7.3. Impacto a largo plazo de objetivos personalizados 

19.8. Eliminación de sesgos en las evaluaciones 

19.8.1. Aplicación de IA para identificar y mitigar sesgos en las evaluaciones de desempeño 
19.8.2. Implementación de algoritmos imparciales y equitativos en los procesos de evaluación 
19.8.3. Formación en ética de IA para evaluadores 

19.9. Seguridad y protección de datos en las evaluaciones con IA 

19.9.1. Consideraciones éticas y legales en el uso de datos personales en las evaluaciones de desempeño con IA. LEver 
19.9.2. Garantía de la privacidad y seguridad de la información del empleado en los sistemas de evaluación basados en IA 
19.9.3. Implementación de protocolos de acceso a los datos

19.10. Mejora continua y adaptabilidad del sistema 

19.10.1. Utilización de feedback y análisis de datos para mejorar continuamente los procesos de evaluación 
19.10.2. Adaptación de los sistemas de evaluación a medida que cambian las necesidades y objetivos de la organización 
19.10.3. Comité de revisión para ajuste de métricas 

Módulo 20. Monitorización y mejora del clima laboral con Inteligencia Artificial 

20.1. Aplicación de la IA en la gestión del clima laboral 

20.1.1. Definición y relevancia del clima laboral 
20.1.2. Panorama de la IA en la gestión del clima laboral 
20.1.3. Beneficios de usar IA para monitorizar el clima laboral 

20.2. Herramientas de IA para la recolección de datos laborales 

20.2.1. Sistemas de feedback en tiempo real con IBM Watson 
20.2.2. Plataformas de encuestas automáticas 
20.2.3. Sensores y wearables para la recogida de datos físicos y ambientales 

20.3. Análisis de sentimientos con IA 

20.3.1. Fundamentos del análisis de sentimientos 
20.3.2. Uso de Google Cloud Natural Language para analizar emociones en comunicaciones escritas 
20.3.3. Aplicación del análisis de sentimientos en emails y redes sociales corporativas 

20.4. Machine learning para la identificación de patrones de comportamiento 

20.4.1. Clustering con K-means en Python para segmentar comportamientos laborales 
20.4.2. Reconocimiento de patrones en datos de comportamiento 
20.4.3. Predicción de tendencias en el clima laboral 

20.5. IA en la detección proactiva de problemas laborales 

20.5.1. Modelos predictivos para identificar riesgos de conflictos 
20.5.2. Sistemas de alerta temprana basados en IA 
20.5.3. Detección de acoso y discriminación mediante el análisis de texto con spaCy 

20.6. Mejora de la comunicación interna con IA 

20.6.1. Chatbots para la comunicación interna 
20.6.2. Análisis de redes con IA para mejorar la colaboración utilizando Gephi 
20.6.3. Herramientas de IA para personalizar comunicados internos 

20.7. Gestión del cambio con soporte de IA 

20.7.1. Simulaciones de IA para prever impactos de cambios organizacionales con AnyLogic 
20.7.2. Herramientas de IA para gestionar la resistencia al cambio 
20.7.3. Modelos de IA para optimizar estrategias de cambio 

20.8. Evaluación y mejora continua del clima laboral con IA 

20.8.1. Sistemas de monitoreo continuo del clima laboral 
20.8.2. Algoritmos para el análisis de la efectividad de intervenciones 
20.8.3. IA para la personalización de planes de mejora del clima laboral 

20.9. Integración de IA y psicología organizacional 

20.9.1. Teorías psicológicas aplicadas al análisis de IA 
20.9.2. Modelos de IA para entender la motivación y satisfacción laboral 
20.9.3. Herramientas de IA para apoyar el bienestar emocional de los empleados 

20.10. Ética y privacidad en el uso de IA para monitorizar el clima laboral 

20.10.1. Consideraciones éticas del monitoreo laboral 
20.10.2. Privacidad de los datos y conformidad con regulaciones 
20.10.3. Gestión transparente y responsable de los datos 

Garantizar la ética y transparencia en la aplicación de Inteligencia Artificial en Recursos Humanos, minimizando tanto sesgos como riesgos legales”