Especialista En Inteligencia Artificial. Ifcd107.

Fundamentos de Inteligencia Artificial 91. Inmersión a la IA explicando sus principales modalidades. 102. Breve noción sobre los principales algoritmos de IA. 173. Análisis de los diferentes tipos de aprendizaje. 244. Fundamentos matemáticos para el entendimiento del funcionamiento de distintos algoritmos basados en IA y conceptos básicos de programación. 305. Implementación de conceptos matemáticos de IA utilizando Python como lenguaje de programación. 366. Fundamentos estadísticos básicos para el entendimiento del funcionamiento de distintos algoritmos, preprocesamiento de datos y análisis de resultados. 437. Implementación de conceptos estadísticos utilizando Python como lenguaje de programación. 498. Puesta en marcha del entorno de trabajo. 559. Detalle de los diferentes softwares y programas utilizados para la implementación de algoritmos basados en IA. 6310. Inmersión en el lenguaje Python. 7111. Resumen. 8012. Actividades tipo test. 81Exploración del conjunto de datos 831. Reconocimiento de las competencias y funciones de un Data Scientist relacionadas con la explotación, análisis y gestión de los datos en una empresa. 842. Fundamentos de la visualización de los datos de entrada del modelo. 863. Inmersión en las librerías más utilizadas en la visualización de datos. 874. Identificación de las herramientas necesarias para poder examinar los datos en función del tipo de dato. 885. Aplicación práctica de librerías de visualización de datos. 896. Fundamentos del pre-procesado de los datos de entrada del modelo. 907. Inmersión en las librerías más utilizadas en la preparación y limpieza de datos. 918. Identificación de las herramientas necesarias para la limpieza, reducción y preparación de los datos de entrada según tipo. 929. Aplicación práctica de librerías de examinación y pre-procesado de datos. 9310. Resumen. 9511. Actividades tipo test. 96Algoritmos de Machine Learning 981. Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos de ML. 992. Definición teórico-práctica de estos conceptos matemáticos. 1053. Implementación en Python de dichos conceptos matemáticos. 1114. Introducción a los modelos de ML más utilizados. 1215. Implementación en Python de estos modelos haciendo uso de las librerías más relevantes. 1296. Introducción a los conceptos de sistemas de recomendación y aprendizajes por refuerzo. 1397. Identificación del algoritmo más relevante a desarrollar según tipología y aplicabilidad. 1488. Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos. 1579. Resumen. 16510. Actividades tipo test. 166Redes neuronales 1681. Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos basados en Redes Neuronales explicados en este módulo. 1692. Definición teórico-práctica de estos conceptos matemáticos. 1763. Desarrollo en Python de los algoritmos que implementan dichos conceptos. 1844. Identificación de los modelos basados en Redes Neuronales más utilizados según aplicación. 1955. Implementación en Python de dichos algoritmos haciendo uso de las librerías más relevantes. 2036. Identificación del algoritmo más relevante a desarrollar según tipología y aplicabilidad. 2137. Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos. 2188. Resumen. 2269. Actividades tipo test. 227Visualización de resultados 2291. Fundamentos de la visualización de los resultados del modelo. 2302. Inmersión en las librerías más utilizadas en la visualización de los resultados de un modelo. 2313. Identificación de las herramientas necesarias para evaluación de resultados en función del modelo. 2324. Aplicación práctica de librerías de visualización de datos. 2335. Visualización del proceso de entrenamiento y búsqueda de puntos de optimización o sesgos en el modelo. 2346. Identificación de problemas como vanishing gradient o exploding gradient durante el entr...