Módulo 1. Introducción al aprendizaje automático para profesionales de las TIC

• Introducción a la inteligencia artificial
  • Definición de inteligencia y de inteligencia artificial
  • Tipos de IA
  • Diferentes enfoques de la IA
  • Panorama actual, áreas de aplicación y ventajas e inconvenientes

Introducción al aprendizaje automático

• • Deducción vs. Inducción
  • Principios del aprendizaje automático
  • Métricas y evaluación de modelos de aprendizaje automático.
  • Sesgo.
  • Ciclo de vida del aprendizaje automático Ingeniería de características y manipulación de datos
  • Diferentes enfoques y técnicas principales del aprendizaje automático (Regresión lineal, regresión logística, Naïve Bayes, SVM, árboles de decisión, métodos de conjunto)
  • Principales bibliotecas de Python para el aprendizaje automático
  • Introducción a las herramientas de AutoML

• Introducción al aprendizaje profundo
  • Una breve introducción a la neurona artificial, las redes neuronales y el aprendizaje profundo
  • Algunos ejemplos básicos basados en redes neuronales feed-forward

Módulo 2. Introducción al aprendizaje profundo para profesionales de las TIC

• Introducción al aprendizaje profundo
  • Enfoque conexionista del aprendizaje automático
  • El aprendizaje profundo como un subconjunto del aprendizaje automático
  • Información de entrada estructurada frente a no estructurada y aprendizaje de representaciones
  • Entrenamiento de una red neuronal, descenso de gradiente y retropropagación
  • Regularización y optimización

• Redes neuronales convolucionales
  • El operador convolucional
  • Capas convolucionales
  • Capas de agrupación (pooling)
  • Capa densa final
  • Aprendizaje por transferencia
  • Arquitecturas comunes de CNN
  • Detección y segmentación de objetos

• Redes neuronales recurrentes y una introducción básica a los transformadores
  • RNN básica ‘vanilla’
  • LSTM y GRU
  • Modelos de lenguaje
  • Mecanismo de atención e introducción a los transformadores
  • Modelos de lenguaje grandes
  • Algunos ejemplos de soluciones NLP

• Autoencoders y redes generativas antagónicas
  • Codificadores, decodificadores, autoencoders y autoencoders variacionales
  • Redes generativas antagónicas (GAN)

Módulo 3. Modelos fundamentales en la IA discriminativa y generativa

• Introducción a los modelos fundamentales
  • IA discriminativa e IA generativa
  • Introducción a los modelos fundamentales (FM)
  • Proceso básico de entrenamiento de los FM
  • Ajuste fino, aprendizaje por transferencia, aprendizaje contextual
• FM en NLP, ASR, texto a voz y otros
  • FM en NLP, ASR, texto a voz y otros contextos basados en texto
    Aplicaciones en análisis de sentimientos, resumen, chatbots, etc
• FM en IA generativa multimodal
  • Modelos de difusión estables
  • FM en generación de imágenes, vídeos, animaciones

Módulo 4. Despliegue. Servicios en la nube. MLOps.

• MLOps
  • Introducción al flujo de trabajo del ciclo de ML
  • Introducción a MLOps
• Despliegue de un modelo
  • Modelos como servicios
  • Entornos y dockers
  • Despliegue de modelos ML/DL

• Introducción a Big Data y Big Data para ML
  • Introducción a Big Data
  • Principales plataformas de Big Data
  • Apache Spark e integración en modelos ML

• Solución en la nube para ML
• • Introducción a la computación en la nube
  • Diferentes alternativas para soluciones basadas en la nube para la generación y despliegue de modelos ML/DL
  • Caso de uso basado en Microsoft Azure ML

Módulo 5. Proyecto final.