El Máster en Aplicaciones Prácticas de la Inteligencia Artificial te sitúa en la vanguardia de un sector en pleno auge, donde la demanda de profesionales capacitados supera la oferta. La IA no es solo el futuro, es el presente, transformando industrias y redefiniendo el mercado laboral. Este máster te ofrece una formación integral, desde el Big Data y la Ciencia de Datos hasta el Machine Learning, Deep Learning y la Visión Artificial, proporcionándote habilidades prácticas altamente valoradas. Aprenderás a manejar herramientas como Python, TensorFlow y OpenCV, esenciales para la innovación tecnológica. Además, la inclusión de módulos sobre ética en IA asegura que estés preparado para abordar los desafíos morales y sociales de este ámbito. Optar por este máster significa posicionarte como un líder en un campo que está dando forma a nuestro mundo digital. ¡Inscríbete y sé parte del cambio!
El Máster en Aplicaciones Prácticas de la Inteligencia Artificial está dirigido a profesionales y titulados en áreas como informática, ingeniería, matemáticas y ciencias, interesados en profundizar en Big Data, Machine Learning, y AI. Este programa avanzado ofrece una sólida formación en tecnologías emergentes, desde Python y R hasta la ética en inteligencia artificial, potenciando su desarrollo profesional.
Objetivos
‘- Desarrollar modelos de machine learning con Python y TensorFlow aplicados a datos reales. – Implementar sistemas de recomendación utilizando técnicas avanzadas de clustering. – Analizar grandes volúmenes de datos mediante técnicas de minería de datos y data mining. – Diseñar redes neuronales para resolver problemas complejos de clasificación y regresión. – Evaluar la ética y el sesgo en aplicaciones de inteligencia artificial y su impacto social. – Crear chatbots con Chat GPT integrando funciones avanzadas de interacción con usuarios. – Aplicar visión artificial para optimizar procesos industriales en la Industria 4.0.
Salidas Profesionales
‘- Científico de datos en grandes corporaciones – Ingeniero de machine learning en startups tecnológicas – Especialista en visión artificial para la industria 4.0 – Desarrollador de chatbots con IA avanzada – Consultor en ética y gobernanza de inteligencia artificial – Analista de big data en sectores de marketing digital – Experto en sistemas de recomendación y personalización
La era de las grandes cantidades de información: historia del Big Data
La importancia de almacenar y extraer información
Big Data enfocado a los negocios
Open data
Información pública
IoT (internet of things-internet de las cosas)
Diagnóstico inicial
Diseño del proyecto
Proceso de implementación
Monitorización y control del proyecto
Responsable y recursos disponibles
Calendarización
Alcance y valoración económica del proyecto
Definiendo el concepto de Business Intelligence y sociedad de la información
Arquitectura de una solución Business Intelligence
Business Intelligence en los departamentos de la empresa
Conceptos de plan director, plan estratégico y plan de operativa anual
Sistemas operacionales y procesos ETL en un sistema de BI
Ventajas y factores de riesgos del Business Intelligence
Cuadros de mando integrales (CMI)
Sistemas de soporte a la decisión (DSS)
Sistemas de información ejecutiva (EIS)
Introducción a la minería de datos y el aprendizaje automático
Proceso KDD
Modelos y técnicas de Data Mining
Áreas de aplicación
Minería de textos y web mining
Data Mining y marketing
Aproximación al concepto de DataMart
Bases de datos OLTP y OLAP
Variantes OLAP: MOLAP, ROLAP y HOLAP
Herramientas para el desarrollo de cubos OLAP
Qué es un Data Warehouse: estructura y construcción
Fases de implantación y características de un Data Warehouse
Data Warehouse en la nube
¿Qué es la ciencia de datos?
Herramientas y perfil profesional del científico de datos
Data Science & Cloud Computing
Aspectos legales en protección de datos
Qué es y por qué importa el data storytelling
Elementos clave y metodología para construir un data story
Inteligencia analítica de negocio y análisis de redes sociales
Presentación de resultados
Introducción a la inteligencia artificial
Historia
La importancia de la IA
Tipos de inteligencia artificial
Algoritmos aplicados a la inteligencia artificial
Relación entre inteligencia artificial y big data
IA y Big Data combinados
El papel del Big Data en IA
Tecnologías de IA que se están utilizando con Big Data
Sistemas expertos
Estructura de un sistema experto
Inferencia: Tipos
Fases de construcción de un sistema
Rendimiento y mejoras
Dominios de aplicación
Creación de un sistema experto en C#
Añadir incertidumbre y probabilidades
Futuro de la inteligencia artificial
Impacto de la IA en la industria
El impacto económico y social global de la IA y su futuro
Introducción
Clasificación de algoritmos de aprendizaje automático
Ejemplos de aprendizaje automático
Diferencias entre el aprendizaje automático y el aprendizaje profundo
Tipos de algoritmos de aprendizaje automático
El futuro del aprendizaje automático
Introducción
Algoritmos
Introducción
Filtrado colaborativo
Clusterización
Sistemas de recomendación híbridos
Clasificadores
Algoritmos
Componentes
Aprendizaje
Introducción
El proceso de paso de DSS a IDSS
Casos de aplicación
Aprendizaje profundo
Entorno de Deep Learning con Python
Aprendizaje automático y profundo
Redes neuronales
Redes profundas y redes poco profundas
Perceptrón de una capa y multicapa
Ejemplo de perceptrón
Tipos de redes profundas
Trabajar con TensorFlow y Python
Entrada y salida de datos
Entrenar una red neuronal
Gráficos computacionales
Implementación de una red profunda
El algoritmo de propagación directa
Redes neuronales profundas multicapa
¿Qué es el análisis de datos?
Análisis de datos con NumPy
Pandas
Matplotlib
Cómo usar loc en Pandas
Cómo eliminar una columna en Pandas
Pivot tables en pandas
El grupo de pandas
Python Pandas fusionando marcos de datos
Matplotlib
Seaborn
Aprendizaje automático
Regresión lineal
Regresión logística
Estructura de árbol
Algortimo de Naive bayes
Tipos de Naive Bayes
Máquinas de vectores soporte (Support Vector Machine-SVM)
¿Cómo funciona SVM?
Núcleos SVM
Construcción de clasificador en Scikit-learn
K-nearest Neighbors (KNN)
Implementación de Python del algoritmo KNN
Análisis de componentes principales
Algorimto de Random Forest
Ética normativa y ética aplicada
Historia y caracteres de la ética de la inteligencia artificial
Ética realista y ética ficción
Inteligencia artificial como objeto y sujeto
Singularidad tecnológica y futuro de la especie humana
Machine ethics. Nuevos entes autónomos y estatus moral
Controversias éticas de la aplicación de la inteligencia artificial
Bioética e inteligencia artificial
Democracia e inteligencia artificial
Gobernanza como sistema de prevención y control de riesgos en la inteligencia artificial
Papel de la UE en la gobernanza de la inteligencia artificial
Evaluaciones de impacto social, ético y legal de inteligencia artificial de alto riesgo
Elaboración de un plan de gobernanza
Principios de la inteligencia artificial responsable
Aspectos de diseño éticos para Machine Learning
Inteligencia artificial explicable (XAI). Hacia la IA responsable
Imparcialidad de Datos (Fairness). Control del sesgo en los modelos
Escenarios con modelos de IA de alto riesgo
Auditabilidad en los sistemas de inteligencia artificial
Sandbox normativo piloto del futuro reglamentario de IA en España
Transparencia en modelos de Machine Learning
Análisis de herramientas software para medir la imparcialidad
Metodología de la ética en la inteligencia artificial
Agentes artificiales morales
Moralidad artificial desde un enfoque funcionalista
Objeciones acerca de agencias morales artificiales
Responsabilidad y Derechos de los robots
Introducción a la filosofía política de la inteligencia artificial
Empleo e inteligencia artificial
Relaciones humanas e inteligencia artificial
Funciones de los Estados e inteligencia artificial
Educación e inteligencia artificial
Salud e inteligencia artificial
Movilidad e inteligencia artificial
Articulación entre ética y política sobre la inteligencia artificial
Globalización e inteligencia artificial
Digitalización al servicio de los Objetivos de Desarrollo Sostenible (ODS)
Estrategia Europea de transición hacia una economía sostenible
Cambio climático global
Mejora de eficiencia en procesos organizativos con IA.
Mejora de eficiencia en prácticas individuales con IA.
Ética ambiental e inteligencia artificial
Armas autónomas
Intervenciones militares teledirigidas
Ética de la guerra
El metaverso
Gemelos digitales humanos
Creación de universos paralelos en 3D
Sistemas autónomos en el ámbito laboral
Inteligencia artificial para la mejora de calidad de vida en ciudades. Mejora del impacto medioambiental
Combinación de smart cities, internet de las cosas y big data
Inteligencia artificial y cuidado personal y sexual
Análisis ético de la incorporación de la robótica en la vida humana
Inteligencia artificial para restaurar funciones físicas y cognitivas deterioradas
Optimizar las capacidades humanas con inteligencia artificial
Debate académico sobre transhumanismo y poshumanismo
Concepto, evolución y aplicaciones del PLN
Principales tareas del procesamiento del lenguaje
Del PLN basado en reglas a los modelos basados en aprendizaje automático
Representación del lenguaje: tokens, vectores y embeddings
PLN multilingüe y retos del lenguaje natural
Aplicaciones actuales del PLN
Concepto y evolución de los modelos de lenguaje
De las redes neuronales recurrentes a los Transformers en el procesamiento del lenguaje
Modelos preentrenados y modelos fundacionales de PLN: BERT, GPT y otras familias
Grandes modelos de lenguaje (LLM) aplicados al procesamiento del lenguaje
Adaptación de modelos de lenguaje a tareas específicas de PLN: fine-tuning y transfer learning
Criterios de selección de un modelo de lenguaje según la tarea de PLN
Procesamiento y preparación de textos
Clasificación y análisis de textos
Extracción de información y reconocimiento de entidades
Análisis de sentimientos y opiniones
Generación, resumen y traducción automática
Búsqueda semántica y recuperación de información
Evolución de los sistemas conversacionales
Concepto y arquitectura de un chatbot
Chatbots basados en reglas, intención y modelos de lenguaje
LLM como motor de sistemas conversacionales
Contexto, memoria y gestión del diálogo
Voicebots y asistentes conversacionales
Limitaciones y retos de los sistemas conversacionales
Diseño de experiencias conversacionales
Definición de objetivos, usuarios y casos de uso
Prompting y diseño de instrucciones
Integración de modelos de lenguaje mediante API
Embeddings y bases de datos vectoriales
RAG (Retrieval-Augmented Generation)
Evaluación y mejora de sistemas conversacionales
Frameworks de desarrollo: Rasa, Microsoft Bot Framework y Dialogflow
Orquestación de aplicaciones con LLM: LangChain y LlamaIndex
Plataformas no-code y low-code para chatbots
Despliegue e integración en canales: web, WhatsApp y redes sociales
Pruebas, monitorización y mantenimiento de un chatbot en producción
Concepto y evolución de los agentes de IA
Agentes basados en modelos de lenguaje
Uso de herramientas y conexión con sistemas externos
Memoria, planificación y ejecución de tareas
Sistemas multimodales: texto, voz, imagen y vídeo
Aplicaciones empresariales de agentes y asistentes de IA
Matriz de riesgo por caso de uso: dónde la seguridad y la ética del PLN son críticas
Alucinaciones y limitaciones de los modelos de lenguaje
Sesgos, privacidad y protección de datos
Seguridad de los sistemas conversacionales
Evaluación, supervisión y control de sistemas de IA
Diseño responsable de experiencias conversacionales
Tendencias y evolución de la IA conversacional
¿Qué es ChatGPT?
Cómo afecta la inteligencia artificial en ChatGPT?
Versiones de ChatGPT y funcionalidades
Usos de ChatGPT
Beneficios de la IA y ChatGPT
¿Cómo funciona ChatGPT?
Diferencias entre ChatGPT y otros chatbots
Procesamiento del Lenguaje Natural (PLN)
Aprendizaje por transferencia
Cómo entrenar un modelo de ChatGPT
Elección de la plataforma de desarrollo
Configuración del entorno de desarrollo
Preparación de los datos de entrenamiento
Entrenamiento del modelo de ChatGPT
Integración del modelo en el chatbot
Pruebas y mejora del modelo
Análisis de la conversación con el usuario
Personalización de la conversación
Uso de emojis y respuestas con imágenes
Integración de voz y audio
Respuestas multilingües
Integración del chatbot en una página web
Integración del chatbot en una aplicación móvil
Personalización del aspecto del chatbot
Gestión de la seguridad y privacidad del usuario
Modelos de negocio para chatbots
Monetización a través de publicidad
Monetización a través de suscripciones
Monetización a través de compras in-app
Análisis del rendimiento y la rentabilidad
Aspectos éticos y responsabilidad en la IA
Sesgos en la IA y cómo evitarlos
Derechos y privacidad del usuario
Regulaciones y normativas sobre chatbots
Responsabilidad social y ambiental
Chatbots para atención al cliente
Chatbots para servicios financieros
Chatbots para servicios de salud
Chatbots para educación
Chatbots para entretenimiento y ocio
Plataformas de desarrollo de Chatbots
Librerías y frameworks para el desarrollo de IA
Bases de datos y almacenamiento
Recursos de formación y aprendizaje
Comunidades y grupos de apoyo para desarrolladores
Desarrollo de un Chatbot avanzado
Caso de estudio en atención al cliente
Caso de estudio en educación
Caso de estudio en salud
Caso de estudio en ocio
¿Qué es la inteligencia artificial?
Hardware y software unidos por la Inteligencia Artificial
Inteligencia Artificial y Visión Artificial
Arduino: introducción
Instalación de Arduino
Configurando tu Arduino para Python
Control de Arduino
Manejo de entradas
Entradas analógicas
Salidas analógicas
Valores analógicos en Arduino
Introducción al machine learning
Aprendizaje supervisado
Aprendizaje no supervisado
Redes neuronales y deep learning
Series Temporales
Funciones y parámetros
Variables y constantes especializadas
Estructura de control
Introducción
¿Qué son los datos de entrenamiento de IA?
¿Por qué se requieren datos de entrenamiento de IA?
¿Cuántos datos son adecuados?
¿Qué afecta la calidad de los datos en el entrenamiento?
Crear red neural paso a paso
Redes neuronales: Aprendizaje
Otras redes neuronales
Inteligencia Artificial: introducción
Inteligencia de los seres vivos
Inteligencia Artificial
Dominios de aplicación
El campo de la mecatrónica
Las posibilidades de la Inteligencia Artificial
Mecatrónica e Inteligencia Artificial
¿Qué es un sistema experto en polígonos?
Estructura de un sistema experto
Inferencia: tipos
Construcción de sistemas expertos
Introducción a la lógica difusa
Conjuntos difusos y grados de pertenencia
Operadores sobre los conjuntos difusos
Creación de reglas
Fuzzificación y defuzzificación
Introducción a la búsqueda de rutas
Rutas y grafos
Algoritmos exhaustivos de búsqueda de rutas e "inteligentes"
Implementación
¿Qué son los algoritmos genéticos?
Evolución biológica y artificial
Elección de la representación
Evaluación, selección y supervivencia
Reproducción: crossover y mutación
Dominios de aplicación
Introducción a las redes neuronales
Origen biológico
La neurona formal
Perceptrón
Redes feed-forward
Aprendizaje
Otras redes
Internet of Behavior
Ciencia cognitiva
Neuropsicología
Personalización IOB
La visión Artificial
Procesamiento del lenguaje natural
Análisis de comportamiento
Análisis de opinión
Concepto, evolución y aplicaciones de la visión artificial
Componentes y funcionamiento de un sistema de visión artificial
Captura, procesamiento e interpretación de imágenes
Visión 2D, 3D y sistemas multiespectrales
Ventajas, limitaciones y retos de la visión artificial industrial
Integración de la visión artificial en la Industria 4.0
Cámaras y sensores para visión industrial
Ópticas, resolución y campo de visión
Iluminación y condiciones de captura
Sistemas de visión 3D
Selección y configuración del sistema de adquisición
Integración de cámaras y sistemas de visión en entornos industriales
Python y OpenCV para visión artificial
Lectura, visualización y gestión de imágenes y vídeo
Transformaciones geométricas y espacios de color
Filtrado, reducción de ruido y mejora de imágenes
Umbralización y operaciones morfológicas
Segmentación, detección de bordes y extracción de características
Histogramas y análisis de características de imagen
Detección de contornos, formas y objetos
Detección de líneas, círculos y puntos de interés
Reconocimiento y comparación de patrones
Template matching y técnicas de correspondencia
Extracción de información y reconocimiento de texto (OCR)
Inspección y control de calidad
Detección de defectos y anomalías
Medición, posicionamiento y guiado de procesos
Identificación, lectura de códigos y trazabilidad
Visión artificial aplicada a robótica y automatización
Integración de sistemas de visión con procesos industriales
Fundamentos del aprendizaje automático aplicado a imágenes
Clasificación y reconocimiento de imágenes
Extracción y selección de características
Clustering y detección de patrones
Evaluación y validación de modelos
Aplicaciones de machine learning en inspección industrial
Redes neuronales convolucionales aplicadas a visión
Clasificación de imágenes mediante deep learning
Detección y localización de objetos
Segmentación semántica y segmentación de instancias
Modelos preentrenados de visión artificial: ImageNet y transfer learning aplicado a visión
YOLO y otros modelos modernos de detección
Visión clásica frente a deep learning: selección del enfoque adecuado
Diseño de un sistema de visión artificial industrial
Selección de hardware, software y modelos de IA
Desarrollo y prueba de soluciones con Python y OpenCV
Integración con sistemas industriales y edge computing
Evaluación del rendimiento y fiabilidad del sistema
Mantenimiento, monitorización y mejora de modelos
Seguridad, privacidad y uso responsable de la visión artificial
Titulación
Titulación de Máster en Aplicaciones Prácticas de la Inteligencia Artificial con 1500 horas expedida por EDUCA BUSINESS SCHOOL como Escuela de Negocios Acreditada para la Impartición de Formación Superior de Postgrado, con Validez Profesional a Nivel Internacional
Ir al contenido 
