Impulsa tu carrera
 y sigue creciendo profesionalmente

Plazas limitadas

FORMACIÓN GRATUITA

Itinerario Algoritmos Inteligentes: Modelización para Aprendizaje Automático

Familia profesional

Informática y Comunicaciones

Sector prioritario

Nueva tecnología avanzada de la información

Se ubica en el sector servicios, en el subsector de la gestión de sistemas de información para otras organizaciones, en el de desarrollo de software, en el desarrollo de sistemas de Inteligencia Artificial basados en aprendizaje automático, en el de consultoría técnica en sistemas de información inteligentes o en cualquier sector productivo con empresas que dispongan de sistemas de información inteligentes para la gestión de sus procesos de negocio.

TODA LA INFORMACIÓN SOBRE EL CURSO:

Itinerario Algoritmos Inteligentes: Modelización para Aprendizaje Automático

Ocupaciones y puestos de trabajo relevantes

Los términos de la siguiente relación de ocupaciones y puestos de trabajo se utilizan con carácter genérico y omnicomprensivo de mujeres y hombres.

  • Integradores de sistemas de información.
  • Técnicos en proceso y analítica de datos.

QUIERO SOLICITAR INFORMACIÓN

Qué va a conseguir el alumnado:

  • Certificado de aprovechamiento de haber realizado la formación

Unidad de competencia:

En esta formación se trabaja:

  • La UC2493_3 ‐ Entrenar modelos en sistemas de Inteligencia Artificial basados en aprendizaje automático, de la cualificación profesional IFC749_3 Gestión de datos y entrenamiento en sistemas de Inteligencia Artificial basados en aprendizaje automático.
  • La UC2497_3 ‐ Desarrollar componentes software específicos para sistemas de Inteligencia Artificial basados en aprendizaje automático, de la cualificación profesional IFC750_3 Gestión de la instalación, despliegue y explotación de sistemas de Inteligencia Artificial basados en aprendizaje automático.

CONTENIDOS FORMATIVOS

Entrenamiento  en  sistemas  de  inteligencia  artificial

Unidad 1. Introducción a los tipos de aprendizaje automático. (9h.)

  • Tipos de aprendizaje automático: supervisado, no supervisado, semi‐supervisado, por refuerzo. 

Unidad 2. Tipos de problemas de aprendizaje automático. (9h)

  • Tipos de problemas: clasificación, regresión, segmentación, detección de objetos.  

Unidad 3. Técnicas Paramétricas y no paramétricas. (9h)

  • Técnicas  paramétricas:  Basadas  en  distribuciones  de  probabilidad  conocidas:  ‘Gaussian  Mixture Models’ u otras.  
  • Técnicas  no  paramétricas:  (árboles  de  decisión:  clásicos,  ‘random  forest’,  ‘gradient  boosting’, ‘extremely  randomized  trees’; Vecinos más próximos  (k‐NN); ‘Kernel density estimation’; ‘Support Vector Machines’ (SVM); K‐Means.  

Unidad 4. Técnicas holisticas: redes neuronales. (9 h.) 

  • Técnicas Holísticas: redes neuronales: ‘fully connected’, ‘convolutional’, ‘recurrent’, ‘transformers’, ‘autoencoders’, ‘encoder‐decoder’, seq2seq u otras.   

Unidad 5. Técnicas de regularización. (8 h.) 

  • Técnicas de regularización para evitar el sobreaprendizaje.

Unidad 6. Métricas de evaluación de modelos. (8 h.)

  • Métricas  para  evaluar  la  calidad  de  los  modelos  diseñados  y  entrenados:  MSE,  MAE,  ‘accuracy’, precisión, ‘recall’ o ‘sensitivity’, ‘specificity’, ‘F1‐score’, ratio de falsos positivos y de falsos negativos, área  bajo  la  curva  ROC,  ‘DICE  coeffient’,  ‘Intersection  over  Union’  (IoU),  y  otros  específicos  del problema a abordar.   

Unidad 7. Herramientas de Software. (8 h.) 

  • Herramientas software con la implementación de las técnicas de aprendizaje automático. 
Modelización de algoritmos para inteligencia artificial basado en aprendizaje automático

Unidad 1. Modelización  de  algoritmos  de  carácter  general  y  específicos  de  Inteligencia Artificial. (9h.)

  • Técnicas de abstracción de problemas reales para su traslado a la elaboración de algoritmos.
  • Interpretación  de  gráficos  y  la  documentación  de  análisis  y  diseño  para  la  elaboración  de algoritmos.
  • Técnicas de modularización. ‘Top‐down’ y ‘bottom‐up’.
  • Herramientas de abstracción lógica para modelizar. Algoritmos y técnicas. Gestión y ordenación de archivos,  búsqueda  ordenada y  secuencial,  divide y  vencerás,  programación  dinámica, algoritmos voraces,  recursividad,  búsquedas  con  retroceso,  ramificación  y  poda,  programación  lineal  y reducciones, algoritmos recursivos y otros.
  • Técnicas de representación de algoritmos: pseudocódigo y diagramas de flujo.

Unidad 2. Resolución de problemas generales y específicos de Inteligencia Artificial aplicando Programación Orientada a Objetos. (8h.)

  • Clases. Tipología. Clase base, clase derivada, clase abstracta.
  • Relaciones entre clases. Herencia. Visibilidad. Multiplicidad.
  • Atributos y operaciones.
  • Sobrecarga. Polimorfismo.
  • Interfaces. Implementación y aplicación.
  • Constructores.
  • Tipos de datos básicos o elementales. Numéricos, alfanuméricos y lógicos (‘boolean’).
  • Tipos  y  estructuras  de  datos  complejos.  Cadenas,  vectores,  tablas  multidimensionales,  árboles, grafos, conjuntos, pilas, colas, tablas hash y colecciones.
  • Paso de mensajes.
  • Sentencias de la programación estructurada: asignaciones, condiciones, bucles e iteraciones.

Unidad 3. Mecanismos  de  control,  gestión  en  integración  en  Programación  Orientada  a Objetos aplicada a la Inteligencia Artificial. (8h).

  • Control de errores.  
  • Herramientas de desarrollo y depuración.  
  • Componentes de terceros. Complementos y librerías.  
  • Librerías  y  mecanismos  de  acceso  y  manipulación  de  datos  estructurados  y  no  estructurados externos.  
  • Procedimientos a seguir para elaborar un plan de pruebas. Tipos de prueba.  
  • Empaquetado de código en librerías. Refactorización.  

Unidad 4. Interpretación de diagramas de modelización de problemas. (8h.)

  • Estándares. ‘Unified Modelling Language’ (UML).
  • Interpretación  de  diagramas  que  representan  el  sistema  de  manera  estática.  Diagramas  de
  • Estructura Estática. Diagramas de Clases.
  • Interpretación de diagramas de interacción. Interpretación de diagramas de Casos de Uso.
  • Interpretación  de  diagramas  que  representan  la  interacción  organizada.  Diagramas  de  Casos  de
  • Colaboración.
  • Interpretación  de  diagramas  de  Modelado  Dinámico.  Diagramas  de  Actividades.  Diagramas  de
  • Secuencia,  Diagramas  de  Colaboración,  Diagramas  de  Estados,  Diagramas  de  Casos  de  Uso, Diagramas de Actividades.

Evaluación:

  • Cuestionario en línea para evaluar los conocimientos teóricos sobre inteligencia artificial.
  • Cuestionario en línea para evaluar los conocimientos teóricos sobre los principios y técnicas de desarrollo de componentes software para sistemas de inteligencia artificial.

Itinerario Algoritmos Inteligentes: Modelización para Aprendizaje Automático

2024

120 HORAS

Virtual

QUIERO SOLICITAR INFORMACIÓN