Introducción a la Inteligencia Artificial
Obtén una base sólida en las técnicas de Machine Learning y Deep Learning. Adquiere la metodología a seguir, casuística y herramientas disponibles para abordar casos reales de soluciones de Inteligencia Artificial.
25 Horas
Duración
Técnicos
dirigido a
Intermedio
nivel
Profesorado
David Monzó
COO TYRIS SOFTWARE & DIRECTOR DE IA
Qué aprenderás
- Introducirse en el mundo Machine Learning: bases teóricas, algoritmos y aplicación en casos de uso reales
- Distinguir entre los algoritmos de Machine Learning clásicos y los algoritmos de Deep Learning, y aprender cuándo utilizar unos u otros
- Familiarizarse con la ejecución de algoritmos de Machine Learning y Deep Learning a través de las librerías y frameworks más extendidos en lenguaje Python
Solicitar Pre-inscripción
Introducción
El objetivo de este curso teórico/práctico de introducción al Machine Learning y al Deep Learning es recopilar el conocimiento especializado adquirido por D. David Monzó durante su desarrollo académico, así como el conocimiento práctico avalado por la trayectoria empresarial de Tyris.AI, empresa pionera en la aplicación de tecnologías AI para industria y ganadora entre otros del premio Innovación 2018 otorgado por la compañía Sacyr junto con el Ministerio de Cultura.
Temario
- Introducción al Machine Learning (2h)
- Inteligencia Artificial (AI), Machine Learning (ML), Deep Learning (DL).
- Casos de uso
- Fases de un proceso: acondicionamiento de datos, entrenamiento, predicción
- Introducción a un entorno de trabajo con Python (2h)
- Introducción a Python con Jupyter Notebook, Google Colab
- Librerías numéricas, de formato y representación del dato: numpy, pandas, matplotlib, seaborn
- Álgebra básica y medidas de clasificación (2h)
- Matrices, media, varianza, normalización, distancias
- Medidas de clasificación: Precision, Recall, Accuracy, Confusion Matrix
- Clasificador Bayesiano
- Algoritmos clásicos (I): algoritmos no supervisados (2h)
- Clustering: K-means
- Modelos de variable latente: Expectation-Maximization
- Dimensionality Reduction: Análisis Componentes Principales (PCA)
- Algoritmos clásicos (II): algoritmos supervisados (3h)
- Clasificación vs Regresión
- Regresión Lineal
- Clasificadores: KNN, SVM, LDA
- Práctica de ML en Python: scikit-learn
- Introducción a Deep Learning I (1h)
- Motivación: Big Dada
- Introducción al Perceptron
- Introducción a Deep Learning II (4h)
- Red Neuronal simple (Shallow NN)
- Red Neuronal profunda (Deep NN)
- Tipos de Redes Neuronales (Recursivas, Convolutivas, Generativas...)
- Práctica de DL en Python: Keras con Tensorflow
- Sesión práctica (4h)
- Creación de algoritmos desde cero
- Resolución de problemas paso a paso
