Posgrado en Inteligencia Artificial y Big Data

Caracterización de sistemas de Inteligencia Artificial:

• Fundamentos de los sistemas inteligentes.
• Campos de aplicaciones.
• Técnicas de la Inteligencia Artificial.
• Nuevas formas de interacción.

Utilización de modelos de Inteligencia Artificial:

• Requisitos básicos de un sistema de resolución de problemas.
• Modelos de sistemas de Inteligencia Artificial:
  • Automatización de tareas.
  • Sistemas de razonamiento impreciso.
  • Sistemas basados en reglas.

Procesamiento del Lenguaje Natural:

• Procesamiento del lenguaje natural: Potencial y limitaciones.
• Aplicaciones del procesamiento del lenguaje natural.

Análisis de sistemas robotizados:

• Métodos y aplicaciones de la robótica.
• Modelado y control de robots.
• Programación de robots y aplicaciones.
• Sistemas robotizados. Diseño e implementación.

Sistemas Expertos:

• Dinámica de los sistemas expertos.
• Estructuras elementales de los sistemas expertos.
• Representar y simular comportamientos básicos.
• Estrategias de control de un sistema experto.
• Aplicaciones de sistemas expertos.
• Tendencias en sistemas expertos.

Aplicación de principios legales y éticos de la Inteligencia Artificial:

• Deontología profesional en Inteligencia Artificial.
• Privacidad de datos.
• Protección frente a errores.
• Principios éticos.
• Sesgos de género en el desarrollo y aplicaciones de Inteligencia Artificial y Big Data.

Caracterización de la Inteligencia Artificial fuerte y débil:

• Inteligencia Artificial Débil:
  • Características y aplicaciones.
  • Ventajas e inconvenientes.
  • Usos y posibilidades.
• Inteligencia Artificial Fuerte:
  • Características y aplicaciones.
  • Ventajas e inconvenientes.
  • Usos y posibilidades.

Determinación de sistemas de aprendizaje automático (Machine Learning):

• Clasificación de sistemas de aprendizaje automático. Supervisado y no supervisado.
• Principales técnicas para desarrollar aprendizaje automático: Redes neuronales, Aprendizaje inductivo, Razonamiento basado en casos, entre otros.
• Algoritmos o modelos aplicados al aprendizaje automático:
  • Algoritmos de clasificación.
  • Algoritmos de detección de anomalías.
  • Algoritmos de regresión.
  • Algoritmos de clustering.
  • Algoritmos de refuerzo del aprendizaje.
  • Árboles y reglas de decisión.
  • Otros algoritmos relacionados con el aprendizaje automático.
• Procedimientos del Machine Learning: Datos, identifica patrones y toma decisiones.
• Herramientas de aprendizaje automático.
• Aplicaciones del Machine Learning.

Algoritmos aplicados al aprendizaje supervisado y optimización del modelo:

• Determinación de elementos y herramientas de aprendizaje supervisado.
• Datos etiquetados.
• Variables de entrada (input data). Etiquetas de salida.
• Plataformas de aprendizaje automático supervisado.
• Fases del aprendizaje automático:
  • Selección del algoritmo de aprendizaje supervisado.
  • Selección de datos.
  • Construcción del modelo.
  • Validación del modelo.
  • Ajuste de características o parámetros.
  • Implementación del modelo propuesto.
  • Verificación del modelo de prueba.
  • Optimización del modelo.

Aplicación de técnicas de aprendizaje no supervisado:

• Técnicas de aprendizaje no supervisado.
• Algoritmos de aprendizaje no supervisado. Agrupación de cluster, Reducción de dimensión, entre otros.
• Determinación de elementos y herramientas de aprendizaje no supervisado.
• Plataformas de aprendizaje automático no supervisado.
• Fases del aprendizaje automático no supervisado.

Aplicación de modelos computacionales de redes neuronales y comparación con otros modelos:

• Aprendizaje automático frente a aprendizaje profundo.
• Cómo aprende una red neuronal.
• Modelos de redes neuronales artificiales: Redes neuronales convolucionales (CNN).

Valoración de la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático:

• Capacidad de generalización.
• Test.
• Validación.
• Matriz de confusión.

Caracterización de lenguajes de programación:

• Programa informático. Etapas. Lenguajes de programación.
• Principales características en un lenguaje de programación para IA. Bibliotecas. Rendimiento en ejecución. Herramientas. Soporte.
• Principales lenguajes de programación para Inteligencia Artificial: Python, R, Java, Javascript, NodeJS, JSON, entre otros.
• Lenguajes de marcado. Información de sus etiquetas.

Desarrollo de aplicaciones de IA:

• Plataformas de IA: Librerías. Servicios. Ejemplos (Azure, AWS, Amazon Alexa, Bixby, Microsoft Cortana, IBM Watson, Google Assistant, entre otras).
• Entornos de modelado de IA:
  • Herramientas de modelado. Librerías, algoritmos y modelos predefinidos, recolección de datos, manipulación de datos, evaluación de resultados. Ejemplos (Azure Machine Learning Studio, SPSS Modeler de IBM, Knime, entre otros).
  • Modelado de redes neuronales. Módulos predefinidos. Ejemplos (TensorFlow).
  • Herramientas de generación de código para crear software con comportamiento inteligente.

Evaluación de la convergencia tecnológica:

• Conexión entre tecnologías: Voz, datos, sonido, imágenes.
• Ventajas de la convergencia tecnológica.
• Sistemas de convergencia electrónica: Blockchain, IoT, Cloud, entre otros.
• Características de Blockchain.
• Características de IoT.
• Características de Cloud.
• Seguridad en la convergencia tecnológica.

Evaluación de modelos de automatización industrial y de negocio:

• Estrategias corporativas. Tendencias.
• Modelos de negocio. Tendencias.
• Gestión de activos y recursos. Tendencias.
• Modelos de automatización. Tendencias.

Aplicación de técnicas de integración, procesamiento y análisis de información:

• Conceptos básicos de matemática discreta, lógica algorítmica y complejidad computacional para análisis de datos.
• Técnicas y procesos de extracción de la información de los datos.
• Modelado, razonamiento, resolución de problemas.
• Análisis en tiempo real.
• Costes y calidad asociados al proceso de análisis de la información.

Configuración de cuadros de mando en entornos computacionales:

• Técnicas de representación de información. Librerías e implementaciones. Estructuración de datos. Objetivos a cumplir.
• Cuadro de mando: Fundamentos.
• Métricas.
• Principales métodos y algoritmos en la minería de datos. Modelos SEMMA (Sample, Explore, Modify, Model, Assess) y CRISP-DM (Cross-Industry Standard Process for Data Mining), entre otros.
• Fases de los modelos. Valoración. Interpretación. Despliegue.

Gestión y almacenamiento de datos. Búsqueda de respuestas en grandes conjuntos de datos:

• Sistemas de gestión. Almacenamiento.
• Importación: Flume, Sqoop.
• Integración de datos.
• Programación: R y Python.

Aplicación de herramientas para la visualización de datos:

• Datos no estructurados: Fuentes, tipología.
• Inteligencia artificial en el análisis de datos.
• Cluster de máquinas: Información distribuida y redundante.
• Herramientas de visualización de datos: QlikView, QlikSense, Tableau, Power BI, Domo, Pentaho, MicroStrategy, Business Objects, RJMetrics, Klipfolio, entre otras.
• Tendencias de visualización de datos.

Gestión de soluciones con sistemas de almacenamiento y herramientas del centro de datos para la resolución de problemas:

• Almacenamiento de datos masivo.
• Procesamiento de datos.
• Analítica de Big Data en los ecosistemas de almacenamiento.
• Big Data y Cloud.

Gestión de sistemas de almacenamiento y ecosistemas Big Data:

• Computación distribuida. Computación paralela.
• Sistemas de almacenamiento distribuidos. Tolerancia a fallos.
• Herramientas:
  • MapReduce.
  • Pig, Hive, Flume.
  • Sqoop, Oozie.
  • Automatización de Jobs.
  • Consultas Pig y Hive.
  • Otras herramientas.

Generación de mecanismos de integridad de los datos. Comprobación de mantenimiento de sistemas de ficheros:

• Calidad de los datos.
• Comprobación de la integridad de datos de los sistemas de ficheros distribuidos. Sumas de verificación.
• Movimiento de datos entre clusters. Actualización y migración. Metadatos.

Monitorización, optimización y solución de problemas:

• Herramientas de monitorización: Interfaz web del Jobtracker y Namenode, entre otras.
• Análisis de los históricos.
• Monitorización del clúster: Ganglia, entre otros.

Validación de técnicas Big Data en la toma de decisiones en Inteligencia de Negocios BI:

• Modelos de Inteligencia de negocios.
• Proceso del modelo KDD (Knowledge Discovery in Databases).
• Etapas: Selección, limpieza, transformación de datos, minería de datos, interpretación y evaluación de datos.
• Implantación de modelos de inteligencia de negocios BI.
• Técnicas de validación de modelos BI.