ESPECIALISTA EN INTELIGENCIA ARTIFICIAL

• Beneficios y retos de IA 

• Categorías de problemas de negocio que aborda la IA 

• Tipos de IA (angosta, general, simbólica, no simbólica, etc.) 

• Enfoques y algoritmos comunes de aprendizaje de la IA 

• Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje continuo 

• Aprendizaje heurístico, aprendizaje semisupervisado, aprendizaje por refuerzo 

• Diseños funcionales comunes de IA 

• Visión por computadora, reconocimiento de patrones 

• Robóticas, procesamiento del lenguaje natural (NLP) 

• Reconocimiento del habla, comprensión del lenguaje natural (NLU) 

• Integración sin fricción, integración del modelo de tolerancia a fallas 

• Redes neuronales, neuronas, capas, enlaces y pesos 

• Cómo entender los modelos de IA, modelos de entrenamiento y redes neuronales 

• Cómo entender la manera en que existen los modelos y las redes neuronales 

• Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época 

• Arquitecturas fundamentales y especializadas de redes neuronales 

• Perceptrón, compensación, compensación profunda, autocodificador, recurrente, memoria de corto/largo plazo 

• Red convolucional profunda, máquina de aprendizaje extremo, red residual profunda 

• Máquina de vector de soporte, red de Kohonen, red de Hopfield 

• Red generativa adversarial, máquina en estado líquido 

• Cómo construir un sistema de IA (paso a paso) 

• Principios comunes de diseño de sistemas de IA y mejores prácticas de proyectos de IA

1. Lecturas y videos sobre los temas a estudiar.

1. Aplicación de actividades evaluativas.

• Celular
• Tableta
• Laptop

Computadora de escritorio

• Codificación de características para convertir características categóricas 

• Imputación de características para inferir valores de las características 

• Escalamiento de características para conjuntos de datos de entrenamiento con características amplias 

• Representación de textos para convertir datos preservando las propiedades semánticas y de sintaxis 

• Reducción de la dimensionalidad para reducir el espacio de características para la entrada de la red neuronal 

• Patrones de aprendizaje supervisado para entrenar modelos de redes neuronales 

• Configuración de redes supervisadas para establecer el número de neuronas en las capas de la red 

• Identificación de imágenes para usar una red neuronal convolucional 

• Identificación de secuencias para usar una red neuronal de memoria de corto/largo plazo 

• Patrones de aprendizaje no supervisado para el entrenamiento de modelos de redes neuronales 

• Identificación de patrones para identificar visualmente patrones mediante un mapa autoorganizado 

• Filtrado de contenidos para generar recomendaciones 

• Patrones de evaluación de modelos para medir el desempeño de las redes neuronales 

• Evaluación del desempeño de entrenamiento para evaluar el desempeño de las redes neuronales 

• Evaluación del desempeño de predicción para predecir el desempeño de las redes neuronales en la producción • Modelado de referencia para evaluar y comparar redes neuronales complejas 

• Patrones de optimización de modelos para refinar y adaptar redes neuronales 

• Evitar el sobreajuste para ajustar una red neuronal 

• Reentrenamiento frecuente del modelo para mantener una red neuronal en sincronía con los datos actuales 

• Aprendizaje por transferencia para acelerar el entrenamiento de redes neuronales

1. Lecturas y videos sobre los temas a estudiar.
2. Aplicación de actividades evaluativas.

1. Foro para evaluar el avance del curso.

• Celular
• Tableta
• Laptop
• Computadora de escritorio