• Liderar la conceptualización y desarrollo de iniciativas de IA, comprendiendo su potencial estratégico y limitaciones. • Diseñar estrategias para la implementación de algoritmos de Machine Learning y Deep Learning, optimizando su aplicación organizacional. • Gestionar la preparación y procesamiento de datos con herramientas como Excel, Talend y Dataprep by Trifacta, asegurando la calidad para modelos de IA. • Implementar proyectos de IA de principio a fin, desde el diseño hasta la puesta en producción, garantizando su integración efectiva. • Evaluar el impacto de las soluciones de IA, midiendo su rendimiento y ajustando estrategias para maximizar el retorno de la inversión. • Tomar decisiones informadas sobre la selección y aplicación de tipos de IA, alineándolas con los objetivos de negocio. • Integrar la visión global del Data Mining para extraer patrones y conocimientos valiosos, impulsando la innovación y ventaja competitiva. • Dirigir equipos multidisciplinares en la ejecución de proyectos de IA, fomentando la colaboración y la eficiencia.
Metodología
En Educa PHAROS trabajamos con una metodología eminentemente práctica, orientada a la aplicación directa de los conocimientos en el entorno profesional del alumno, combinando contenidos teóricos con casos reales, herramientas digitales y el acompañamiento de un equipo docente especializado.
Programa
Estado del arte de la inteligencia artificial
Filosofía de la inteligencia artificial
Futuro de la inteligencia artificial
Procesos de desarrollo de proyecto con inteligencia artificial
Los datos, tu mayor activo
Aprendizaje automático
Aprendizaje profundo
Transformers
Generación de datos sintéticos
Hiperparámetros en los modelos de inteligencia artificial
Regresión lineal
Regresión no lineal y Support Vector Machine (SVM)
Árboles de decisión y bosques aleatorios
Lógica difusa y descenso del gradiente
Sistemas de recomendación
Preparación del entorno de trabajo: Anaconda, Visual Studio Code y Python
Dataset de entrada y procesado de datos
TensorHub, TensorFlow y Keras
Tratamiento de imágenes
Generación de modelos de inteligencia artificial
Introducción
Alfabetización de los datos
Trabajar con datos
Soluciones y técnicas para tratamiento de datos
Gestión de la calidad de datos
Trabajar con datos en Excel
Conjunto de datos (DATASET)
Data Cleasing con Excel
Data Wrangling con Excel
Data Blending en Excel
Instalación Talend Data Preparation Desktop
Trabajar con datos en Talend
Data Cleasing con Talend
Data Wrangling con Talend
Data Blending con Talend
Registro en dataprep by Trifacta
Trabajar con datos con Dataprep by Trifacta
Data Cleasing con Trifacta
Data Wrangling con Dataprep by Trifacta
Data Blending con Dataprep by Trifacta
Introducción
Regresión lineal, múltiple y logística (I)
Regresión lineal, múltiple y logística (II)
Máquina de vectores soporte (SVM)
Árboles de decisión
KNN (K-Nearest Neighbors)
Naive bayes
Evaluación de modelos supervisados
Ejercicio de ejemplo
Ejercicio propuesto
Introducción a clustering: propósito y métricas
K-means clustering
Clústering jerárquico, otras técnicas y ejemplos
Análisis de componentes principales (PCA)
Ejercicio de ejemplo PCA
Redes neuronales artificiales (ANN) (I)
Redes neuronales artificiales (ANN) (II)
Redes neuronales artificiales (ANN) (III)
Ejercicio de ejemplo
Ejercicio propuesto
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
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
Introducción a Power BI
Diferentes tipos de Power BI: ¿es realmente gratis?
Sumerjámonos en ello: primer informe simple
Power Query: fuente de datos
Transformación de datos
Modelado de datos
Comenzando con DAX (I)
Comenzando con DAX (II)
Dominando DAX (I)
Dominando DAX (II)
Tabla y matriz
Tendencias
Cómo filtrar tus datos adecuadamente
Marcadores
Obtención de detalles
Entendiendo Power BI Service
Compartiendo contenido en Power BI Service
Comparando Power BI Service y Power Report Service
Integrando Python y R en Power BI Desktop
Introduciendo Bravo para Power BI Desktop
- Regresión Lineal.
- Regresión Logística.
- Redes Neuronales.
- Clustering.
Principal Component Analysis (PCA).
- Redes neuronales profundas.
- Optimización de algoritmos.
- Redes neuronales convolucionales.
- Redes neuronales recurrentes.
- NPL. Procesamiento de lenguaje natural.
- Creación de Tablas e informes.
- Transformación y filtrado de datos.
- Visualización de los datos.
- Cálculo. Relaciones entre tablas de datos, métricas e indicadores.
- Panel de control dinámico e interactivo.
- Aplicación. Clasificación de objetos en imágenes.
- Aplicación. Detección de objetos en imágenes.
- Aplicación. Reconocimiento facial.
- Aplicación. Detección de palabras para asistentes de voz.
- Aplicación. Business Intelligence.
Cuarta revolución industrial
Transformación digital en las empresas
Fundamentos y puntos clave
Beneficios
Tecnologías habilitadoras
Big Data
Cloud Computing
Blockchain
Inteligencia artificial
Realidad virtual y aumentada
BIM
Robots colaborativos
Fabricación aditiva
Hiperconectividad
IOT
Manufacturing Execution System (MES)
Integración y eficiencia de procesos
Casos de uso
Nuevas metodologías: agile, lean startup o design thinking
Gestión del cambio
Introducción
Elementos clave para la gestión de proyectos de IA
Características de los proyectos de IA
Introducción a las principales metodologías ágiles y de ideación
Integración de las diferentes metodologías
Introducción
Fase I: Empatizar
Fase II: Definir
Fase III: Idear
Fase IV: prototipar
Lean start-up. Conceptos básicos
Lean Start-up. Herramientas
Scrum. Introducción
Scrum. Roles
Scrum. Ceremonias y artefactos
Introducción
Ideando el proyecto
Ejecutando el proyecto
Algunos consejos a la hora de implementar las metodologías
Educa PHAROS es una solución formativa para empresas que centraliza el aprendizaje, facilita la gestión de usuarios y permite medir el progreso mediante paneles y reportes.
Está dirigido a organizaciones que desean desarrollar habilidades internas, estandarizar la formación por roles y disponer de trazabilidad y métricas de aprendizaje.
Incluye itinerarios por perfiles, gestión de usuarios y permisos, reportes de progreso, certificación, y acceso a masterclass o sesiones en vivo (según plan).
Se apoya en buenas prácticas de seguridad, control de accesos, trazabilidad del aprendizaje y soporte de implementación. Personaliza este texto según tus compromisos (SLA, compliance, etc.).
Educa PHAROS es un modelo formativo de nueva generación que posiciona al capital humano de la empresa a la vanguardia. A través de una plataforma que se adapta a la imagen corporativa de cada empresa y con un total de más de 900 cursos se consigue una formación específica para cada organización. La tarifa plana ilimitada, proporciona a cada empresa el número de cursos que se ajuste a sus necesidades y también la posibilidad de determinar qué empleados podrán tener acceso.
Descarga el dossier del máster
Déjanos tus datos y te abrimos el PDF completo al instante.
Transformación digital e Infraestructuras Inteligentes 
Español 
Créditos 60 ECTS
Industria, Energía y Medio Ambiente 
Inglés
60 ECTS