Contenidos SCORM

Seguridad Informática

IFCD107 Especialista En Inteligencia Artificial

Este Curso IFCD107 Especialista En Inteligencia Artificial le ofrece una formación especializada en la materia dentro de la Familia Profesional INFORMÁTICA Y COMUNICACIONES.

  • Duración230 h
  • Unidades10
  • FormatoSCORM 1.2

Sobre este contenido

Este Curso IFCD107 Especialista En Inteligencia Artificial le ofrece una formación especializada en la materia dentro de la Familia Profesional INFORMÁTICA Y COMUNICACIONES. Con este CURSO IFCD107 Especialista En Inteligencia Artificial el alumno será capaz de Utilizar aplicaciones y algoritmos de Inteligencia Artificial, en diferentes proyectos de aplicabilidad en las empresas.

Temario

10 unidades didácticas · 230 horas

Contenido10 unidades
SCORM 1

Fundamentos de inteligencia artificial

  • Inmersión a la IA explicando sus principales modalidades.
  • Breve noción sobre los principales algoritmos de IA.
  • Análisis de los diferentes tipos de aprendizaje.
  • Fundamentos matemáticos para el entendimiento del funcionamiento de distintos algoritmos basados en IA y conceptos básicos de programación.
  • Implementación de conceptos matemáticos de IA utilizando Python como lenguaje de programación.
  • Fundamentos estadísticos básicos para el entendimiento del funcionamiento de distintos algoritmos, preprocesamiento de datos y análisis de resultados.
  • Implementación de conceptos estadísticos utilizando Python como lenguaje de programación.
  • Puesta en marcha del entorno de trabajo.
  • Detalle de los diferentes softwares y programas utilizados para la implementación de algoritmos basados en IA.
  • Inmersión en el lenguaje Python
SCORM 2

Exploración del conjunto de datos

  • Reconocimiento de las competencias y funciones de un Data Scientist relacionadas con la explotación, análisis y gestión de los datos en una empresa.
  • Fundamentos de la visualización de los datos de entrada del modelo.
  • Inmersión en las librerías más utilizadas en la visualización de datos.
  • Identificación de las herramientas necesarias para poder examinar los datos en función del tipo de dato.
  • Aplicación práctica de librerías de visualización de datos.
  • Fundamentos del pre-procesado de los datos de entrada del modelo.
  • Inmersión en las librerías más utilizadas en la preparación y limpieza de datos.
  • Identificación de las herramientas necesarias para la limpieza, reducción y preparación de los datos de entrada según tipo.
  • Aplicación práctica de librerías de examinación y pre-procesado de datos.
SCORM 3

Algoritmos de machine learning

  • Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos de ML.
  • Definición teórico-práctica de estos conceptos matemáticos.
  • Implementación en Python de dichos conceptos matemáticos.
  • Introducción a los modelos de ML más utilizados.
  • Implementación en Python de estos modelos haciendo uso de las librerías más relevantes.
  • Introducción a los conceptos de sistemas de recomendación y aprendizajes por refuerzo.
  • Identificación del algoritmo más relevante a desarrollar según tipología y aplicabilidad.
  • Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos.
SCORM 4

Redes neuronales

  • Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos basados en Redes Neuronales explicados en este módulo.
  • Definición teórico-práctica de estos conceptos matemáticos.
  • Desarrollo en Python de los algoritmos que implementan dichos conceptos.
  • Identificación de los modelos basados en Redes Neuronales más utilizados según aplicación.
  • Implementación en Python de dichos algoritmos haciendo uso de las librerías más relevantes.
  • Identificación del algoritmo más relevante a desarrollar según tipología y aplicabilidad.
  • Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos
SCORM 5

Visualización de resultados

  • Fundamentos de la visualización de los resultados del modelo.
  • Inmersión en las librerías más utilizadas en la visualización de los resultados de un modelo.
  • Identificación de las herramientas necesarias para evaluación de resultados en función del modelo.
  • Aplicación práctica de librerías de visualización de datos.
  • Visualización del proceso de entrenamiento y búsqueda de puntos de optimización o sesgos en el modelo.
  • Identificación de problemas como vanishing gradient o exploding gradient durante el entrenamiento de redes neuronales.
  • Evaluación de resultados:
  • - Capacidad de visualización de la precisión de un modelo.
  • - Detección de overfitting en la validación del modelo.
  • - Identificación de sesgos que puedan haberse inferido de alguna de las entradas del modelo
SCORM 6

Bases de datos en IA

  • Inmersión al lenguaje SQL y a las bases de datos más relevantes:
  • - Introducción al lenguaje SQL, modelo de datos y a las bases de datos más relevantes.
  • - Aplicación práctica de consultas SQL, CRUD.
  • - Nociones básicas DBA.
  • - Buenas prácticas en bases de datos SQL.
  • - Fundamentos de bases de datos NoSQL.
  • Introducción a las bases de datos NoSQL y comparativa con las bases de datos relacionales:
  • - Inmersión a las bases de datos NoSQL más relevantes.
  • - Aplicaciones prácticas sobre bases de datos NoSQL, CRUD.
  • - Nociones básicas DBA
  • - Buenas prácticas en bases de datos NoSQL.
  • Tratamiento y almacenamiento en base de datos de un dataset desde Python.
  • Operaciones CRUD desde Python a una base de datos SQL.
SCORM 7

Auto machine learning

  • Inmersión al Auto Machine Learning y a las plataformas más relevantes.
  • Introducción al Auto ML y a los beneficios que puede proporcionar con respecto a los métodos tradicionales.
  • Tratamiento de datos desde AWS SageMaker.
  • Introducción a la carga y tratamiento de conjuntos de datos sobre el servicio SageMaker.
  • Visualización de datos en SageMaker con la finalidad de obtener información sobre el conjunto de datos.
  • Entrenamiento de modelos ML mediante AutoML
  • - Aplicación práctica y entrenamiendo de modelos sobre SageMaker.
  • - Validación y evaluación de modelos ML sobre SageMaker.
  • Implementación de servicios web ML
  • Desarrollo de servicios web seguros sobre modelos entrenados en SageMaker accesibles mediante API.
SCORM 8

Responsible ai

  • Comprender y articular los problemas críticos, sociales, legales, políticos y éticos que surgen a lo largo del ciclo de vida de los datos.
  • Comprender conceptos relevantes, que incluyen: ética, moralidad, responsabilidad, derechos digitales, gobernanza de datos, interacción persona-datos, investigación e innovación responsables.
  • Identificar y evaluar problemas éticos actuales en la industria y la ciencia de datos.
  • Aplicar el juicio crítico y la reflexividad profesionales a los problemas morales sin soluciones claras.
  • Evaluar los problemas éticos que enfrenta en su práctica profesional actual.
  • Identificar y aplicar soluciones éticas a esos problemas.
SCORM 9

Caso práctico en IA

  • Análisis de los factores relevantes de un problema de IA.
  • Técnicas y herramientas para la toma de decisiones a la hora de abordar el proyecto.
  • Identificación de los entornos, fases y herramientas necesarias para llevar a cabo la solución seleccionada.
  • Gestión y seguimiento de las distintas fases del proyecto de IA.
  • Planificación, diseño y programación de los componentes de un proyecto de forma autónoma.
SCORM 10

Softskills - píldoras formativas

  • Iniciación en el desarrollo ágil de proyectos mediante el uso de la metodología Scrum:
  • - Principios y fundamentos de Agile y comparativa con el enfoque tradicional.
  • - Entender los distintos roles y su relación entre ellos.
  • - Conocer las ceremonias y cómo apoyarse en ellas para cumplir con el control de procesos.
  • Introducción a Design Thinking como herramienta para encontrar soluciones innovadoras a través de la creatividad e innovación
  • - Descripción de las diferentes etapas
  • - Uso de técnicas disponibles en las distintas fases.
  • El arte de contar historias (storytelling) como medio para transmitir un mensaje con éxito.
  • - Estructura y elementos
  • - Consejos y ejemplos
  • - Puesta en práctica

Más contenidos de Seguridad Informática

Ver los 100 →