Curso de iniciación a la inteligencia artificial para desarrolladores

La Inteligencia Artificial (IA) es uno de los campos más transformadores en la tecnología actual, redefiniendo cómo interactuamos con las máquinas e innovando múltiples industrias. Este curso introductorio está diseñado para desarrolladores que desean explorar el mundo de la IA de manera práctica y accesible, combinando teoría con ejercicios concretos. Desde los conceptos básicos hasta la implementación de modelos de machine learning, esta guía será una herramienta clave para desenvolverse en este fascinante y desafiante campo.

A lo largo de ocho módulos, los participantes abordarán la historia y evolución de la IA y aprenderán a usar herramientas y lenguajes esenciales, como Python y sus principales librerías. Con un enfoque en áreas como Machine Learning, Deep Learning y Procesamiento del Lenguaje Natural, cada módulo ofrece una experiencia de aprendizaje completa, permitiendo desarrollar habilidades mediante la creación de modelos de clasificación y sistemas de recomendación, además de profundizar en la implementación y despliegue de modelos en entornos reales.

Este curso no solo aborda la técnica; también explora las implicaciones éticas y el futuro de la IA, dotando a los desarrolladores de una comprensión integral que fomente la creación de soluciones responsables y sostenibles. Al finalizar, los participantes tendrán los conocimientos y habilidades para iniciar su camino en la IA con confianza, listos para afrontar proyectos avanzados y contribuir con innovación en sus áreas de especialización.

Para disfrutar de este curso 100% gratuito tan sólo tienes que registrarte en #anixelo.

Regístrate gratis

Temario del curso

Módulo 1: Introducción a la Inteligencia Artificial

¿Qué es la IA?

1.1 Definición de inteligencia artificial y objetivos principales.
1.2 Conceptos básicos y su relación con otras áreas como la informática y la estadística.

Historia y Evolución de la IA

1.3 Principales hitos y avances tecnológicos en IA desde sus orígenes hasta la actualidad.
1.4 Diferencias entre IA simbólica (programación basada en reglas) y IA basada en datos (machine learning).

Ramas de la IA

1.5 Machine Learning (ML), Deep Learning (DL), Procesamiento de Lenguaje Natural (NLP).
1.6 Otras áreas: Robótica, visión por computadora, y sistemas expertos.

Aplicaciones Reales de la IA

1.7 Casos de uso en diversas industrias: asistentes virtuales, sistemas de recomendación, diagnóstico médico, etc.
1.8 Análisis de ejemplos concretos y sus impactos en la sociedad y en la productividad empresarial.

Entorno y Herramientas para Desarrolladores

1.9 Introducción a Python como el lenguaje principal en IA, junto con R para análisis estadístico.
1.10 Descripción y configuración de librerías y frameworks esenciales: TensorFlow, PyTorch, Scikit-learn, Keras.
1.11 Configuración del entorno de desarrollo con Jupyter Notebooks y uso básico de Google Colab para proyectos de IA.

Módulo 2: Fundamentos de Machine Learning

Conceptos Básicos de Machine Learning

2.1 ¿Qué es Machine Learning? Diferencias con IA y DL.
2.2 Tipos de aprendizaje: supervisado, no supervisado, y por refuerzo; ejemplos de cada tipo.

Ciclo de Vida de un Proyecto de Machine Learning

2.3 Descripción de cada etapa: obtención de datos, preprocesamiento, modelado, evaluación y despliegue.
2.4 Ejemplo práctico: Ciclo de vida en un proyecto de clasificación de correos electrónicos (spam vs. no spam).

Preparación de Datos

2.5 Fuentes de datos: APIs, bases de datos, y datasets públicos (Kaggle, UCI).
2.6 Limpieza y transformación de datos (normalización, manejo de valores nulos, codificación de variables categóricas).
2.7 Técnicas avanzadas de preprocesamiento: manejo de outliers, reducción de dimensionalidad (PCA), imputación de datos.
2.8 Análisis exploratorio de datos (EDA) con visualizaciones usando Matplotlib y Seaborn.

Entrenamiento y Evaluación de Modelos

2.9 Modelos de regresión y clasificación (Regresión Lineal, K-Vecinos más Cercanos, Árboles de Decisión).
2.10 Métricas de evaluación: precisión, recall, F1-score, AUC-ROC.
2.11 Creación de un modelo de clasificación simple en Scikit-learn, evaluación y ajuste de hiperparámetros.
2.12 Introducción a técnicas de validación cruzada y ajuste de modelos.

Módulo 3: Deep Learning (Aprendizaje Profundo)

Redes Neuronales Artificiales (ANNs)

3.1 Estructura de una red neuronal y funcionamiento de las capas (entrada, oculta, salida).
3.2 Explicación de funciones de activación: ReLU, Sigmoid, Tanh.
3.3 Implementación de una red neuronal simple con TensorFlow o Keras.

Conceptos de Deep Learning

3.4 Diferencias entre Machine Learning tradicional y Deep Learning.
3.5 Redes neuronales profundas (DNNs) y su importancia en la clasificación y reconocimiento de patrones.

Introducción a Frameworks de Deep Learning

3.6 Comparación entre TensorFlow y PyTorch; selección de framework según el tipo de proyecto.
3.7 Entrenamiento de modelos con TensorFlow y PyTorch en el mismo dataset.

Redes Neuronales Convolucionales (CNNs)

3.8 Arquitectura y funcionamiento de CNNs, explicando su aplicación en visión por computadora.
3.9 Implementación de una CNN para clasificación de imágenes (por ejemplo, el dataset MNIST de dígitos escritos a mano).

Redes Neuronales Recurrentes (RNNs)

3.10 Aplicación de RNNs en secuencias de datos (NLP y series temporales).
3.11 Creación de un modelo RNN básico en un dataset de series temporales (como predicción de temperatura o stock).

Módulo 4: Procesamiento de Lenguaje Natural (NLP)

Introducción al Procesamiento de Lenguaje Natural

4.1 Técnicas clave: tokenización, lematización, stemming.
4.2 Representación de texto: Bag of Words, TF-IDF, y Word Embeddings (Word2Vec, GloVe).
4.3 Ejemplo de preprocesamiento de un texto usando NLTK y Spacy.

Modelos de Lenguaje

4.4 Introducción a modelos avanzados como GPT y BERT, y su uso en clasificación y análisis de textos.
4.5 Transfer learning en NLP: uso de modelos preentrenados.

Aplicaciones de NLP

4.6 Casos de uso: clasificación de texto, análisis de sentimientos, chatbots, traducción automática.
4.7 Implementación de un modelo de análisis de sentimientos en un dataset de reseñas de productos.

Chatbots y Asistentes Virtuales

4.8 Introducción a la creación de chatbots con procesamiento de lenguaje natural.
4.9 Creación de un chatbot básico usando Python y frameworks como Rasa o Dialogflow.

Módulo 5: Sistemas de Recomendación

Introducción a los Sistemas de Recomendación

5.1 Tipos de sistemas: basados en contenido, filtrado colaborativo y sistemas híbridos.
5.2 Análisis de casos de uso en plataformas de comercio electrónico y medios de streaming.

Construcción de un Sistema de Recomendación

5.3 Implementación de un sistema de filtrado colaborativo utilizando similitud entre usuarios o productos.
5.4 Evaluación de modelos de recomendación con métricas específicas como precisión y recall.

Ejercicio Práctico: Sistema de Recomendación

5.5 Implementación de un sistema de recomendación en un dataset de películas o productos.
5.6 Ajuste de hiperparámetros y análisis de métricas para mejorar la personalización de recomendaciones.

Módulo 6: Implementación y Despliegue de Modelos IA

Introducción a la Implementación de Modelos

6.1 Uso de modelos preentrenados y entrenamiento de modelos personalizados con datos propios.

Herramientas para Desplegar Modelos

6.2 Despliegue de modelos en producción usando Flask y FastAPI.
6.3 Uso de servicios en la nube para modelos (Google Cloud AI, AWS Sagemaker, Azure ML).

MLOps: DevOps para Machine Learning

6.4 Introducción a MLOps, ciclo de vida de modelos en producción y monitoreo continuo.
6.5 Uso de herramientas de gestión de experimentos como MLflow o DVC.
6.6 Creación de una API con FastAPI para servir un modelo de clasificación y consumo desde una aplicación web.

Despliegue en la Nube

6.7 Configuración de modelos en plataformas como Google Cloud, AWS y Azure.
6.8 Práctica de despliegue en Google Cloud AI Platform.

Módulo 7: IA Avanzada y Aprendizaje por Refuerzo

Aprendizaje por Refuerzo (Reinforcement Learning)

7.1 Conceptos: agente, entorno, recompensas.
7.2 Algoritmos básicos: Q-learning, Deep Q-learning (DQN).

Aplicaciones del Aprendizaje por Refuerzo

7.3 Ejemplos prácticos en videojuegos y robótica.
7.4 Creación de un agente RL para un juego simple usando OpenAI Gym.

Algoritmos Generativos

7.5 Introducción a Redes Generativas Adversarias (GANs) y sus aplicaciones.
7.6 Implementación de una GAN simple para generar imágenes básicas.

Módulo 8: Consideraciones Éticas y Futuro de la IA

Ética y Sesgos en la IA

8.1 Identificación de sesgos en datos y modelos; cómo mitigarlos.
8.2 Ejemplos de impacto ético en aplicaciones de IA (reconocimiento facial, predicciones médicas).

IA Explicable (XAI)