Fundamentos de Inteligencia Artificial para Ciencia de Datos

Modalidad de celebración

Online

Dirección

Alberto Fernández

Coordinación

Antonio Marín

Colaboran

Granada Research & Innovation
Instituto Andaluz Interuniversitario en Data Science and Computational Intelligence

Introducción

El curso avanzado de formación en herramientas de Inteligencia Artificial (IA) para la Ciencia de Datos aprendizaje automático ofrece una inmersión profunda en los pilares esenciales del análisis de datos y la toma de decisiones informadas mediante técnicas basadas en Machine Learning. Comenzando con una sólida introducción a la Ciencia de Datos, los participantes explorarán la centralidad del dato como activo crucial en la generación de conocimiento, comprendiendo su importancia desde la recopilación hasta su procesamiento a través de herramientas como los procesos ETL (extract-transform-load).

A medida que avanza el curso, los estudiantes se sumergirán en los fundamentos del Machine Learning, abordando técnicas y algoritmos clave para el análisis predictivo y la extracción de patrones a partir de datos. Se prestará especial atención a las tareas y modelos en el aprendizaje supervisado, cubriendo tanto la clasificación como la regresión, con un enfoque práctico en la implementación de modelos predictivos.

Además, se explorarán las posibilidades del aprendizaje no supervisado, profundizando en las tareas comunes y las técnicas para la extracción de información valiosa a partir de datos no etiquetados.

A lo largo del curso, se promueve un enfoque práctico con ejemplos y ejercicios interactivos que permiten a los participantes desarrollar habilidades aplicables en escenarios del mundo real.

Competencias del alumnado

El alumnado sabrá/comprenderá:

• Los conceptos fundamentales de la Ciencia de Datos y la importancia del dato como activo central en el proceso de generación de conocimiento.
• Los principios básicos del Aprendizaje Automático (Machine Learning), incluyendo técnicas y algoritmos clave para el análisis predictivo y la extracción de patrones a partir de datos.
• Las diferencias entre el aprendizaje supervisado y no supervisado, así como las tareas comunes asociadas a cada uno de ellos.
• La importancia de la recopilación y el procesamiento adecuado de datos para su uso en tareas de ciencia de datos y machine learning.

El alumnado será capaz de:

• Recopilar datos de diversas fuentes y llevar a cabo procesos de extracción, transformación y carga (ETL) para prepararlos para su análisis.
• Aplicar técnicas y algoritmos de aprendizaje supervisado para resolver problemas de clasificación y regresión, utilizando modelos predictivos.
• Implementar algoritmos de aprendizaje no supervisado para descubrir patrones y estructuras ocultas en conjuntos de datos no etiquetados.
• Evaluar y seleccionar apropiadamente técnicas de aprendizaje automático en función de los requisitos específicos de un problema de análisis de datos.
• Interpretar y comunicar los resultados obtenidos a partir de modelos de aprendizaje automático de manera efectiva y comprensible para diferentes audiencias.

Método de evaluación

• Cuestionarios para los aspectos teóricos
• Implementación de proyectos para los aspectos prácticos

Cualificación personal o empleos a los que da acceso

• Científico de datos: Los estudiantes estarán equipados con las habilidades necesarias para trabajar como científicos de datos, utilizando técnicas de IA y aprendizaje automático para analizar grandes conjuntos de datos y extraer información valiosa para la toma de decisiones.
• Ingeniero de machine learning: Los participantes en el curso pueden buscar empleo como ingenieros de machine learning, desarrollando y desplegando modelos de aprendizaje automático en aplicaciones y sistemas en una variedad de industrias.
• Analista de datos: Las habilidades adquiridas en el curso también son relevantes para roles de analista de datos, donde los estudiantes pueden utilizar herramientas de IA y técnicas de aprendizaje automático para identificar tendencias, patrones y relaciones en los datos.
• Consultor en inteligencia artificial: Aquellos con experiencia en herramientas de IA y aprendizaje automático pueden encontrar oportunidades como consultores en inteligencia artificial, asesorando a empresas sobre cómo implementar y aprovechar estas tecnologías en sus operaciones y estrategias comerciales.
• Investigador en ciencia de datos: Los estudiantes también pueden optar por carreras en investigación en ciencia de datos, explorando nuevas técnicas y metodologías en el campo del aprendizaje automático y contribuyendo al avance del conocimiento en esta área.

Idiomas utilizados

Español e inglés