Fundamentos de la Inteligencia Artificial para la Ciencia de Datos

Información general

Curso online de 75 horas con formación práctica, intensiva y 100 % actualizada en los fundamentos de la Inteligencia Artificial aplicada a la Ciencia de Datos. Aprenderás a trabajar con herramientas reales como KNIME, aplicando técnicas de aprendizaje automático (Machine Learning) para resolver problemas reales de análisis de datos.

Introducción

La inteligencia artificial está transformando la forma en que las organizaciones gestionan y analizan la información, convirtiéndose en una herramienta esencial en el ámbito de la Ciencia de Datos. Este curso te ofrece una formación completa, actualizada y práctica sobre los fundamentos de la IA aplicada al análisis de datos, que te permitirá adquirir competencias clave para la toma de decisiones basada en datos.

A lo largo del programa, aprenderás a recopilar, procesar y analizar datos mediante técnicas avanzadas de aprendizaje automático. Profundizarás en la implementación de modelos predictivos, la extracción de patrones en datos no etiquetados y el uso de herramientas como KNIME para el desarrollo de proyectos aplicados, adquiriendo así una base sólida para afrontar retos complejos en el ámbito profesional.

Objetivos del curso

• Comprender los conceptos fundamentales de la Ciencia de Datos: adquirir una visión integral del dato como activo clave para generar conocimiento.
• Resolver problemas complejos en Ciencia de Datos: diseñar soluciones innovadoras en proyectos con datos reales.
• Dominar los principios del aprendizaje automático (Machine Learning): conocer técnicas y algoritmos para el análisis predictivo y la detección de patrones.
• Aplicar modelos supervisados y no supervisados: implementar estrategias de clasificación, regresión y clustering en escenarios reales.
• Desarrollar competencias en tratamiento de datos: visualizar, preparar y transformar datos de manera adecuada para su análisis.

Público objetivo

• Profesionales de TI que deseen especializarse en Ciencia de Datos y Machine Learning.
• Estudiantes y titulados en áreas tecnológicas interesados en formación aplicada.
• Empresas que quieran capacitar a sus equipos en herramientas avanzadas de análisis de datos.

No se requieren conocimientos avanzados, aunque se recomiendan nociones básicas de informática y estadística.

Estructura del curso

• Modalidad: 100 % online, con sesiones síncronas y trabajo autónomo. (Clases en directo interactivas combinadas con talleres prácticos con resolución de casos reales mediante herramientas como KNIME)
• Evaluación: cuestionarios teóricos 30%, proyecto práctico final: 70%
• Duración: 30 horas en directo (10 sesiones de 3 horas) + 45 horas asíncronas.
• Certificación: Curso de 75 horas – 3 ECTS.
• Fechas: Del 7 de mayo al 23 de julio de 2025.
• Sesiones en directo: Todos los miércoles, del 7 de mayo al 16 de julio de 2025, en horario de 16:00h a 19:00h (España, GMT+2) o 09:00h a 12:00h (Perú, GMT-5).
• El miércoles 18 de junio no habrá clase por festivo en Granada.
• El último día para entregar trabajos y proyectos es el 23 de julio de 2025.

Al finalizar el curso, comprenderás

• Los conceptos fundamentales de la Ciencia de Datos y el aprendizaje automático, entendiendo la importancia del dato como activo central en la generación de conocimiento.
• Las diferencias entre el aprendizaje supervisado y no supervisado, identificando las tareas comunes y aplicaciones prácticas asociadas a cada enfoque.
• Los principios básicos de las técnicas y algoritmos clave del aprendizaje automático (Machine Learning) para el análisis predictivo y la extracción de patrones en conjuntos de datos.
• La relevancia de los procesos para la recopilación y preparación adecuada de datos utilizados en ciencia de datos y machine learning.

Y serás capaz de

• Recopilar y procesar datos asegurando su preparación adecuada para análisis posteriores.
• Aplicar modelos predictivos para resolver problemas de clasificación y regresión utilizando técnicas avanzadas de aprendizaje supervisado.
• Implementar algoritmos de aprendizaje no supervisado, como clustering y minería de asociación, para descubrir patrones y estructuras ocultas en datos no etiquetados.
• Evaluar y seleccionar las técnicas de aprendizaje automático más adecuadas según las necesidades específicas de cada problema analítico.
• Interpretar y comunicar de forma efectiva los resultados obtenidos a partir de modelos de aprendizaje automático, adaptándolos a audiencias técnicas y no técnicas.

Inscripciones y más información

https://aigranada.com/producto/fundamentos-ia-ciencia-datos/

Profesorado

Alberto Fernández Hilario
Profesor Catedrático – Universidad de Granada. Miembro del Departamento de Ciencias de la Computación e Inteligencia Artificial y del Instituto Andaluz de Ciencia de Datos e Inteligencia Computacional (DaSCI). Su principal línea de investigación es la Ciencia de Datos, centrado actualmente en temas de equidad, responsabilidad, transparencia y ética. Ha participado en numerosos proyectos de transferencia con empresas.
Carlos Cano Gutiérrez
Profesor Titular – Universidad de Granada. Miembro del Departamento de Ciencias de la Computación e Inteligencia Artificial y del Grupo de Investigación en Razonamiento Aproximado e Inteligencia Artificial (RAIA). Su principal línea de investigación es el uso de la Inteligencia Artificial en la rama de Bioinformática, buscando modelos que permitan alcanzar la medicina personalizada.
Jesús Alcalá Fernández
Profesor Catedrático – Universidad de Granada. Miembro del Departamento de Ciencias de la Computación e Inteligencia Artificial y del Instituto Andaluz de Ciencia de Datos e Inteligencia Computacional (DaSCI) Su principal línea de investigación es la Ciencia de Datos, aplicando numerosas aproximaciones de ML a problemas de clasificación y regresión, y aprendizaje no supervisado mediante reglas de asociación.