MODULO DE INTRODUCCIÓN AL BIG DATA E INTELIGENCIA ARTIFICIAL (IA)
.

01.- INTRODUCCIÓN AL BIG DATA
 
1.- Introducción al Big Data
Qué es el Big Data
El Big Data como solución al tratamiento masivo de datos
Del Business Intelligence al Big Data
Retos del Big Data
Características del Big Data (4 V’s)
Aplicaciones del Big Data
 
2.- Bases de datos
Introducción a las bases de datos relacionales
Introducción a las bases de datos no relacionales
Diferencias entre SQL y NoSQL
Ventajas e inconvenientes de cada tipo de base de datos
Ejemplos de bases de datos utilizadas en Big Data
Hadoop como revolución para el tratamiento paralelo de datos masivos
Casos de uso de Hadoop
El ecosistema Hadoop: HDFS y MapReduce
Ejemplos de HDFS y MapReduce
Principales lenguajes de programación utilizados para el Big Data: Java, Scala, SQL y Python
Procesos ETL (extracción, transformación y carga): Flume, Sqoop y HIVE
Ejemplos de procesos ETL
Procesos Real Time y bases de datos de alta disponibilidad: Kafka, HBASE y Redis
 
3.- Arquitectura de Big Data
Nuevos paradigmas del Big Data: Procesos en Real Time y Cloud Computing
Ventajas y desafíos del procesamiento en tiempo real y del Cloud Computing
Ejemplos de uso del cloud computing  
¿Qué es TensorFlow?
Presentación de las diferentes técnicas de análisis de datos
Técnicas de visualización de datos
Herramientas y técnicas para crear visualizaciones interactivas y dashboards
Desafíos y consideraciones en la visualización de datos
 
4.- Casos de uso de Big Data:
Aplicaciones del Big Data en Instituciones Públicas  
Aplicaciones del Big Data en el Mundo Empresarial
Análisis de los beneficios del uso del Big Data
 
5.- Ética y privacidad en Big Data:
Discusión sobre la importancia de la ética y la privacidad en el uso de Big Data
Principales riesgos y desafíos éticos asociados con el Big Data
Mejores prácticas para garantizar la ética y la privacidad en Big Data
 
02.- INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
 
1.- Introducción a la Inteligencia Artificial
Definición de inteligencia artificial
Evolución histórica de la inteligencia artificial
La inteligencia artificial en la vida cotidiana y en diferentes sectores
La inteligencia artificial como subcampo de la informática
Enfoques, técnicas y objetivos de la IA
 
2.- Fundamentos de Machine Learning
Inteligencia artificial, machine learning, deep learning y redes neuronales
Aprendizaje automático (Machine Learning)
Tipos de Machine Learning (Supervisado, No Supervisado, por Refuerzo)
Características definitorias de un algoritmo
Un ejemplo de las características definitorias de un algoritmo
Evaluación y mejora de modelos
 
3.- Aprendizaje Supervisado
Métodos de aprendizaje supervisado
Modelos de Algoritmos Supervisados
Modelos de regresión lineal
Modelos de regresión logística
Modelos de árboles de decisión
Modelos de máquina de vectores de soporte
 
4.- Aprendizaje No Supervisado
Métodos de aprendizaje no supervisado
Modelos de Algoritmos no Supervisados
k-means
DBSCAN
Análisis de Componentes Principales (PCA)
Agrupamiento Jerárquico
Comparativa de los principales algoritmos no supervisados
Cuándo utilizar unos u otros algoritmos de aprendizaje no supervisado
Cómo elegir el algoritmo adecuado supervisado o no supervisado
 
5.- Aprendizaje por Refuerzo
Aprendizaje por Refuerzo: Aprendiendo a través de la interacción
Desafíos del Aprendizaje por Refuerzo
Los agentes en el aprendizaje por refuerzo
Algoritmos de Aprendizaje por Refuerzo
 
6.- Enfoques heurísticos
Los enfoques heurísticos en la inteligencia artificial
Algoritmos genéticos
Recocido simulado
Búsqueda tabú
Algoritmos voraces
 
7.- Deep Learning y Redes Neuronales
Deep Learning: Aprendiendo representaciones jerárquicas
Desafíos del Deep Learning
Redes neuronales artificiales
Conceptos básicos de las redes neuronales
Capas de neuronas de una red artificial
Parámetros de un modelo de inteligencia artificial
Entrenamiento de redes neuronales
Técnicas de entrenamiento de una red neuronal
Aprendizaje por transferencia
 
8.- Arquitecturas de Deep Learning
Tipos de arquitecturas de Deep Learning
Redes Neuronales Recurrentes (RNN)
Redes neuronales convolucionales (CNN)
Redes Generativas Adversarias (GAN)
Redes Neuronales Transformadoras (TNN)
Comparativa entre las distintas arquitecturas de Deep Learning
 
9.- Modelos de procesamiento del lenguaje natural
Procesamiento del lenguaje natural (Natural Language Processing)
Técnicas clave del procesamiento de texto
Modelos de procesamiento del lenguaje natural
Los Transformadores y el procesamiento del lenguaje natural
Aplicaciones del procesamiento del lenguaje natural
 
10.- Modelos de visión computacional
Visión computacional (Computer Vision)
Conceptos básicos de la visión computacional
Modelos de visión computacional
Procesamiento de imágenes y redes neuronales convolucionales (CNN)
Aplicaciones de la visión por computadora
 
11.- Casos de uso de la Inteligencia Artificial
Impacto de la inteligencia artificial en la sociedad y la economía
Ejemplos de aplicaciones de la IA en instituciones públicas
Ejemplos de aplicaciones de la IA en el mundo empresarial
 
12.- Aspectos éticos y legales de la inteligencia artificial
Explicabilidad y transparencia de los modelos de Deep Learning
Sesgos y discriminación en los modelos de inteligencia artificial
Responsabilidad y regulación en la IA
 
13.- Tendencias y desafíos futuros en Inteligencia Artificial
Avances y retos en la investigación de IA
Innovación y oportunidades en el campo de la IA

MODULO DE TRANSFORMACIÓN EMPRESARIAL CON INTELIGENCIA ARTIFICIAL: ESTRATEGIAS Y APLICACIONES
.

01.- INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
 
1.- Introducción a la Inteligencia Artificial
Definición de inteligencia artificial
Evolución histórica de la inteligencia artificial
La inteligencia artificial en la vida cotidiana y en diferentes sectores
La inteligencia artificial como subcampo de la informática
Enfoques, técnicas y objetivos de la IA
 
2.- Fundamentos de Machine Learning
Inteligencia artificial, machine learning, deep learning y redes neuronales
Aprendizaje automático (Machine Learning)
Tipos de Machine Learning (Supervisado, No Supervisado, por Refuerzo)
Características definitorias de un algoritmo
Un ejemplo de las características definitorias de un algoritmo
Evaluación y mejora de modelos
 
3.- Modelos de procesamiento del lenguaje natural
Procesamiento del lenguaje natural (Natural Language Processing)
Técnicas clave del procesamiento de texto
Modelos de procesamiento del lenguaje natural
Los Transformadores y el procesamiento del lenguaje natural
Aplicaciones del procesamiento del lenguaje natural
 
4.- Modelos de visión computacional
Visión computacional (Computer Vision)
Conceptos básicos de la visión computacional
Modelos de visión computacional
Procesamiento de imágenes y redes neuronales convolucionales (CNN)
Aplicaciones de la visión por computadora
 
5.- Casos de uso de la Inteligencia Artificial
Impacto de la inteligencia artificial en la sociedad y la economía
Ejemplos de aplicaciones de la IA en instituciones públicas
Ejemplos de aplicaciones de la IA en el mundo empresarial
 
6.- Aspectos éticos y legales de la inteligencia artificial
Explicabilidad y transparencia de los modelos de Deep Learning
Sesgos y discriminación en los modelos de inteligencia artificial
Responsabilidad y regulación en la IA
 
7.- Tendencias y desafíos futuros en Inteligencia Artificial
Avances y retos en la investigación de IA
Innovación y oportunidades en el campo de la IA
 
8.- Introducción al Big Data
Qué es el Big Data
El Big Data como solución al tratamiento masivo de datos
Del Business Intelligence al Big Data
Retos del Big Data
Características del Big Data (4 V’s)
Aplicaciones del Big Data
 
9.- Bases de datos
Introducción a las bases de datos relacionales
Introducción a las bases de datos no relacionales
Diferencias entre SQL y NoSQL
Ventajas e inconvenientes de cada tipo de base de datos
Ejemplos de bases de datos utilizadas en Big Data
Hadoop como revolución para el tratamiento paralelo de datos masivos
Casos de uso de Hadoop
El ecosistema Hadoop: HDFS y MapReduce
Ejemplos de HDFS y MapReduce
Principales lenguajes de programación utilizados para el Big Data: Java, Scala, SQL y Python
Procesos ETL (extracción, transformación y carga): Flume, Sqoop y HIVE
Ejemplos de procesos ETL
Procesos Real Time y bases de datos de alta disponibilidad: Kafka, HBASE y Redis
 
10.- Arquitectura de Big Data
Nuevos paradigmas del Big Data: Procesos en Real Time y Cloud Computing
Ventajas y desafíos del procesamiento en tiempo real y del Cloud Computing
Ejemplos de uso del cloud computing  
¿Qué es TensorFlow?
Presentación de las diferentes técnicas de análisis de datos
Técnicas de visualización de datos
Herramientas y técnicas para crear visualizaciones interactivas y dashboards
Desafíos y consideraciones en la visualización de datos
 
11.- Casos de uso de Big Data:
Aplicaciones del Big Data en Instituciones Públicas  
Aplicaciones del Big Data en el Mundo Empresarial
Análisis de los beneficios del uso del Big Data
 
 
02.- APLICACIÓN DEL ALGORITMO DE INTELIGENCIA ARTIFICIAL
 
1.- Aprendizaje Supervisado
Métodos de aprendizaje supervisado
Modelos de Algoritmos Supervisados
Modelos de regresión lineal
Modelos de regresión logística
Modelos de árboles de decisión
Modelos de máquina de vectores de soporte
 
2.- Aprendizaje No Supervisado
Métodos de aprendizaje no supervisado
Modelos de Algoritmos no Supervisados
k-means
DBSCAN
Análisis de Componentes Principales (PCA)
Agrupamiento Jerárquico
Comparativa de los principales algoritmos no supervisados
Cuándo utilizar unos u otros algoritmos de aprendizaje no supervisado
Cómo elegir el algoritmo adecuado supervisado o no supervisado
 
3.- Aprendizaje por Refuerzo
Aprendizaje por Refuerzo: Aprendiendo a través de la interacción
Desafíos del Aprendizaje por Refuerzo
Los agentes en el aprendizaje por refuerzo
Algoritmos de Aprendizaje por Refuerzo
 
4.- Enfoques heurísticos
Los enfoques heurísticos en la inteligencia artificial
Algoritmos genéticos
Recocido simulado
Búsqueda tabú
Algoritmos voraces
 
5.- Deep Learning y Redes Neuronales
Deep Learning: Aprendiendo representaciones jerárquicas
Desafíos del Deep Learning
Redes neuronales artificiales
Conceptos básicos de las redes neuronales
Capas de neuronas de una red artificial
Parámetros de un modelo de inteligencia artificial
Entrenamiento de redes neuronales
Técnicas de entrenamiento de una red neuronal
Aprendizaje por transferencia
 
6.- Arquitecturas de Deep Learning
Tipos de arquitecturas de Deep Learning
Redes Neuronales Recurrentes (RNN)
Redes neuronales convolucionales (CNN)
Redes Generativas Adversarias (GAN)
Redes Neuronales Transformadoras (TNN)
Comparativa entre las distintas arquitecturas de Deep Learning
 
 
03.- ASIMILACIÓN DE EJEMPLOS CON WEKA/ORANGE
 
1.- Introducción a Weka y Orange
Introducción a Weka y Orange
¿Qué son Weka y Orange?
Importancia de Weka y Orange en el Aprendizaje Automático
Comparación entre Weka y Orange: Ventajas y Desventajas
Instalación y Configuración de Weka y Orange
 
2.- Exploración de la Interfaz de Weka
Exploración de la Interfaz de Weka
Visión General de la Interfaz de Weka
Modos de Weka: Explorador, Experto, Flujo de Trabajo
Descripción de Módulos Clave en el Explorador
 
3.- Exploración de la Interfaz de Orange
Exploración de la Interfaz de Orange
Introducción a la Interfaz Visual de Orange
Comprensión de los Widgets de Orange
Creación de un Flujo de Trabajo Básico en Orange
 
4.- Importación y Preparación de Datos en Weka y Orange
Importación y Preparación de Datos en Weka y Orange
Fuentes de Datos
Preprocesamiento de Datos
Visualización de Datos
 
5.- Implementación de Modelos de Aprendizaje Automático
Implementación de Modelos de Aprendizaje Automático
Modelos Supervisados en Weka y Orange
Modelos No Supervisados en Weka y Orange
Algoritmos de Aprendizaje por Refuerzo
Modelos Profundos (Deep Learning)
 
6.- Evaluación y Validación de Modelos
Evaluación y Validación de Modelos
Métodos de Validación
Métricas de Evaluación
Evaluación de Modelos en Weka
Evaluación de Modelos en Orange
Análisis de Resultados
 
7.- Visualización de Resultados
Visualización de Resultados
Visualización de Resultados en Weka
Visualización de Resultados en Orange
Interpretación de Visualizaciones para la Toma de Decisiones
 
8.- Casos Prácticos y Ejercicios
Casos Prácticos y Ejercicios
Estudio de Caso 1: Clasificación de Datos Médicos
Estudio de Caso 2: Segmentación de Clientes
 
9.- Automatización y Flujo de Trabajo en Weka/Orange
Automatización y Flujo de Trabajo en Weka/Orange
Creación de Flujos de Trabajo Automatizados en Weka
Uso de Scripts Python en Orange para Automatización
Exportación e Implementación de Modelos en Entornos de Producción
 
10.- Conclusiones y Buenas Prácticas
Conclusiones y Buenas Prácticas
Conclusiones
Buenas prácticas

MODULO DE ALGORITMOS DE LA INTELIGENCIA ARTIFICIAL. EJEMPLO DE MODELOS (ORANGE Y WEKA)
.

01.Algoritmos de la IA
Introducción.
Machine Learning, Deep Learning y aprendizaje por refuerzo.
Machine Learning: modelos supervisados.
Construcción de un modelo de Machine Learning.
Métricas de rendimiento de un modelo de Machine Learning.
Algoritmos de inteligencia artificial.
Machine Learning: modelos no supervisados.
Aprendizaje por refuerzo.
Modelos profundos (Deep Learning).
Resumen.

02. Ejemplos de modelos
Introducción.
Procesamiento de datos con Orange y Weka.
Orange.
Weka.
Resumen.

MODULO DE CHATGPT, GEMINI, COPILOT Y OTRAS HERRAMIENTAS DE IA
. 

1 – La inteligencia artificial para tareas cotidianas
La inteligencia artificial para tareas cotidianas
Introducción
¿Qué es la IA?
Modelos de IA
¿Cómo aprende la IA?
Aplicaciones
Resumen
 
2 – Conoce los chatbots de IA principales y algunos más
Conoce los chatbots de IA principales y algunos más
Introducción
ChatGPT
¿Qué es ChatGPT?
Modelos disponibles en ChatGPT
Tipos de cuenta en ChatGPT
Cómo crear una cuenta de inicio en ChatGPT
Anatomía de ChatGPT
Algunas utilidades de ChatGPT
ChatGPT para profesionales
ChatGPT para estudiantes
Limitaciones de ChatGPT
Gemini
¿Qué es Gemini?
Modelos disponibles de Gemini
Tamaños de modelos disponibles de Gemini
Tipos de cuenta de Gemini
Cómo crear una cuenta de inicio
Anatomía de Gemini
Algunas utilidades de Gemini
Gemini para profesionales
Gemini para estudiantes
Limitaciones de Gemini
Copilot
¿Qué es Copilot?
Tipos de cuenta
Cómo crear una cuenta de inicio en Copilot
Anatomía de Copilot
Algunas utilidades de Copilot
Copilot para profesionales
Copilot para estudiantes
Limitaciones
Claude
¿Qué es Claude?
Modelos disponibles de Claude
Cómo crear una cuenta en Claude
Anatomía de Claude
Otras herramientas de IA
Copilot como asistente de navegación
Harpa
Harpa AI y pasos para habilitarla
Anatomía de Harpa AI
Complementos de IA para Google Drive
GPT for Google Sheets and Docs
GPT Workspace
Complementos de IA para Office
Resumen
 
3 – Comunícate con la IA. Estrategia para el diseño de prompts
Comunícate con la IA. Estrategia para el diseño de prompts
Introducción
¿Cómo nos comunicamos con la IA?
¿Cómo tienen que ser los prompts?
Claros y concisos
Estructurados
Contextualizados
Iterativos
Estrategia para diseñar prompts efectivos
Rol
Acción: Verbo + Qué + Para qué
Verbo
Qué
Para qué
Pasos
Contexto
Temas a tratar
Ejemplos
Audiencia
Plantilla
Formato
Estilo
Tono
Restricciones
Preguntas
Toque emocional
Posibles tipos de conversación: trucos para conversar
Crear un prompt
Dar información y luego pedir acciones
Charlar de manera estructurada
Pedir que haga el prompt
Resumen
 
4 – Genera contenido en forma de texto
Genera contenido en forma de texto
Introducción
Prompt para generar texto
ChatGPT para generar texto
Gemini para generar texto
Copilot para generar texto
Claude para generar texto
Otras herramientas de IA para generar texto
Copilot como asistente de navegación para generar texto
Harpa, la extensión de IA en Chrome para generar texto
Complementos de IA en Google Drive para generar texto
Complementos de IA en Office para generar texto
Resumen
 
5 – Resume textos
Resume textos
Introducción
Prompts para resumir texto
ChatGPT para resumir texto
Gemini para resumir texto
Copilot para resumir texto
Claude para resumir texto
Otras herramientas de IA para resumir texto
Copilot como asistente de navegación
Harpa
Complementos de IA para Google Drive
Complementos de IA para Office
Resumen
 
6 – Crea un mapa mental
Crea un mapa mental
Introducción
Prompts para crear un mapa mental
Modos de creación
Tipos de prompts
ChatGPT para generar un mapa mental
Gemini para generar el texto de un mapa mental
Copilot para generar el texto de un mapa mental
Claude para generar el texto de un mapa mental
Otras herramientas de IA para generar el texto de un mapa mental
Xmind para crear mapas mentales
Resumen
 
7 – Genera una presentación
Genera una presentación
Introducción
Prompts para crear una presentación
Modos de creación
Tipos de prompts
ChatGPT para generar una presentación
Gemini para generar el texto de una presentación
Copilot para generar el texto de una presentación
Claude para generar el texto de una presentación
Otras herramientas de IA para generar el texto de una presentación
Gamma: aplicación con IA para crear una presentación completa
Resumen
 
8 – Interactúa con videos
Interactúa con vídeos
Introducción
Prompt para interactuar con vídeos
ChatGPT para interactuar con un vídeo
Gemini para interactuar con un vídeo
Copilot para interactuar con un vídeo
Claude para interactuar con un vídeo
Otras herramientas de IA para interactuar con videos
Copilot como asistente de navegación para interactuar con vídeos
Harpa para interactuar con vídeos
Gladia para transcribir vídeos
Resumen
 
9 – Analiza datos
Analiza datos
Introducción
Prompts para analizar datos
ChatGPT para analizar datos
Gemini para analizar datos
Copilot para analizar datos
Claude para analizar datos
Otras herramientas de IA para analizar datos
Rows
Resumen
 
10 – Evalúa y selecciona tus herramientas de IA
Evalúa y selecciona tus herramientas de IA
Introducción
Identifica tus herramientas de IA
Tabla resumen de posibilidades
Gráfico con resumen de posibilidades
Observaciones clave
Conclusión
Resumen

MODULO DE GESTIÓN DE PROYECTOS CON INTELIGENCIA ARTIFICIAL
.

1. Introducción a la gestión de proyectos con inteligencia artificial

¿Qué es la Gestión de Proyectos e IA Generativa?
Cómo preguntar a un LLM para que genere resultados efectivos
¿Qué es ChatGPT y cómo crear una cuenta?
Resumen

2. Uso de IA para estrategia e inicio de proyectos
Valoración financiera de proyecto con IA (VAN, TIR,?)
Crear un Caso de Negocio persuasivo con IA (business case)
Creación de un Acta de Constitución del Proyecto con IA
Resumen

3. Planificación de proyectos con IA (I)
Uso de ChatGPT para definición de los objetivos y el alcance del proyecto
Crear una EDT automáticamente y desglosar las actividades del proyecto con IA
Crear cronogramas de proyectos con ChatGPT automáticamente
Identificar el camino crítico del proyecto con IA
Creación de diagramas de Gantt con IA
Calcular el presupuesto del proyecto con IA
Resumen

4. Planificación de proyectos con IA (II)
Asignación de recursos y optimización con asistente de IA
Implantar estrategias de Calidad en el proyecto con IA
Planificación de Riesgos del proyecto con IA
Planificación de las Comunicaciones del Proyecto ajustadas a cada interesado con IA
Creación de los Planes de Proyecto con ChatGPT (Alcance, Tiempo, Costes, Calidad, Recursos…)
Resumen

5. Gestión y ejecución de proyectos con IA
Gestionar el Alcance del proyecto con IA
Calcular el avance del proyecto con IA y controlar el cronograma y los costes (técnica EVM)
Evaluación del desempeño del equipo con IA
Comunicaciones – Escribir emails efectivos para la gestión del proyecto con ChatGPT
Comunicaciones – Revisión y optimización de emails asistido por IA
Generar reportes automáticos del proyecto con IA
Usar ChatGPT para preparar reuniones y presentaciones de proyecto
Recomendaciones y Toma de decisiones para mejorar el proyecto con IA
Resumen

6. Uso de IA en metodologías ágiles: Kanban & Scrum
Creación de historias de usuario con IA para el Product Backlog en Agile
Planificación de los sprints con IA
Creación de burndown para seguimiento del proyecto Scrum con ChatGPT automáticamente
Resumen