MÁSTER EN

INTELIGENCIA ARTIFICIAL
Titulación CEUPE - Centro Europeo de Postgrado

conoce los programas de ceupe

Másteres reconocidos y convalidables por la institución pública del país de origen
Módulo
Introducción a la
Inteligencia Artificial
Índice
CEUPE Módulo. Introducción a la Inteligencia Artificial
Centro Europeo de Postgrado Índice

Índice
1. ¿QUÉ ES LA IA? CONCEPTOS BÁSICOS, OBJETIVOS Y TIPOLOGÍA
1.1. DEFINICIÓN DE LA INTELIGENCIA ARTIFICIAL. EL TEST DE TURING
1.2. TIPOS DE INTELIGENCIA ARTIFICIAL. CLASIFICACIONES
1.2.1. IA GENÉRICA, IA ESPECÍFICA Y “SÚPER” IA
1.2.2. SISTEMAS HUMANOS Y RACIONALES
1.2. LA CLASIFICACIÓN DE LA IA DE HINTZE
2. CRONOLOGÍA Y LÍMITES DE LA INTELIGENCIA ARTIFICIAL
2.1. CRONOLOGÍA DE LOS ALGORITMOS Y LAS COMPUTADORAS
2.2. CRONOLOGÍA DE LA INTELIGENCIA ARTIFICIAL
ETAPA 0. LOS ANCESTROS: MATEMÁTICAS Y NEUROCIENCIA.
ETAPA 1. PROPUESTA TEÓRICA Y PRIMEROS PASOS 1940 – 1959
ETAPA 2. EL PRIMER INVIERNO DE LA IA 1960 – 1979
ETAPA 3. LOS PRIMEROS ÉXITOS, VUELTA DE LA FINANCIACIÓN 1980 – 1987... 48
ETAPA 4. EL SEGUNDO INVIERNO DE LA IA 1988 – 1993
ETAPA 5. LA GRAN EXPANSIÓN 1994 – 2011
ETAPA 6. LA ERA DEL BIG DATA Y EL DEEP LEARNING: DESDE 2012
3. MÉTODOS Y TECNOLOGÍAS FUNDACIONALES
4. APLICACIONES E IMPACTO EN EL MUNDO REAL
BIBLIOGRAFÍA

CEUPE
Centro Europeo de Postgrado

Web
www.ceupe.com

E-mail
[email protected]

02
Módulo
Visión Artificial
Índice
CEUPE Módulo. VIsión Artificial CEUPE Módulo. VIsión Artificial
Centro Europeo de Postgrado Índice Centro Europeo de Postgrado Índice

Índice
UNIDAD 3. APLICACIÓN DE OBJETIVOS Y DEEP LEARNING
3.1. PREPARACIÓN DEL ENTORNO DE GOOGLE COLAB
UNIDAD 1. INTRODUCCIÓN A LA VISIÓN ARTIFICIAL 3.2. CLASIFICACIÓN DE OBJETOS MEDIANTE TÉCNICAS CLÁSICAS
1.1. QUÉ ES LA VISIÓN ARTIFICIAL Y CUÁLES SON SUS OBJETIVOS 3.2.1. MÁQUINAS DE VECTORES DE SOPORTE (SVM Y K-NEAREST NEIGHBORHS (KNN)
1.1.1. OBJETIVOS DE LA VISIÓN ARTIFICIAL 3.2.2. ÁRBOLES DE DECISIÓN
1.2. MÉTODOS Y PROCESOS 3.3. CLASIFICACIÓN DE OBJETOS MEDIANTE DEEP LEARNING
1.2.1. FASE 1. DISEÑO Y DESARROLLO 3.3.1. LAS REDES NEURONALES CONVOLUCIONALES
1.2.2. FASE 2. IMPLANTACIÓN DEL SISTEMA. DESPLIEGUE 3.3.2. MODELOS DE CNN PARA CLASIFICACIÓN DE OBJETOS
1.3. BREVE HISTORIA Y CAMPOS RELACIONADOS 3.4. DETECCIÓN DE OBJETOS MEDIANTE DEEP LEARNING
1.4. CARACTERÍSTICAS EN LA ACTUALIDAD 3.4.1. REGION-BASED CONVOLUTIONAL NEURAL NETWORK (R-CNN)
3.4.2. FAST R-CNN
UNIDAD 2. TÉCNICAS DE PROCESAMIENTO DE IMÁGENES Y RECONOCIMIENTO VISUAL. COLOR, 3.4.3. FASTER R-CNN
FILTROS Y EXTRACCIÓN DE CARACTERÍSTICAS 3.4.4. YOU ONLY LOOK ONCE (YOLO)
2.1. PREPARACIÓN DEL ENTORNO DE DESARROLLO Y PRUEBAS 3.4.5. OTROS MODELOS
2.1.1. INSTALACIÓN DE PYTHON, ANACONDA Y JUPYTER NOTEBOOK 3.4.6. EJEMPLO PRÁCTICO
2.1.2. INSTALACIÓN DE OPENCV 3.5. SEGMENTACIÓN DE OBJETOS MEDIANTE DEEP LEARNING
2.2. IMÁGENES, MATRICES Y COLOR 3.5.1. CONVOLUTIONAL AND DECONVOLUTIONAL NETWORKS (ENCODER-DECODER)
2.2.1. ESPACIO DE COLOR HSV 3.5.2. MASK R-CNN
2.2.2. ESPACIO DE COLOR CIELAB 3.5.3. LA FAMILIA DEEPLAB
2.3. REPRESENTACIÓN Y TRANSFORMACIONES DE IMÁGENES 3.5.4. EJEMPLO PRÁCTICO
2.3.1. REPRESENTACIÓN DE IMÁGENES 3.6. GANS (REDES GENERATIVAS ADVERSARIAS)
2.3.2. TRANSFORMACIÓN DE IMÁGENES 3.6.1. CONDITIONAL GAN: PIX2PIX
2.3.3. OPERACIONES MORFOLÓGICAS 3.6.2. CYCLEGAN
2.4. FILTRADO: DESENFOQUE, NITIDEZ Y SUAVIZADO 3.6.3. STYLEGAN
2.4.1. BLURRING Y DENOISING
2.4.2. SHARPENING UNIDAD 4. MACHINE VISION. INSTRUMENTACIÓN PARA LA VISIÓN
2.5. DETECCIÓN DE BORDES, CONTORNOS, RECTAS Y ESQUINAS 4.1. ELEMENTOS BÁSICOS DE UN DISPOSITIVO DE CAPTURA
2.5.1. DETECCIÓN DE BORDES MEDIANTE CONVOLUCIÓN: SOBEL, PREWITT Y LAPLACIAN EDGE 4.1.1. EL SENSOR
2.5.2. DETECCIÓN DE BORDES MEDIANTE CANNY 4.1.2. EL OBJETIVO O LA LENTE
2.5.3. DETECCIÓN DE CONTORNOS 4.1.3. EL OBTURADOR Y EL TIEMPO DE EXPOSICIÓN
2.5.4. DETECCIÓN DE RECTAS Y CÍRCULOS 4.1.4. FRAME RATE
2.5.5. DETECCIÓN DE ESQUINAS 4.2. TIPOLOGÍA DE DISPOSITIVOS DE CAPTURA
2.6. EXTRACCIÓN DE CARACTERÍSTICAS GLOBALES E INVARIANTES: DETECTORES Y DESCRIPTORES 4.3. ORIGEN DE LA CAPTURA
2.6.1. SIFT (SCALE-INVARIANT FEATURE TRANSFORM) 4.3.1. SELECCIÓN DE UN CONJUNTO DE COMPONENTES
2.6.2. SURF (SPEEDED UP ROBUST FEATURES)
2.6.3. ORB (ORIENTED FAST AND ROTATED BRIEF) BIBLIOGRAFÍA
2.7. FEATURE MATCHING Y RECONOCIMIENTO DE OBJETOS CON ORB
2.7.1. MATCHING POR FUERZA BRUTA
2.7.2. RECONOCIMIENTO DE OBJETOS CON ORB Y BRUTE FORCE MATCHING: HOMOGRAFÍA

02 03
Módulo
Procesamiento del
Lenguaje Natural (NLP)
Índice
CEUPE Módulo. Procesamiento del Lenguaje Natural CEUPE Módulo. Procesamiento del Lenguaje Natural
Centro Europeo de Postgrado Índice Centro Europeo de Postgrado Índice

Índice

UNIDAD 1. INTRODUCCIÓN AL PROCESAMIENTO DEL LENGUAJE NATURAL (NLP) UNIDAD 6. NLP BASADO EN MECANISMOS DE ATENCIÓN. TRANSFORMERS
1.1. QUÉ ES EL PROCESAMIENTO DEL LENGUAJE NATURAL 6.1. SELF-ATTENTION LAYER
1.2. OBJETIVOS Y ARQUITECTURA BÁSICA DE UN SISTEMA NLP 6.2. TRANSFORMER BLOCK
1.3. ANTECEDENTES DEL NLP ACTUAL 6.3. TRADUCCIÓN SEQ2SEQ CON MECANISMOS DE ATENCIÓN
6.4. TRANSFORMERS PARA GENERAR MODELOS DE LENGUAJE Y GENERACIÓN DE TEXTO
UNIDAD 2. PREPROCESAMIENTO DE TEXTOS: EL PRIMER PASO EN EL NLP 6.5. BIDIRECTIONAL ENCODER REPRESENTATIONS FROM TRANSFORMERS (BERT)
2.1. LAS EXPRESIONES REGULARES Y LA SEGMENTACIÓN DE PALABRAS Y FRASES 6.6. GENERATIVE PRE-TRAINED TRANSFORMERS (GPT-2 Y GPT-3)
2.2. QUÉ ES UNA PALABRA
2.3. NORMALIZACIÓN DEL TEXTO BIBLIOGRAFÍA
2.3.1. TOKENIZACIÓN
2.3.2. NORMALIZACIÓN DEL FORMATO DE LAS PALABRAS
2.3.3. SEGMENTACIÓN DE FRASES Y ORACIONES

UNIDAD 3. CATEGORIZACIÓN, AUTOCORRECCIÓN Y AUTOCOMPLETADO DE TEXTO

3.1. AUTOCORRECCIÓN Y ALGORITMOS DE ESTIMACIÓN DE DISTANCIA
3.1.1. ESTIMACIÓN DE LA DISTANCIA ENTRE PALABRAS
3.1.2. FILTRADO DE CANDIDATOS Y ESTIMACIÓN DE PROBABILIDAD
3.2. CATEGORIZACIÓN DE PALABRAS (PART OF SPEECH TAGGING)
3.2.1. HIDDEN MARKOV CHAINS Y EL ALGORITMO VITERBI
3.3. N-GRAMS – AUTOCOMPLETADO DE TEXTO
3.3.1. MATRIZ DE RECUENTO (COUNT MATRIX)
3.3.2. APLICAR UN MODELO DE LENGUAJE BASADO EN N-GRAM
3.3.3. EVALUACIÓN DE MODELOS DE LENGUAJE: PERPLEJIDAD (PERPLEXITY)

UNIDAD 4. NLP CON MACHINE LEARNING. REPRESENTACIÓN DE PALABRAS, SEMÁNTICA,

DISTANCIA Y RELACIÓN ENTRE PALABRAS
4.1. VECTORS AND WORD EMBEDDINGS
4.1.1. MATRIZ DE CO-OCURRENCIA: CO-OCURRENCE MATRIX
4.1.2. MEDICIÓN DE DISTANCIA ENTRE PALABRAS: LA DISTANCIA DEL COSENO
4.1.3. TF – IDF: TERM FREQUENCY – INVERSE DOCUMENT FREQUENCY Y PPMI
4.2. WORD2VEC
4.2.1. SKIP-GRAM WITH NEGATIVE SAMPLING (SGNS)
4.2.2. CONTINUOUS BAG OF WORDS (CBOW)

UNIDAD 5. PROCESAMIENTO DEL LENGUAJE NATURAL CON DEEP LEARNING

5.1. RECURRENT NEURAL NETWORKS (RNN)
5.2. LONG SHORT-TERM MEMORY (LSTM)
5.2.1. LSTM PARA LA CLASIFICACIÓN DE TEXTOS: UN EJEMPLO
5.2.2. APLICACIÓN DE UNA RED LSTM EN NLP: NAMED ENTITY RECOGNITION (NER)
5.2.3. OTRAS APLICACIONES DE LA ARQUITECTURA LSTM

02 03
Módulo
Machine Learning
y Deep Learning
Índice
CEUPE Módulo. Machine Learning y Deep Learning
Centro Europeo de Postgrado Índice

Índice
INTRODUCCIÓN A PYTHON

UNIDAD 1. ORIGEN Y CLASIFICACIÓN DE LA INTELIGENCIA ARTIFICIAL

UNIDAD 2. APRENDIZAJE SUPERVISADO

2.1. CLASIFICACIÓN
2.1.1. REGRESIÓN LOGÍSTICA
2.1.2. CLASIFICADOR NAIVE BAYES
2.1.3. K-NEAREST NEIGHBOURS
2.1.4. SUPPORT VECTOR MACHINE (SVM)
2.1.5. ÁRBOLES DE DECISIÓN
2.2. REGRESIÓN
2.2.1. REGRESIÓN LINEAL
2.2.2. TÉCNICAS DE REGULARIZACIÓN
2.2.3. STEPWISE REGRESSION
2.2.4. OTROS MODELOS DE REGRESIÓN

UNIDAD 3. APRENDIZAJE NO SUPERVISADO

3.1. CLUSTERING
3.1.1. K-MEANS
3.1.2. K-MEDIAN
3.1.3. HYERARCHICAL CLUSTERING O AGRUPAMIENTO JERARQUICO
3.2. REDUCCIÓN DE DIMENSIONALIDAD
3.2.1. EXTRACCIÓN DE CARACTERÍSTICAS
3.2.1.1. CLASIFICADORES LINEALES
3.2.1.2. CLASIFICADORES NO LINEALES
3.2.2. SELECCIÓN DE CARACTERÍSTICAS

UNIDAD 4. APRENDIZAJE POR REFUERZO CEUPE

Centro Europeo de Postgrado
UNIDAD 5. DEEP LEARNING
5.1. REDES NEURONALES Web
5.1.1. REDES NEURONALES ARTIFICIALES www.ceupe.com
5.1.1.1. PERCEPTRÓN SIMPLE
5.1.1.2. PERCEPTRÓN MÚLTIPLE E-mail
5.1.2. REDES PROFUNDAS [email protected]
5.1.3. REDES NEURONALES RECURRENTES (RNN)
5.1.4. REDES NEURONALES CONVOLUCIONALES (CNN)
5.1.5. DECONVOLUTIONAL NETWORK (DN)
5.1.6. REDES DE CREENCIAS PROFUNDAS (DBN)
5.1.7. AUTO ENCODER (AE)
5.1.8. RED GENERATIVA ANTAGÓNICA (GAN)
5.1.9. DEEP RESIDUAL NETWORK (RESNET)
5.2. LIMITACIONES DEL DEEP LEARNING

BIBLIOGRAFÍA

02
Módulo
Cognitive Devices
Índice
CEUPE Módulo. Cognitive Devices CEUPE Módulo. Cognitive Devices
Centro Europeo de Postgrado Índice Centro Europeo de Postgrado Índice

Índice
UNIDAD 4. DISPOSITIVOS Y SENSORES
4.1. SENSORES DE PROPÓSITO GENERAL
UNIDAD 1. EVOLUCIÓN DE LOS SISTEMAS COMPUTACIONALES 4.2. SENSORES Y DISPOSITIVOS INDUSTRIALES
1.1. LA PRIMERA GENERACIÓN (1940 A 1955): TUBOS DE VACÍO 4.2.1. SENSORES MEMS
1.2. LA SEGUNDA GENERACIÓN (1955 A 1965): TRANSISTORES Y SISTEMAS DE PROCESAMIENTO 4.2.2. SENSORES DE PAR
DE DATOS 4.2.3. SENSORES DE VISIÓN
1.3. TERCERA GENERACIÓN (1965 A 1975): CIRCUITOS INTEGRADOS Y MULTIPROGRAMACIÓN 4.3. SENSORES Y DISPOSITIVOS BIOMÉDICOS
1.4. LA CUARTA GENERACIÓN (1970 -1980): LAS PC O COMPUTADORAS PERSONALES 4.3.1. SENSOR GSR
1.5. LA QUINTA GENERACIÓN (1980-1990 A LA ACTUALIDAD): LA ERA DE LA IA 4.3.2. SENSOR DE RITMO CARDIACO
1.6. SEXTA GENERACIÓN DE COMPUTADORAS: REDES NEURONALES ARTIFICIALES 4.3.3. SENSOR EMG
1.7. SÉPTIMA GENERACIÓN DE COMPUTADORAS: PARALELIZACIÓN DE CARGAS 4.3.4. SENSORES ECG
1.8. OCTAVA GENERACIÓN DE COMPUTADORAS: NANOTECNOLOGÍA 4.3.5. SENSOR DE HUELLA DIGITAL
4.3.6. SISTEMAS DE IMAGEN MÉDICA
4.3.7. DISPOSITIVOS WEREABLES
UNIDAD 2. CO-PROCESADORES 4.4. SENSORES Y DISPOSITIVOS DE DOMÓTICA
2.1. ARQUITECTURA DE UN COMPUTADOR
2.1.1. HARDWARE DE UN COMPUTADOR
2.2. COPROCESADORES MATEMÁTICOS UNIDAD 5. INTERACCIÓN COMPUTADOR-HUMANO
2.3. COPROCESADORES DE ENTRADA / SALIDA 5.1. INTERFACES DE USUARIO
2.4. COPROCESADORES CRIPTOGRÁFICOS 5.1.1. GRAPHICAL USER INTERFACE (GUI)
2.5. COPROCESADORES DE PROCESAMIENTO DE SEÑAL 5.1.2. VOICE USER INTERFACE
2.6. COPROCESADORES CUÁNTICOS 5.1.3. NATURAL USER INTERFACE
2.6.1. GOOGLE 5.2. REALIDAD VIRTUAL
2.6.2. MICROSOFT 5.2.1. METAVERSO
2.6.3. AMAZON WEB SERVICES 5.3. NUEVOS PARADIGMAS
2.6.4. IBM
2.6.5. USTC (UNIVERSITY OF SCIENCE AND TECHNOLOGY FROM CHINA)
BIBLIOGRAFÍA
2.7. COPROCESADORES GRÁFICOS
2.8. TENSOR PROCESING UNIT (TPU)
2.9. UNIDADES DE PROCESAMIENTO VISUAL
2.10 FPGA
2.11. NUEVAS ARQUITECTURAS HARDWARE
2.11.1. EXPERIMENTO CHIP FUSIÓN
2.11.2. BRAIN-INSPIRED COMPUTING
2.11.3. EDGE COMPUTING

UNIDAD 3. INTERNET OF THINGS

3.1. HARDWARE
3.2. REDES
3.3. SOFTWARE
3.4. INDUSTRIA 4.0

02 03
Módulo
Desafíos éticos
y RSC
Índice
CEUPE Módulo. Desafíos éticos y RSC
Centro Europeo de Postgrado Índice

Índice
UNIDAD 1. ÉTICA EN LA INTELIGENCIA ARTIFICIAL
1.1. INTELIGENCIA ARTIFICIAL
1.1.1. INTELIGENCIA ARTIFICAL ESTRECHA (ANI)
1.1.2. INTELIGENCIA ARTIFICIAL GENERAL (AGI)
1.1.3. SUPER INTELIGENCIA ARTIFICIAL (ASI)
1.2. INTELIGENCIA ARTIFICIAL E INTELIGENCIA HUMANA
1.3. ÉTICA
1.4. LEYES DE LA ROBÓTICA
1.5. PERCEPCIÓN SOCIAL DE LA INTELIGENCIA ARTIFICIAL

UNIDAD 2. DESAFÍOS ÉTICOS DE LA INTELIGENCIA ARTIFICIAL

2.1. PRIVACIDAD Y PROTECCIÓN DE DATOS
2.1.1. TÉCNICAS DE INTERPRETABILIDAD Y EXPLICABILIDAD DE MODELOS DE INTELIGENCIA
ARTIFICIAL
2.2. DETECCIÓN DE SESGOS

UNIDAD 3. ROBOÉTICA. CÓMO NOS AFECTAN LAS DECISIONES DE LA INTELIGENCIA ARTIFICIAL

3.1. VEHÍCULOS AUTÓNOMOS
3.2. INTELIGENCIA ARTIFICIAL APLICADA A LA MEDICINA
3.3. DRONES

UNIDAD 4. INTELIGENCIA ARTIFICIAL Y RESPONSABILIDAD SOCIAL CORPORATIVA

4.1. CONTEXTO HISTÓRICO
4.2. CONCEPTO Y PRINCIPIO DE LA RESPONSABILIDAD SOCIAL CORPORATIVA
4.2.1. CONCEPTO CEUPE
4.2.2. PRINCIPIOS Centro Europeo de Postgrado
4.2.3. ¿QUÉ NO ES RESPONSABILIDAD SOCIAL CORPORATIVA?
4.2.4. IMPORTANCIA DE LA RESPONSABILIDAD SOCIAL CORPORATIVA Web
4.2.5. INTELIGENCIA ARTIFICIAL Y RESPONSABILIDAD SOCIAL CORPORATIVA www.ceupe.com
4.2.6. LA INTELIGENCIA ARTIFICIAL Y MATERIAS FUNDAMENTALES DE LA RESPONSABILIDAD SOCIAL
CORPORATIVA E-mail
4.3. RIESGOS Y BENEFICIOS DE LA INTELIGENCIA ARTIFICIAL [email protected]
4.4. POSIBLES RIESGOS
4.5. BENEFICIOS DE LA INTELIGENCIA ARTIFICIAL PARA LA RESPONSABILIDAD
SOCIAL CORPORATIVA EN LÍNEA CON LOS OBJETIVOS DE DESARROLLO SOSTENIBLE
4.6. ¿CÓMO APLICAN LAS EMPRESAS LA RESPONSABILIDAD SOCIAL CORPORATIVA A LA INTELIGENCIA
ARTIFICIAL? EJEMPLOS DE BUENAS PRÁCTICAS
4.6.1. TELEFONICA TECH: AI OF THINGS
4.6.2. AUDI
4.6.3. MICROSOFT

BIBLIOGRAFÍA

02
Módulo
IA en la Era del
Cloud Computing
Índice
CEUPE Módulo. IA en la Era del Cloud Computing CEUPE Módulo. IA en la Era del Cloud Computing
Centro Europeo de Postgrado Índice Centro Europeo de Postgrado Índice

Índice UNIDAD 4. CONTENEDORES Y MICROSERVICIOS ORIENTADOS A LA IA

4.1. VISIÓN GENERAL DE LOS MICROSERVICIOS: BENEFICIOS E INCONVENIENTES
4.2. MIGRACIÓN DE ARQUITECTURAS NATIVAS MONOLÍTICAS A MICROSERVICIOS
UNIDAD 1. INTRODUCCIÓN AL MUNDO CLOUD. TIPOS DE ENTORNO 4.3. IMPLEMENTACIÓN DE MICROSERVICIOS
1.1. INTRODUCCIÓN AL MUNDO CLOUD 4.4. MICROSERVICIOS SIN ESTADO VS MICROSERVICIOS CON ESTADO
1.2. TIPOS DE ENTORNOS CLOUD 4.5. SERVERLESS: BENEFICIOS E INCONVENIENTES
1.2.1 CLOUD PÚBLICO 4.6. ENFOQUE HÍBRIDO CON SERVERLESS
1.2.2 CLOUD PRIVADO 4.7. INTRODUCCIÓN FUNCTION AS A SERVICE (FAAS)
1.2.3 CLOUD HÍBRIDO 4.8. INTRODUCCIÓN A SERVICE MESH Y TIPOS
1.2.4 COMPARATIVA ENTRE ENTORNOS 4.9. INTRODUCCIÓN A ISTIO
1.2.5. CASOS DE USO POR ENTORNO 4.10. EL CAMINO A LAS APLICACIONES ALOJADAS EN LA NUBE. RED HAT OPENSHIFT
1.3. CONCEPTO DE ENTORNO MULTICLOUD 4.11. RED HAT OPENSHIFT DATA SCIENCE
1.3.1. ¿QUÉ ES UN ENTORNO MULTICLOUD? 4.12. ACTIVIDAD COMPLEMENTARIA. CONTENEDORES Y NPL
1.3.2. ¿POR QUÉ ADOPTAR UNA ESTRATEGIA MULTICLOUD?
1.3.3. RETOS EN LA IMPLEMENTACIÓN DE ENTORNOS MULTICLOUD CONCLUSIONES
1.3.4. SOLUCIONES TECNOLÓGICAS A NIVEL IT - IA Y OTRAS
ANEXO. SOLUCIONES ACTIVIDADES FORTALECIMIENTO
1.3.5.DISEÑOS
1.3.6. ESCENARIO COMÚN EN LA ADOPCIÓN DE UNA ESTRATEGIA MULTICLOUD. CASO DE USO
BIBLIOGRAFÍA
1.3.7. APLICACIÓN Y GESTIÓN DE UNA INFRAESTRUCTURA MULTICLOUD
1.3.8. OPTIMIZACIÓN USANDO ENTORNOS MULTICLOUD
1.4. PROVEEDORES DE SERVICIOS CLOUD. VISIÓN GENERAL
1.5. BEST PRÁCTICES DEL CONSUMO CLOUD. GENERAL
1.6. RESUMEN DEL APARTADO Y ACTIVIDADES DE FORTALECIMIENTO DEL CAPÍTULO

UNIDAD 2. APIS DE VISIÓN ARTIFICIAL Y NPL

2.1. HERRAMIENTAS DE PYTHON
2.2. HERRAMIENTAS NODE
2.3. HERRAMIENTAS JAVA

UNIDAD 3. PROVEEDORES SERVICIOS CLOUD Y APLICACIONES DEDICADAS A LA IA

3.1. AMAZON
3.1.1. ANÁLISIS DE DATOS CON AWS
3.1.2. SERVICIOS DE IA CON AWS
3.2. GOOGLE CLOUD
3.2.1. DESARROLLO CON IA
3.2.2. IA CONVERSACIONAL
3.2.3. IA PARA DOCUMENTOS
3.2.4. IA PARA SECTORES EMPRESARIALES
3.3. IBM
3.3.1. ¿QUÉ ES IBM WATSON?
3.3.2. APLICACIONES DE IA / MACHINE LEARNING DE IBM
3.4. MICROSOFT
3.4.1. SERVICIOS DE IA APLICADA DE AZURE
3.4.2. AZURE COGNITIVE SERVICES
3.4.3. AZURE MACHINE LEARNING
3.4.4. INFRAESTRUCTURA PARA INTELIGENCIA ARTIFICIAL COMO SERVICIO
3.5. ALIBABA

02 03
Módulo
Dirección de
Proyectos de IA
Índice
CEUPE Módulo. Dirección de Proyectos de IA
Centro Europeo de Postgrado Índice

Índice
UNIDAD 1. RECURSOS NECESARIOS PARA BUENAS PRÁCTICAS EN LA DIRECCIÓN DE
PROYECTOS DE IA

UNIDAD 2. PLANIFICACIÓN DE PROYECTOS

2.1. DIAGRAMA DE GANTT
2.2. MATRIZ RACI
2.3. CRITERIOS DE ELECCIÓN DE LA METODOLOGÍA DE GESTIÓN DE PROYECTOS ADECUADA
PARA TU EQUIPO

UNIDAD 3. CANALES DE COMUNICACIÓN Y FRAMEWORKS DE GESTIÓN DE PROYECTOS

3.1. MODELOS WATERFALL PREDICTIVOS. METODOLOGÍA PMI
3.1.1. ENFOQUE WATERFALL
3.1.2. GUÍA PMBOK DEL PROJECT MANAGEMENT INSTITUTE (PMI)
3.2. METODOLOGÍA AGILE
3.2.1. BREVE HISTORIA DEL AGILE MANIFESTO
3.2.2. PRINCIPIOS BÁSICOS DEL AGILE MANIFESTO
3.2.3. LOS 4 VALORES DE LA METODOLOGÍA AGILE
3.2.4. LOS 12 PRINCIPIOS DEL AGILE MANIFESTO
3.2.5. TIPOS DE METODOLOGÍAS ÁGILES
3.2.5.1. KANBAN
3.2.5.2. SCRUM
3.2.5.3. DIFERENCIAS ENTRE WATERFALL, AGILE, KANBAN Y SCRUM
3.2.5.4. MARCO DE PROYECTO ADAPTATIVO (AFP)
3.2.5.5. GESTIÓN EXTREMA DE PROYECTOS (XPM)
3.2.5.6. DESARROLLO ADAPTATIVO DE SOFTWARE (ASD)
3.2.5.7. MÉTODO DE DESARROLLO DE SISTEMAS DINÁMICOS (DSDM) CEUPE
3.2.5.8. DESARROLLO BASADO EN FUNCIONALIDADES (FDD) Centro Europeo de Postgrado
3.2.5.9. SCALED AGILE FRAMEWORK (SAFE)
3.3. OTRAS METODOLOGÍAS Web
3.3.1. METODOLOGÍA SRUMBAN www.ceupe.com
3.3.2. METODOLOGÍA PRINCE2
3.3.3. METODOLOGÍA SIX SIGMA E-mail
3.3.4. MÉTODO DE LA RUTA CRÍTICA (CPM) [email protected]
3.3.5.GESTIÓN DE PROYECTOS POR CADENA CRÍTICA (CCPM)
3.3.6. METODOLOGÍA LEAN
3.3.7. PROGRAMACIÓN EXTREMA (XP)

UNIDAD 4. ITIL E ITSM. GESTIÓN DE SERVICIOS DE IA

BIBLIOGRAFÍA

ANEXO. SOLUCIONES A LAS ACTIVIDADES. INVESTIGACIÓN

02
Módulo
Líneas de Negocio a
Desarrollar en
Proyectos de IA
Índice
CEUPE Módulo. Líneas de negocio a desarrollar en proyectos de IA
Centro Europeo de Postgrado Índice

Índice
UNIDAD 1. EVOLUCIÓN Y CONCIENCIA SOCIAL SOBRE TECNOLOGÍA. EXPECTATIVAS DE LA IA

UNIDAD 2. ANÁLISIS PREDICTIVO DE INFORMACIÓN

UNIDAD 3. ASISTENTES VIRTUALES

3.1 ¿POR QUÉ LAS EMPRESAS REQUIEREN DE ASISTENTES VIRTUALES?
3.2. TIPOS DE ASISTENTES VIRTUALES
3.2.1. CHATBOTS
3.2.2. ASISTENTES DE VOZ
3.2.3. ASISTENTES ESPECÍFICOS DE DOMINIO
3.2.4. AVATARES DE IA
3.2.5. ASISTENTES VIRTUALES MÁS EXTENDIDOS
3.3. TECNOLOGÍAS EN LAS QUE SE FUNDAMENTAN LOS ASISTENTES VIRTUALES
3.3.1. VOZ A TEXTO (STT) Y TEXTO A VOZ (TTS)
3.3.2. VISIÓN COMPUTACIONAL / ARTIFICIAL (CV)
3.3.3. CONTROL DE RUIDO
3.3.4. COMPRESIÓN DEL HABLA
3.3.5. PROCESAMIENTO DEL LENGUAJE NATURAL (PNL)
3.3.6. COMPRENSIÓN DEL LENGUAJE NATURAL (NLU)
3.3.7. GENERACIÓN DE LENGUAJE NATURAL (NLG)
3.3.8. APRENDIZAJE PROFUNDO (DL)
3.3.9. REALIDAD AUMENTADA (RA)
3.3.10. REDES ANTAGÓNICAS GENERATIVAS (GANS)
3.3.11. INTELIGENCIA EMOCIONAL (IE)

UNIDAD 4. CASOS DE USO POR INDUSTRIA

4.1. POLÍTICA Y COMUNICACIÓN
4.2. BANCA, FINANZAS Y SEGUROS CEUPE
4.3. SALUD Y FARMA Centro Europeo de Postgrado
4.4. GAMING/OCIO DIGITAL Y CONDUCCIÓN
Web
UNIDAD 5. CASOS DE USO POR TECNOLOGÍA www.ceupe.com
5.1. MACHINE LEARNING Y DEEP LEARNING
5.2. ANÁLISIS EXPLORATORIO DE DATOS E-mail
5.2.1. ANÁLISIS DE DATOS EN DEPORTE PROFESIONAL [email protected]
5.2.2. LA INDUSTRIA HOSPITALARIA
5.3. MODELOS DE CLASIFICACIÓN
5.3.1. DETECCIÓN DEL FRAUDE BANCARIO
5.4. MODELOS PREDICTIVOS Y ANÁLISIS DE SERIES TEMPORALES
5.4.1. PREDICCIÓN DEL COMPORTAMIENTO DEL RECICLAJE
5.5. MODELOS DE CLUSTERIZACIÓN
5.5.1. CLUSTERING JERÁRQUICO: LINAJE Y EVOLUCIÓN DE VIRUS
5.5.2. CLUSTERING NO JERÁRQUICO: SEGMENTACIÓN DE ERUPCIONES
5.6. DEEP LEARNING
5.6.1. REDES NEURONALES PARA LA IDENTIFICACIÓN AUTOMÁTICA DE MATERIALES

BIBLIOGRAFÍA

02