Certificado Universidad Complutense de Madrid

Este módulo ofrece una visión general y aplicada de la inteligencia artificial, abordando sus conceptos clave, casos de uso y principales metodologías, con el objetivo de comprender su funcionamiento, utilidad y alcance en distintos contextos.

1. Introducción a la inteligencia artificial:
   Se explicarán los fundamentos y el origen de la inteligencia artificial, sus principales características y los problemas que es capaz de resolver. Se analizarán las implicaciones de su uso en el presente y su potencial evolución en el futuro.
2. Aplicaciones sectoriales de la IA:
   Se estudiará el impacto de la inteligencia artificial en sectores diversos como la salud, el deporte, el marketing, la educación, la agricultura o los recursos humanos. A través del análisis de casos reales, se evaluarán las oportunidades y retos que plantea su adopción en distintos ámbitos de la sociedad.
3. Ciclo de vida de un proyecto de inteligencia artificial:
   Se abordarán las fases que componen un proyecto de IA, desde la definición del problema hasta la validación del modelo. Se revisarán los conceptos y tareas clave en cada etapa, con el objetivo de proporcionar una visión estructurada y realista del desarrollo de soluciones basadas en IA.
4. Modelos y algoritmos de aprendizaje automático:
   Se presentarán los principales modelos y algoritmos de machine learning, detallando su funcionamiento y las situaciones en las que resultan más eficaces. Se explicará cómo estos modelos permiten extraer patrones y tomar decisiones a partir de grandes volúmenes de datos.

Este módulo proporciona las bases para trabajar con datos utilizando Python, desde la adquisición y limpieza hasta su análisis y visualización. Se explorarán herramientas clave del ecosistema Python orientadas al análisis de datos de forma práctica y aplicada.

1. 1. Introducción al lenguaje de programación Python:
      Se presentarán los fundamentos de Python como lenguaje de programación, así como el entorno de trabajo necesario para desarrollar soluciones orientadas al análisis de datos. Se abordarán los conceptos básicos que permiten una comprensión funcional del lenguaje.
   2. Adquisición y almacenamiento de datos:
      Se explicarán los principales formatos de intercambio de datos (JSON, XML, CSV) y las técnicas para obtener información desde la web mediante scraping o APIs. Además, se introducirá el uso de bases de datos orientadas a documentos como MongoDB y el paquete Pandas como herramienta esencial para el tratamiento de datos en Python.
   3. Procesamiento y limpieza de datos con Pandas:
      Se abordarán las técnicas más comunes para filtrar, agrupar y depurar conjuntos de datos. Se trabajará la detección y corrección de errores como duplicados, valores perdidos o atípicos, y se desarrollará un análisis exploratorio inicial para comprender mejor la estructura y calidad de los datos disponibles.
   4. Visualización de datos con Matplotlib y Seaborn:
      Se estudiarán los principios de la visualización de datos, aprendiendo a elegir el tipo de gráfico más adecuado en función del objetivo analítico. Se emplearán librerías como Matplotlib y Seaborn para generar visualizaciones tanto básicas como avanzadas, incluyendo gráficos de líneas, barras, tartas y mapas.

Este módulo profundiza en los principales métodos de aprendizaje automático utilizando Python, desde los modelos supervisados hasta los no supervisados. Se trabajará con la librería scikit-learn para aplicar técnicas de modelado, validación y optimización en contextos reales de análisis de datos.

1. 1. Introducción a scikit-learn para machine learning:
      Se presentará la librería scikit-learn como herramienta central para implementar modelos de aprendizaje automático en Python. Se explorarán sus funcionalidades y se aprenderá a preparar datos para entrenar modelos sobre conjuntos de tamaño medio (middle data).
   2. Modelos de aprendizaje supervisado: regresión y clasificación:
      Se explicarán los fundamentos de los modelos supervisados, diferenciando entre problemas de regresión (predicción de valores continuos) y clasificación (asignación de categorías). Se implementarán y evaluarán modelos representativos en cada caso.
   3. Validación de modelos:
      Se abordarán las técnicas para evaluar el rendimiento de los modelos de forma robusta, mediante partición de datos (train/test), validación cruzada y métricas específicas según el tipo de problema. Se hará hincapié en la detección de sobreajuste y subajuste.
   4. Optimización de hiperparámetros:
      Se enseñarán métodos para ajustar de forma óptima los hiperparámetros de un modelo, utilizando técnicas como grid search o random search, con el fin de mejorar su precisión y generalización.
   5. Modelos de aprendizaje no supervisado: clusterización
      Se introducirán los algoritmos no supervisados orientados a la agrupación de datos (clustering). Se estudiarán sus aplicaciones prácticas y se aprenderá a interpretar los resultados para descubrir patrones sin etiquetas previas.