Objetivo General
Brindar una formaci贸n integral en los principios de la **Inteligencia Artificial y la Ciencia de Datos**, comprendiendo c贸mo se obtienen, procesan y analizan los datos para generar conocimiento y desarrollar soluciones basadas en modelos inteligentes. Al finalizar, el alumno ser谩 capaz de aplicar metodolog铆as de an谩lisis, modelado y evaluaci贸n de datos, utilizando enfoques de aprendizaje autom谩tico y razonamiento computacional.
1 M贸dulo 1: Introducci贸n a la Ciencia de Datos y la IA
Fundamentos conceptuales y relaci贸n entre Ciencia de Datos e Inteligencia Artificial. Se estudia el ciclo de vida de los datos y el impacto de la IA en la toma de decisiones.
Contenidos Clave (Semanas 1-4)
- Conceptos fundamentales de Ciencia de Datos e Inteligencia Artificial.
- Historia, evoluci贸n y el valor de los datos.
- Ciclo de vida de los datos: adquisici贸n, preparaci贸n, an谩lisis y modelado.
- Tipos de problemas abordados por la IA.
- 脡tica y responsabilidad en el uso de datos.
2 M贸dulo 2: Recolecci贸n, Limpieza y Preparaci贸n de Datos
Obtenci贸n y preparaci贸n de datos. Se aprende a identificar fuentes, transformar datos crudos en conjuntos limpios, manejar valores faltantes y asegurar la calidad de la informaci贸n.
Contenidos Clave (Semanas 5-8)
- Tipos y fuentes de datos. Extracci贸n y almacenamiento.
- Limpieza, depuraci贸n y normalizaci贸n de datos.
- Detecci贸n y manejo de valores at铆picos o faltantes.
- Estructuraci贸n y transformaci贸n de datos.
- Importancia de la calidad de los datos en el an谩lisis.
3 M贸dulo 3: An谩lisis Exploratorio y Visualizaci贸n (EDA)
T茅cnicas b谩sicas para comprender patrones, relaciones y estad铆sticas en los datos. Representaci贸n visual de la informaci贸n para una comunicaci贸n efectiva de resultados.
Contenidos Clave (Semanas 9-12)
- Introducci贸n al An谩lisis Exploratorio de Datos (EDA).
- Medidas estad铆sticas y descriptivas (tendencias, distribuciones).
- Visualizaci贸n de datos y comunicaci贸n efectiva.
- Representaci贸n gr谩fica de variables categ贸ricas y num茅ricas.
- Uso de la visualizaci贸n como herramienta de toma de decisiones.
4 M贸dulo 4: Introducci贸n al Aprendizaje Autom谩tico (ML)
Fundamentos del *Machine Learning*. Tipos de aprendizaje (supervisado, no supervisado), ciclo de desarrollo de modelos y criterios esenciales para la evaluaci贸n de su rendimiento.
Contenidos Clave (Semanas 13-16)
- Concepto de aprendizaje autom谩tico (Machine Learning).
- Tipos de aprendizaje: supervisado, no supervisado y por refuerzo.
- Ciclo de desarrollo de un modelo de IA.
- Conjuntos de entrenamiento, validaci贸n y prueba.
- M茅tricas de evaluaci贸n y rendimiento de modelos.
- 脡tica y sesgos en los modelos de IA.
5 M贸dulo 5: Modelado, Evaluaci贸n y Predicci贸n
Aplicaci贸n de t茅cnicas de modelado predictivo, proceso de ajuste y mejora, y comprensi贸n de conceptos clave como generalizaci贸n, sobreajuste y validaci贸n cruzada.
Contenidos Clave (Semanas 17-20)
- Dise帽o y entrenamiento de modelos predictivos.
- Validaci贸n y ajuste de par谩metros (Hiperpar谩metros).
- Evaluaci贸n de resultados y comparaci贸n de modelos.
- Sobreajuste, subajuste y estrategias de prevenci贸n.
- Interpretaci贸n y comunicaci贸n de resultados.
6 M贸dulo 6: Aplicaciones de la IA y Ciencia de Datos
Conexi贸n de la teor铆a con la pr谩ctica. Casos de uso reales, 谩reas de aplicaci贸n (salud, industria) y an谩lisis de sistemas de recomendaci贸n y predicci贸n.
Contenidos Clave (Semanas 21-24)
- Aplicaciones de la IA en distintos sectores (educaci贸n, salud, industria).
- Sistemas de recomendaci贸n, predicci贸n y clasificaci贸n.
- An谩lisis de datos en tiempo real.
- Visualizaci贸n de resultados finales y comunicaci贸n efectiva.
- Tendencias actuales en IA y Ciencia de Datos.