1. Inicio
  2. Capacitación Profesional
  3. Informática y programación
  4. IFCT155PO. Introducción a la inteligencia artificial y los algoritmos.
  • Conocer todas las nociones y características de las IA y su aplicación directa en algoritmos.
  • Conocer la diferencia entre Inteligencia Artificial y programa informático.
  • Repasar varios acontecimientos históricos que marcaron los inicios de la hoy conocida como Inteligencia Artificial.
  • Conocer diferentes autores, sus proyectos y la importancia histórica de sus trabajos científicos.
  • Entender cómo funciona una IA y de qué forma aprende imitando el comportamiento humano.
  • Conocer las características que tienen en común todas las Inteligencias Artificiales.
  • Comprender cuales son los retos principales que traen estas características.
  • Aprender los símbolos, y su relación con los métodos y técnicas empleados en la Inteligencia Artificial.
  • Entender la programación lógica y como se forman sus expresiones básicas.
  • Conocer los sistemas expertos y su importancia como antecedentes de otros sistemas de IA actuales.
  • Conocer dos de los lenguajes empleados en la construcción de sistemas expertos y la lógica proposicional: LISP y PROLOG.
  • Comprender las diferencias y similitudes entre la lógica proposicional y la lógica de predicados, así como otros modelos de lógica.
  • Dominar los elementos, conectores y fórmulas bien formadas de la lógica proposicional.
  • Aprender los conceptos y componentes de la lógica de predicados de primer orden, incluyendo el alfabeto, las oraciones del lenguaje de primer orden, la semántica y la interpretación.


  • Unidad 1: Nociones y antecedentes.

    • Nociones y antecedentes. En la Antigüedad.

    • Leonardo da Vinci: Autómata Cavaliere y el león mecánico.

    • Nociones.

      • Norbert Wiener, Warren McCulloch y Walter Pitts.



    • Alan Turing.

      • Premio Loebner y los Chatbots.



    • Reconocimiento.

    • Ajedrez.

      • Microprocesadores y Deep Blue.



    • Lenguaje Natural: fases 1 y 2.

    • Lenguaje Natural: fases 3 y 4.

    • ¿Inteligencia Artificial o programa informático?

    • Nuevo auge.





  • Unidad 2: Características de la IA.

    • Características de la IA.

      • Situaciones en las que podemos aplicar la IA.

      • Características comunes de la Inteligencia Artificial.



    • Las redes neuronales.

      • Imita el cerebro humano.

      • Ventajas de las redes neuronales.



    • Machine Learning (ML). Supervisado y sin supervisión.

      • Machine Learning (ML). Semisupervisado y uso de refuerzo.



    • Automatización de procesos.

    • Función 24x7.

    • Precisión absoluta.

    • Gestión de datos abundantes.

      • Hablemos más de datos.

      • Datos estructurados vs no estructurados.



    • Retos. Datos y personal.

      • Retos. Coste y software.







  • Unidad 3: Símbolos y métodos numéricos.

    • Símbolos y métodos numéricos. Introducción a la Inteligencia Artificial débil.

      • Introducción. Inteligencia Artificial fuerte.

      • Introducción. Sistemas expertos y lenguajes modernos.



    • Sistemas expertos.

      • Sistemas expertos. Clasificación.

      • Sistemas expertos. Funcionamiento.

      • Sistemas expertos. Primera y segunda generación.

      • Sistemas expertos. Tercera generación y lógica difusa.

      • Sistemas expertos. Tareas.

      • Caja negra y caja de cristal.

      • Caja negra y caja de cristal. Ejemplos y conclusiones.



    • Lógica proposicional.

      • Lenguaje de la representación del conocimiento.

      • Sintaxis de la lógica proposicional.

      • Semántica de la lógica proposicional.



    • Tablas de verdad.

      • Inferencia o razonamiento.



    • Lenguajes de desarrollo de la IA.

      • Lenguajes de desarrollo de la IA. LISP y PROLOG.

      • Funcionamiento de LISP y PROLOG.







  • Unidad 4: Fórmulas y funciones.

    • Introducción. Lógica proposicional.

      • Introducción. Lógica de predicados.

      • Introducción. Otros modelos de lógica.



    • Lógica proposicional. Elementos.

      • Conectores.

      • Fórmulas bien formadas.



    • Lógica de predicados. Lógica de primer orden.

      • Componentes.

      • Formulas Bien Formadas (FBF).

      • Alfabeto de la lógica de primer orden.

      • Alfabeto de la lógica de primer orden.

      • Oraciones del lenguaje de primer orden.

      • Semántica de primer orden.

      • Interpretación de un lenguaje de primer orden.

      • Verdad en una interpretación.

      • Modelos y satisfacibilidad.



    • Sistemas deductivos. Objetivo.

      • Hilbert y su sistema.

      • Reglas de Inferencia.

      • Teorema de la deducción.

      • Sistemas formales y la incompletitud de Gödel.

      • Teorema de Gödel sobre la incompletitud de los sistemas formales.

      • Conclusión.







  • Unidad 5: Algoritmos.

    • Introducción. Algoritmos I.

      • Introducción. Algoritmos II.



    • Aprendizaje automático supervisado. Contexto.

      • Redes neuronales artificiales.

      • Algoritmos de clasificación.

      • Árboles de decisión.

      • Algoritmos de regresión.



    • Aprendizaje automático NO supervisado. Contexto.

      • Aprendizaje por refuerzo (Reinforcement Learning).

      • Algoritmos genéticos.

      • Algoritmos de clustering.

      • Reducción de dimensionalidad.



    • Minería de datos. Contexto.

      • Relación entre minería de datos e IA.

      • Algoritmos de detección de anomalías.

      • Algoritmos de minería de datos.

      • Algoritmos de selección de características.

      • Algoritmos de agrupamiento difuso (Fuzzy Clustering).



    • Procesamiento de imágenes y voz. Contexto.

      • Reducción de ruido en imágenes mediante algoritmos de filtrado.

      • Algoritmos de análisis de sentimientos.

      • Algoritmos de detección de objetos en imágenes.

      • Algoritmos de reconocimiento de voz.



    • Procesamiento del lenguaje natural y predicción. Contexto.

      • Algoritmos de procesamiento del lenguaje natural.

      • Algoritmos de predicción de series temporales.

      • Algoritmos de optimización de redes neuronales.







  • Unidad 6: Algoritmos y aplicaciones de negocio (caso geolocalización).

    • Introducción. ¿Qué son los algoritmos y por qué son importantes para los negocios?

      • Ejemplos de algoritmos utilizados en los negocios.

      • Introducción a la geolocalización y su importancia en el ámbito empresarial.



    • Maneras de mejorar los negocios con algoritmos I.

      • Maneras de mejorar los negocios con algoritmos II.

      • Utilización de algoritmos en la toma de decisiones empresariales.

      • Aplicaciones de algoritmos en la gestión de datos y análisis de información empresarial.

      • Algoritmos de Inteligencia Artificial y su impacto en los negocios.

      • Algoritmos de optimización y su aplicación en la gestión de recursos empresariales.

      • Algoritmos en la planificación y gestión de proyectos empresariales.



    • Desafíos y conclusiones. Desafíos en la implementación de algoritmos en los negocios.

      • ¿Cuáles son las oportunidades que brindan los algoritmos en los negocios y cómo las empresas pueden aprovecharlas?



    • Algoritmos y aplicaciones de geolocalización. Conceptos fundamentales de los algoritmos de geolocalización.

      • Tipos de algoritmos de geolocalización utilizados en el mundo empresarial.

      • Ejemplos de aplicaciones de negocio que utilizan la geolocalización.

      • Herramientas y plataformas de geolocalización disponibles para las empresas.



    • Beneficios de la geolocalización para el ámbito empresarial: ahorro de costes, aumento de la eficiencia, mejora de la toma de decisiones.

      • Desafíos y limitaciones de la geolocalización en el ámbito empresarial: privacidad, precisión de los datos, acceso a la tecnología.



    • Tendencias y perspectivas futuras. Tendencias y perspectivas futuras de la geolocalización en el mundo empresarial.

      • Conclusiones.







  • Unidad 7: Sistemas basados en conocimiento.

    • Introducción a los sistemas basados en conocimiento. Definición de sistemas basados en conocimiento.

      • Diferencias entre sistemas basados en conocimiento y sistemas expertos.

      • Ejemplos de aplicaciones de sistemas basados en conocimiento.

      • Ventajas y desventajas de los sistemas basados en conocimiento.

      • Tendencias y futuro de los sistemas basados en conocimiento.



    • Representación del conocimiento. Tipos de conocimiento: declarativo, procedimental y heurístico.

      • Métodos de representación del conocimiento.

      • Selección del método de representación adecuado para el problema a resolver.

      • Transformación de conocimiento en una forma utilizable por el sistema.

      • Modelos de conocimiento híbridos.



    • Adquisición de conocimiento. Métodos para adquirir conocimiento.

      • Herramientas de apoyo a la adquisición de conocimiento.

      • Procesos de validación y verificación de la calidad del conocimiento adquirido.

      • Incorporación de feedback para mejorar la calidad del conocimiento.

      • Métodos de transferencia de conocimiento.



    • Implementación y evaluación de sistemas basados en conocimiento. Diseño e implementación de sistemas basados en conocimiento.

      • Evaluación del desempeño de los sistemas basados en conocimiento.

      • Mantenimiento y actualización de los sistemas basados en conocimiento.

      • Integración de sistemas basados en conocimiento con otros sistemas de IA.

      • Diseño y evaluación de interfaces de usuario para sistemas basados en conocimiento.



    • Aplicaciones específicas de sistemas basados en conocimiento. Aplicaciones en la medicina.

      • Aplicaciones en la gestión del conocimiento empresarial.

      • Aplicaciones en la robótica y la automatización.

      • Aplicaciones en la educación.







  • Unidad 8: Motores de inferencia.

    • Conceptos fundamentales de los motores de inferencia.

      • ¿Qué son los motores de inferencia?

      • Funciones de los motores de inferencia en la Inteligencia Artificial.

      • Ventajas y desventajas de los motores de inferencia en la Inteligencia Artificial.



    • Modelos de inferencia en la Inteligencia Artificial.

      • Tipos de motores de inferencia.

      • Modelos de inferencia en la Inteligencia Artificial.

      • Diferencias entre los modelos de inferencia en la Inteligencia Artificial.



    • Modelos de inferencia específicos.

      • Modelos de inferencia basados en reglas.

      • Modelos de inferencia probabilística.

      • Modelos de inferencia basados en redes neuronales.

      • Modelos de inferencia basados en lógica difusa.

      • ¿Qué es el razonamiento basado en casos y cómo se relaciona con los motores de inferencia?



    • Representación del conocimiento en los motores de inferencia.

      • ¿Cómo se representa el conocimiento en los motores de inferencia?

      • Lenguajes de representación del conocimiento en los motores de inferencia.

      • Métodos para adquirir conocimiento y alimentar los motores de inferencia. Parte I.

      • Métodos para adquirir conocimiento y alimentar los motores de inferencia. Parte II.



    • Aplicaciones y tendencias de los motores de inferencia.

      • Tendencias de los motores de inferencia.

      • Ejemplos de motores de inferencia utilizados en la Inteligencia Artificial.

      • Aplicaciones de los motores de inferencia en la Inteligencia Artificial.

      • Tendencias actuales en el desarrollo de los motores de inferencia.

      • Desafíos en el desarrollo de los motores de inferencia en la Inteligencia Artificial.

      • Futuro de los motores de inferencia en la Inteligencia Artificial.







  • Unidad 9: Patrones.

    • Patrones en el aprendizaje automático supervisado.

      • Introducción a los patrones en el aprendizaje automático supervisado.

      • Ejemplos de patrones en conjuntos de datos etiquetados.

      • Métodos de detección de patrones en conjuntos de datos.

      • Interpretación de patrones encontrados en modelos supervisados.

      • Ejemplos de aplicaciones de aprendizaje automático supervisado que utilizan patrones.



    • Patrones en el aprendizaje automático no supervisado.

      • Introducción a los patrones en el aprendizaje automático no supervisado.

      • Métodos de agrupamiento (clustering) y detección de anomalías.

      • Ejemplos de patrones en conjuntos de datos no etiquetados.

      • Interpretación de patrones encontrados en modelos no supervisados.

      • Ejemplos de aplicaciones de aprendizaje automático no supervisado que utilizan patrones.



    • Patrones en el procesamiento del lenguaje natural.

      • Introducción a los patrones en el procesamiento del lenguaje natural.

      • Ejemplos de patrones lingüísticos en textos.

      • Métodos de detección de patrones lingüísticos.

      • Ejemplos de aplicaciones de procesamiento del lenguaje natural que utilizan patrones.



    • Patrones en la visión por computadora.

      • Introducción a los patrones en la visión por computadora.

      • Ejemplos de patrones visuales en imágenes y videos.

      • Métodos de detección de patrones visuales.

      • Ejemplos de aplicaciones de visión por computadora que utilizan patrones.



    • Patrones en la robótica y la automatización.

      • Introducción a los patrones en la robótica y la automatización.

      • Ejemplos de patrones en tareas robóticas y de automatización.

      • Métodos de detección de patrones en tareas robóticas y de automatización.

      • Ejemplos de aplicaciones de robótica y automatización que utilizan patrones.







  • Unidad 10: Reglas y restricciones.

    • Ética y responsabilidad en la IA y los algoritmos.

      • Responsabilidad y accountability en la IA y los algoritmos.

      • Ética en el diseño de la IA y los algoritmos.

      • La necesidad de diversidad e inclusión en el desarrollo de la IA y los algoritmos.

      • Evaluación de impacto ético en la IA y los algoritmos.

      • La importancia de la ética en la IA y los algoritmos en la toma de decisiones empresariales y organizativas.



    • Sesgos y discriminación en la IA y los algoritmos.

      • Sesgos en los algoritmos y cómo evitarlos.

      • Discriminación en la IA y los algoritmos.

      • Privacidad y seguridad en la IA y los algoritmos.



    • Regulaciones y gobernanza en la IA y los algoritmos.

      • Regulaciones y leyes sobre la IA y los algoritmos.

      • Transparencia y explicabilidad en la IA y los algoritmos.

      • Gobernanza de la IA y los algoritmos.



    • Impacto de la IA y los algoritmos en diferentes sectores.

      • Impacto de la IA y los algoritmos en el empleo y el mercado laboral.

      • La IA y los algoritmos como ejemplo en la atención médica y la medicina.

      • La IA y los algoritmos en la toma de decisiones políticas y públicas.



    • Futuro de la IA y los algoritmos.

      • Futuro de la IA y los algoritmos: tendencias y perspectivas.

      • La influencia de la Inteligencia Artificial y los algoritmos en la forma en que nos comunicamos y nos relacionamos con los demás.

      • El potencial de la IA y los algoritmos para amplificar la desinformación y la propaganda.

      • El papel de la IA y los algoritmos en la creación de trabajos y la automatización del trabajo humano.





Cursos relacionados

¿Quieres ver todas las acciones formativas relacionadas？

Ver todos