Facilítanos tus datos de contacto y te informaremos de programas académicos similares a
Curso de IA Developer + Certificación Microsoft Azure
en tu email.
Imprescindible tener conocimientos de programación en lenguaje PYTHON. Recomendable, nociones de SQL.
Comentarios:
Objetivos del programa:
Construir un sistema capaz de recomendar artículos, productos o contenidos personalizados según las preferencias de los usuarios. Comparar modelos de Machine Learning locals con soluciones AutoML en Azure ML. Explorar técnicas de visualización para interpretar resultados. Aprender a desplegar y monitorizar modelos en Azure AI Services. Posibles Aplicaciones recomendación de películas según valoración de usuarios, sistema de sugerencias para una tienda online, filtrado de contenidos personalizados en una plataforma educativa, etc... Leer más
Metodología:
Todos nuestros cursos emplean una metodología teórico-práctica para asentar los conceptos a través de un proyecto transversal de aplicación de contenidos aprendidos desde el primer día. La metodología de impartición será mixta con profesor: en sesiones presenciales en Barcelona combinadas con Aula Virtual en plataforma propia.
Alguna de la tecnología aplicada serán Python 3.x como lenguaje de programación, Scikit-learn como Algoritmos de Machine Learning, Pandas, NumPy para Manipulación y preprocesamiento de datos, Matplotlib/Seaborn para visualización de resultados, Streamlit/Tableau para la creación de dashboards interactivos, SQLite/PostgreSQL para el almacenamiento de recomendaciones, Azure Machine Learning Studio para entrenamiento y desplegamiento en la nube, Azure Cognitive Services para mejorar recomendaciones mediante análisis de sentimiento, etc...
Lugar de impartición:
en Barcelona
Horario: Jueves aula virtual de 16:30 a 20:30, Viernes presencial de 17:00 a 20:00 y Sábado: aula virtual-workshop de 10:00 a 13:00.
Fecha inicio: 08/05/2025 - Fecha Fin: 26/07/2025 - Plazas y convocatorias limitadas.
1 - FUNDAMENTOS DE IA HISTORIA Y EVOLUCIÓN DE LA IA TIPOS DE INTELIGENCIA ARTIFICIAL: IA DÉBIL VS. IA FUERTE APRENDIZAJE SUPERVISADO, NO SUPERVISADO Y POR REFUERZO ALGORITMOS MÁS USADOS (REGRESIÓN, KNN, RANDOM FOREST) FUNDAMENTOS MATEMÁTICOS: ÁLGEBRA LINEAL, CÁLCULO Y PROBABILIDAD PYTHON PARA IA: NUMPY, PANDAS, MATPLOTLIB Leer más INTRODUCCIÓN A LOS SERVICIOS DE AZURE AI SERVICE CONCEPTOS DE IA EN LA NUBE Y COMPARACIÓN CON ON-PREMISES DIFERENCIAS ENTRE MACHINE LEARNING ESTÁNDAR Y AUTOML EN CLOUD PRÁCTICA: IMPLEMENTACIÓN DE UN MODELO SIMPLE DE REGRESIÓN LINEAL EN PYTHON PRÁCTICA: DATOS CON MATPLOTLIB Y SEABORN PRÁCTICA: SIMULACIÓN DE UN PROBLEMA EVALUACIÓN TEÓRICO / PRÁCTICA
2 - EXPLORACIÓN DEL CONJUNTO DE DATOS DATA SCIENCE Y EL PAPEL DEL DATA SCIENTIST TIPOS DE DATOS Y SU ESTRUCTURA PRE-PROCESAMIENTO Y LIMPIEZA DE DATOS GESTIÓN DE VALORES NULOS Y ATÍPICOS ESTANDARIZACIÓN Y NORMALIZACIÓN PRÁCTICA: ANÁLISIS Y LIMPIEZA DE UN DATASET CON PANDAS Y SCIKIT-LEARN PRÁCTICA: ELIMINACIÓN DE VALORES ATÍPICOS Y IMPUTACIÓN DE VALORES NULOS EVALUACIÓN TEÓRICO / PRÁCTICA
3 - ALGORITMOS DE MACHINE LEARNING REGRESIÓN (LINEAL Y LOGÍSTICA) CLASIFICACIÓN: KNN, RANDOM FOREST, SVM CLUSTERING: K-MEANS, DBSCAN OVERFITTING Y TÉCNICAS DE VALIDACIÓN CRUZADA CÓMO ELEGIR MODELOS PARA ENTORNOS CLOUD COMPARACIÓN COSTES Y RENDIMIENTO EN AZURE ML PRÁCTICA: APLICACIÓN DE REGRESIÓN LINEAL PARA PREDECIR PRECIOS DE VIVIENDAS PRÁCTICA: CONSTRUCCIÓN DE UN MODELO DE CLASIFICACIÓN CON RANDOM FOREST PRÁCTICA: IMPLEMENTACIÓN DE CLUSTERING CON KMEANS EVALUACIÓN TEÓRICO / PRÁCTICA
4 - VISUALIZACIÓN DE RESULTADOS HERRAMIENTAS DE VISUALIZACIÓN: MATPLOTLIB, SEABORN MÉTRICAS DE RENDIMIENTO: ACCURACY, PRECISION, RECALL OVERFITTING Y SESGOS EN LOS MODELOS PRÁCTICA: CREACIÓN DE GRÁFICOS DE ERROR Y PRECISIÓN PRÁCTICA: ANÁLISIS DE UN MODELO Y OPTIMIZACIÓN EVALUACIÓN TEÓRICO / PRÁCTICA
5 - BASES DE DATOS EN IA SQL PARA MACHINE LEARNING BASES DE DATOS NOSQL Y APLICACIÓN A IA CRUD CON PYTHON Y BASES DE DATOS PRÁCTICA: CREACIÓN Y MANIPULACIÓN DE UNA BASE DE DATOS CON SQLITE Y MONGODB EVALUACIÓN TEÓRICO / PRÁCTICA
6 - IA Y CLOUD COMPUTING INTRODUCCIÓN A AZURE AI SERVICES ¿QUÉ ES AZURE AI? PRINCIPALES HERRAMIENTAS DIFERENCIAS ENTRE INFERENCIA EN LOCAL Y EN LA NUBE AZURE MACHINE LEARNING ENTRENAMIENTOS DE MODELOS EN AML GESTIÓN DE DATASETS Y FEATURE ENGINEERING EN LA NUBE DESPLIEGUE Y MANTENIMIENTO DE MODELOS OPTIMIZACIÓN DE COSTOS EN CLOUD AI MONITORIZACIÓN Y DETECCIÓN DE SESGOS CON AZURE AI RESPONSIBLE ML INFRAESTRUCTURA DE IA EN CLOUD MACHINE LEARNING PIPELINES EN AZURE SEGURIDAD Y GOBERNANZA EN ENTORNOS DE IA PRÁCTICA: CREACIÓN DE UN MODELO EN AZURE MACHINE LEARNING PRÁCTICA: EXPERIMENTACIÓN CON INFERENCIA EN TIEMPO REAL PRÁCTICA: COMPARACIÓN ENTRE INFERENCIA LOCAL VS. INFERENCIA CLOUD PRÁCTICA: ANÁLISIS DE COSTOS E IMPACTO EN AUTOML EVALUACIÓN TEÓRICO / PRÁCTICA
7 - RESPONSIBLE AI Y ÉTICA ¿QUÉ ES AUTOML? PLATAFORMAS: GOOGLE AUTOML, H2O.AI, AUTOSKLEARN COMPARATIVA ENTRE AUTOML Y MODELOS MANUALES SEGURIDAD Y GOBERNANZA DE MODELOS EN PRODUCCIÓN RIESGOS DE SEGURIDAD Y SESGOS EN CLOUD AI PRÁCTICA: ANÁLISIS DE SESGOS EN UN DATASET REAL PRÁCTICA: ENTRENAMIENTO DE UN MODELO CON GOOGLE AUTOML PRÁCTICA: COMPARACIÓN CON UN MODELO HECHO A MANO EVALUACIÓN TEÓRICO / PRÁCTICA
8 - PREPARACIÓN PARA LA CERTIFICACIÓN MICROSOFT AZURE AI SIMULACIÓN DE EXAMEN REVISIÓN Y REPASO DE CONCEPTOS CLAVE CERTIFICACIÓNLeer menos