Conceptos básicos de Python (aprox. 1 día)

Historia, conceptos

Uso y ámbitos de aplicación

sintaxis

Lexis, semántica

Convenciones PEP-8

Intérprete frente a compilador

Primeros pasos con Python (aprox. 5 días)

Números

Cadenas

Fecha y hora

Entrada y salida estándar

Operadores numéricos

Operadores de comparación, lógicos y bitwise

Conversión de tipos de datos

lista, tupla dict, conjunto

Funciones y métodos de lista

Ramas y bucles (if, for, while)

operadores miembro

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Funciones (aprox. 5 días)

Defina sus propias funciones

Variables

Parámetros y argumentos

Valores de retorno

Recursión

Espacios de nombres

Programación funcional

Solución de problemas (aprox. 0,5 días)

intentar, excepto

Tipos de error

Interceptación de interrupciones del programa

Transmisión de errores entre funciones

Programación orientada a objetos (aprox. 4,5 días)

Clases de Python

Métodos

Objetos inmutables

Clases de datos

Herencia

Trabajo de proyecto, preparación de la certificación y examen de certificación "PCEP™ - Certified Entry-Level Python Programmer" en inglés (aprox. 4 días).

Módulos, paquetes y gestión de errores (aprox. 4 días)

Introducción a los módulos y paquetes de Python

Importación y uso de paquetes estándar y de terceros

Creación de módulos y paquetes personalizados

Trabajar con sys y os (funciones de la plataforma anfitriona)

Introducción a las excepciones y al tratamiento de errores (try, except, finally)

Creación y uso de excepciones autodefinidas

Mejores prácticas para un manejo robusto de errores

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Conceptos básicos de Strings y programación orientada a objetos (aprox. 8 días)

Introducción al trabajo con cadenas

Métodos integrados de cadenas (split, join, find, replace, etc.)

Formateo y procesamiento de cadenas

Corte de cadenas y trabajo con expresiones regulares (RegEx)

Introducción a las clases, los objetos, los métodos de instancia y las variables

Encapsulación, herencia y polimorfismo

Constructores (__init__) y destructores (__del__)

Jerarquías de herencia y superclases

Profundización en la programación orientada a objetos (aprox. 2,5 días)

Estudio en profundidad de la herencia y el polimorfismo

Aplicación de métodos mágicos (__str__, __repr__, __eq__, __lt__, etc.)

Propiedades y decoradores en clases

Patrones de diseño: singleton, factory, etc.

List Comprehensions para el procesamiento eficiente de listas

Funciones lambda y escritura de funciones anónimas

Cierres y alcance en Python

Comprensión y uso de generadores e iteradores

Trabajo con archivos, bases de datos y desarrollo web (aprox. 2,5 días)

Lectura y escritura de archivos (CSV, JSON)

Introducción a SQL y conexión a bases de datos SQLite

Operaciones CRUD en una base de datos (crear, leer, actualizar, borrar)

Introducción a Flask y creación de una aplicación web sencilla

Rutas y plantillas en Flask

Aplicaciones CRUD en Flask (integración con bases de datos)

Trabajo de proyecto, preparación de la certificación y examen de certificación "PCAP™ - Certified Associate Python Programmer" en inglés (aprox. 3 días)

Introducción al aprendizaje automático (aprox. 5 días)

¿Por qué aprendizaje automático?

Ejemplos de aplicación

Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje parcialmente supervisado, aprendizaje por refuerzo

Ejemplos de conjuntos de datos

Conocer los datos

Datos de entrenamiento, validación y prueba

Visualización de datos

Hacer predicciones

Aprendizaje supervisado (aprox. 5 días)

Clasificación y regresión

Generalización, ajuste excesivo y ajuste insuficiente

Tamaño del conjunto de datos

Algoritmos de aprendizaje supervisado

Modelos lineales

Clasificadores Bayes

Árboles de decisión

Bosque aleatorio

Impulso por gradiente

k-vecinos más cercanos

Máquinas de vectores soporte

Campo aleatorio condicional

Redes neuronales y aprendizaje profundo

Probabilidades

Aprendizaje no supervisado (aprox. 5 días)

Tipos de aprendizaje no supervisado

Preprocesamiento y escalado

Transformaciones de datos

Escalado de datos de entrenamiento y de prueba

Reducción dimensional

Ingeniería de características

Aprendizaje múltiple

Descomposición de componentes principales (PCA)

Factorización de matrices no negativas (NMF)

Aprendizaje múltiple con t-SNE

Análisis de clústeres

Agrupación de k-Means

Agrupación por conglomerados

Análisis jerárquico de conglomerados

DBSCAN

Algoritmos de clúster

Evaluación y mejora (aprox. 2 días)

Selección y evaluación de modelos

Ajuste de los hiperparámetros de un estimador

Validación cruzada

Búsqueda en cuadrícula

Métricas de evaluación

Clasificación

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje profundo (aprox. 1 día)

El aprendizaje profundo como tipo de aprendizaje automático

Fundamentos de las redes neuronales (aprox. 4 días)

Perceptrón

Cálculo de redes neuronales

Optimización de los parámetros del modelo, backpropagation

Bibliotecas de aprendizaje profundo

Regresión frente a clasificación

Curvas de aprendizaje, sobreajuste y regularización

Optimización de hiperparámetros

Descenso de gradiente estocástico (SGD)

Momentum, optimizador Adam

Tasa de aprendizaje

Red neuronal convolucional (CNN) (aprox. 2 días)

Clasificación de imágenes

Capas convolucionales, capas de agrupamiento

Capas de remodelación, aplanamiento, pooling de media global

Arquitecturas CNN ImageNet-Competition

Redes neuronales profundas, gradientes de fuga, conexiones de salto, normalización por lotes

Aprendizaje por transferencia (aprox. 1 día)

Adaptación de modelos

Formación previa no supervisada

Aumento de datos de imágenes, IA explicable

CNN regional (aprox. 1 día)

Localización de objetos

Problemas de regresión

Redes neuronales ramificadas

Métodos de generación creativa de imágenes (aprox. 1 día)

Redes Generativas Adversariales (GAN)

Deepfakes

Modelos de difusión

Redes neuronales recurrentes (aprox. 2 días)

Análisis de secuencias

Capas recurrentes

Retropropagación en el tiempo (BPTT)

Análisis de series temporales

Problemas de gradiente explosivo y evanescente

LSTM (memoria a corto plazo larga)

GRU (Unidad Recurrente Controlada)

RNN profunda

LSTM profunda

Tratamiento de textos mediante redes neuronales (aprox. 2 días)

Preprocesamiento de textos

Incrustación de capas

Clasificación de textos

Análisis de sentimientos

Aprendizaje de transferencia en PNL

Traducciones

Método secuencia a secuencia, arquitectura codificador-decodificador

Modelos lingüísticos (aprox. 1 día)

BERT, GPT

Capas de atención, transformadores

Tuberías de generación de texto

Resumidores

chatbots

Aprendizaje profundo por refuerzo (aprox. 1 día)

Control de sistemas dinámicos

Sistemas de agentes

Entrenamiento mediante recompensas

Gradientes de políticas

Aprendizaje Q profundo

Redes neuronales bayesianas (aprox. 1 día)

Incertidumbres en las redes neuronales

Evaluación estadística de las previsiones

Confianza, desviación típica

Datos desequilibrados

Métodos de muestreo

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje por refuerzo (aprox. 1 día)

Definición y conceptos básicos

Diferencias con otros métodos de aprendizaje

Ámbitos de aplicación y ejemplos

Procesos de decisión de Markov (MDP) (aprox. 2 días)

Definición y propiedades de los MDP

Funciones de valor y política

Ecuaciones de Bellman

Enfoque de programación dinámica

Q-Learning (aprox. 2 días)

Definición y algoritmo

Exploración frente a explotación

Convergencia y propiedades de optimización

Aplicaciones en juegos, robótica y otros ámbitos

Aprendizaje profundo por refuerzo (aprox. 3 días)

Aprendizaje Q profundo

Gradientes de políticas deterministas profundas (DDPG)

Métodos críticos de actor

Métodos de gradiente de política

Temas avanzados (aprox. 4 días)

Aprendizaje por refuerzo basado en modelos

Aprendizaje por refuerzo multiagente

Aprendizaje por refuerzo inverso

Metaaprendizaje por refuerzo

Aplicaciones prácticas (aprox. 3 días)

Implementación de algoritmos de aprendizaje por refuerzo

Aplicación a problemas y casos prácticos seleccionados

Evaluación y ajuste de los algoritmos

Resumen y perspectivas (aprox. 2 días)

Resumen de los conceptos y resultados más importantes

Retos y evolución futura del aprendizaje por refuerzo

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto