Maestria Inteligencia Artificial Programacion

Máster Título Propio
Inteligencia Artificial
en la Programación
en la Programación
» Modalidad: online
» Duración: 12 meses
» Titulación: TECH Universidad Tecnológica
» Horario: a tu ritmo
» Exámenes: online
Acceso web: www.techtitute.com/informatica/master/master-inteligencia-artificial-programacion

Índice
01 02
Presentación Objetivos
pág. 4 pág. 8
03 04 05
Competencias Dirección del curso Estructura y contenido
pág. 18 pág. 22 pág. 26
06 07
Metodología Titulación
pág. 44 pág. 52
01
Presentación
La Inteligencia Artificial (IA) ha emergido como un pilar fundamental en el mundo de
la Programación, debido a su capacidad para automatizar tareas complejas, tomar
decisiones basadas en datos y aprender de patrones. De hecho, la IA ofrece herramientas
y técnicas que permiten crear sistemas más inteligentes y eficientes. Desde algoritmos de
aprendizaje automático, que mejoran la precisión de los programas, hasta el desarrollo de
sistemas autónomos, capaces de tomar decisiones en tiempo real, la IA ha transformado
radicalmente la forma en que se diseña y ejecuta el código. En este contexto, TECH ha
diseñado un programa académico que brindará al egresado la oportunidad de sumergirse
en los últimos avances en esta área, a través de la revolucionaria metodología Relearning.
Presentación | 05
Este programa en Inteligencia Artificial en la

Programación te proporcionará una perspectiva
holística sobre cómo la IA impacta y mejora
cada etapa del desarrollo de software”
06 | Presentación
La importancia de la Inteligencia Artificial en la Programación radica en su capacidad para Este Máster Título Propio en Inteligencia Artificial en la Programación contiene el
potenciar y automatizar procesos, optimizando el desarrollo de software y mejorando la programa educativo más completo y actualizado del mercado. Sus características más
eficiencia en la resolución de problemas complejos. Su capacidad para analizar grandes destacadas son:
volúmenes de datos y encontrar soluciones óptimas ha llevado a avances significativos en El desarrollo de casos prácticos presentados por expertos en Inteligencia
campos como la optimización de algoritmos, la creación de interfaces más intuitivas y la Artificial en la Programación
resolución de problemas complejos en distintas áreas.
Los contenidos gráficos, esquemáticos y eminentemente prácticos
Es por eso que TECH ha desarrollado este Máster Título Propio, el cual surge como una con los que está concebido recogen una información científica y práctica sobre
solución estratégica para amplificar las oportunidades profesionales y el crecimiento en la aquellas disciplinas indispensables para el ejercicio profesional
carrera de los informáticos. Se abordará la mejora de la productividad en el desarrollo de Los ejercicios prácticos donde realizar el proceso de autoevaluación
software mediante IA, indagando en las técnicas y herramientas que permiten automatizar para mejorar el aprendizaje
procesos, optimizar el código y acelerar la creación de aplicaciones inteligentes.
Su especial hincapié en metodologías innovadoras
Además, el programa se centrará en el papel crucial de la IA en el ámbito del QA Las lecciones teóricas, preguntas al experto, foros de discusión de temas
Testing, implementando algoritmos y métodos de IA para mejorar la calidad, precisión controvertidos y trabajos de reflexión individual
y cobertura de las pruebas, detectando y corrigiendo errores de manera más eficiente.
La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo
También se profundizará en la integración de capacidades de aprendizaje automático
o portátil con conexión a internet
y procesamiento de lenguaje natural en el desarrollo web, creando sitios inteligentes
que se adapten y ofrezcan experiencias personalizadas a los usuarios.
Asimismo, se ahondará en las técnicas de IA para mejorar la usabilidad, la interacción

y la funcionalidad de las aplicaciones móviles, para crear aplicaciones inteligentes
y predictivas que se adapten al comportamiento de los usuarios. Igualmente, se
analizará en profundidad la arquitectura del software con IA, incluyendo los diversos
modelos que facilitarán la integración de algoritmos de IA y su despliegue en entornos
Liderarás proyectos innovadores y
de producción.
adaptados a las demandas de un mercado
Con el propósito del crecimiento de especialistas en IA altamente competentes, TECH
ha concebido un programa integral basado en la exclusiva metodología Relearning. tecnológico en constante evolución.
Esta aproximación permitirá a los alumnos consolidar su comprensión mediante la ¿A qué esperas para matricularte?”
repetición de conceptos fundamentales.
Presentación | 07
¿Buscas especializarte en Inteligencia Artificial?

Con este programa dominarás la optimización
Te sumergirás en los aspectos del proceso de despliegue y la integración de la
fundamentales de la arquitectura del IA en la computación en la nube.
software, incluyendo el rendimiento, la
escalabilidad y la mantenibilidad, gracias a
los recursos multimedia más innovadores” Profundizarás en la integración de elementos
de IA en Visual Studio Code y la optimización
de código con ChatGPT, todo a través de un
programa académico exhaustivo.
El programa incluye en su cuadro docente a profesionales del sector que vierten en

esta capacitación la experiencia de su trabajo, además de reconocidos especialistas
de sociedades de referencia y universidades de prestigio.
Su contenido multimedia, elaborado con la última tecnología educativa, permitirá

al profesional un aprendizaje situado y contextual, es decir, un entorno simulado
que proporcionará una capacitación inmersiva programada para entrenarse ante
situaciones reales.
El diseño de este programa se centra en el Aprendizaje Basado en Problemas,

mediante el cual el profesional deberá tratar de resolver las distintas situaciones
de práctica profesional que se le planteen a lo largo del curso académico. Para ello,
contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por
reconocidos expertos.
02
Objetivos
El objetivo principal de este programa será brindar a los profesionales acceso a
los conocimientos más vanguardistas del campo, con un enfoque que promueva
su capacitación integral. Así, tendrán la oportunidad de participar en un trayecto
académico exclusivo y completamente en línea. Los egresados se equiparán
con útiles habilidades punteras, desde el desarrollo de software potenciado por
IA, hasta el diseño y ejecución de proyectos web y aplicaciones móviles con
inteligencia y adaptabilidad. Con este programa, el informático trascenderá los
límites de la programación convencional y se convertirá en protagonista activo
de la revolución tecnológica.
Objetivos | 09
Abordarás el ciclo de vida del testing,

desde la creación de test cases hasta la
detección de bugs, gracias a TECH”
10 | Objetivos
Objetivos generales
Desarrollar habilidades para configurar y gestionar entornos de desarrollo

eficientes, asegurando una base sólida para la implementación de proyectos con IA
Adquirir habilidades en la planificación, ejecución y automatización de pruebas
de calidad, incorporando herramientas de IA para la detección y corrección de bugs
Comprender y aplicar principios de rendimiento, escalabilidad y mantenibilidad
en el diseño de sistemas informáticos a gran escala
Familiarizarse con los patrones de diseño más importantes y aplicarlos de manera
efectiva en la arquitectura del software
Objetivos | 11
Objetivos específicos
Módulo 1. Fundamentos de la Inteligencia Artificial

Analizar la evolución histórica de la Inteligencia Artificial, desde sus inicios hasta
su estado actual, identificando hitos y desarrollos clave
Comprender el funcionamiento de las redes de neuronas y su aplicación en
modelos de aprendizaje en la Inteligencia Artificial
Estudiar los principios y aplicaciones de los algoritmos genéticos, analizando su utilidad
en la resolución de problemas complejos
Analizar la importancia de los tesauros, vocabularios y taxonomías en la estructuración
y procesamiento de datos para sistemas de IA
Explorar el concepto de la web semántica y su influencia en la organización y comprensión
de la información en entornos digitales
Módulo 2. Tipos y ciclo de vida del dato

Comprender los conceptos fundamentales de la estadística y su aplicación en el análisis
de datos
Identificar y clasificar los distintos tipos de datos estadísticos, desde los cuantitativos
hasta cualitativos
Analizar el ciclo de vida de los datos, desde su generación hasta su eliminación,
identificando las etapas clave
Explorar las etapas iniciales del ciclo de vida de los datos, destacando la importancia
de la planificación y la estructura de los datos
Estudiar los procesos de recolección de datos, incluyendo la metodología, las herramientas
y los canales de recolección
Explorar el concepto de Datawarehouse (Almacén de Datos), haciendo hincapié
en los elementos que lo integran y en su diseño
Analizar los aspectos normativos relacionados con la gestión de datos, cumpliendo
con regulaciones de privacidad y seguridad, así como de buenas prácticas
12 | Objetivos
Módulo 3. El dato en la Inteligencia Artificial Módulo 5. Algoritmia y complejidad en Inteligencia Artificial

Dominar los fundamentos de la ciencia de datos, abarcando herramientas, tipos y fuentes Introducir estrategias de diseño de algoritmos, proporcionando una comprensión
para el análisis de información sólida de los enfoques fundamentales para la resolución de problemas
Explorar el proceso de transformación de datos en información utilizando técnicas Analizar la eficiencia y complejidad de los algoritmos, aplicando técnicas de análisis
de extracción y visualización de datos para evaluar el rendimiento en términos de tiempo y espacio
Estudiar la estructura y características de los datasets, comprendiendo su importancia Estudiar y aplicar algoritmos de ordenación, comprendiendo su funcionamiento
en la preparación y utilización de datos para modelos de Inteligencia Artificial y comparando su eficiencia en diferentes contextos
Analizar los modelos supervisados y no supervisados, incluyendo los métodos Explorar algoritmos basados en árboles, comprendiendo su estructura y aplicaciones
y la clasificación Investigar algoritmos con Heaps, analizando su implementación y utilidad
Utilizar herramientas específicas y buenas prácticas en el manejo y procesamiento de en la manipulación eficiente de datos
datos, asegurando la eficiencia y calidad en la implementación de la Inteligencia Artificial Analizar algoritmos basados en grafos, explorando su aplicación en la representación
y solución de problemas que involucran relaciones complejas
Módulo 4. Minería de datos. Selección, preprocesamiento y transformación
Dominar las técnicas de inferencia estadística para comprender y aplicar métodos Estudiar algoritmos Greedy, entendiendo su lógica y aplicaciones en la resolución
estadísticos en la minería de datos de problemas de optimización
Realizar un análisis exploratorio detallado de conjuntos de datos para identificar Investigar y aplicar la técnica de backtracking para la resolución sistemática
patrones, anomalías y tendencias relevantes de problemas, analizando su eficacia en diversos escenarios
Desarrollar habilidades para la preparación de datos, incluyendo su limpieza, Módulo 6. Sistemas inteligentes
integración y formateo para su uso en minería de datos Explorar la teoría de agentes, comprendiendo los conceptos fundamentales de su
Implementar estrategias efectivas para manejar valores perdidos en conjuntos funcionamiento y su aplicación en Inteligencia Artificial e ingeniería de Software
de datos, aplicando métodos de imputación o eliminación según el contexto Estudiar la representación del conocimiento, incluyendo el análisis de ontologías
Identificar y mitigar el ruido presente en los datos, utilizando técnicas de filtrado y su aplicación en la organización de información estructurada
y suavización para mejorar la calidad del conjunto de datos Analizar el concepto de la web semántica y su impacto en la organización
Abordar el preprocesamiento de datos en entornos Big Data y recuperación de información en entornos digitales
Objetivos | 13
Evaluar y comparar distintas representaciones del conocimiento, integrando estas Módulo 8. Las redes neuronales, base de Deep Learning
para mejorar la eficacia y precisión de los sistemas inteligentes Dominar los fundamentos del Aprendizaje Profundo, comprendiendo su papel esencial
Estudiar razonadores semánticos, sistemas basados en conocimiento y sistemas expertos, en el Deep Learning
comprendiendo su funcionalidad y aplicaciones en la toma de decisiones inteligentes Explorar las operaciones fundamentales en redes neuronales y comprender su aplicación
en la construcción de modelos
Módulo 7: Aprendizaje automático y minería de datos
Introducir los procesos de descubrimiento del conocimiento y los conceptos Analizar las diferentes capas utilizadas en redes neuronales y aprender
fundamentales del aprendizaje automático a seleccionarlas adecuadamente
Estudiar árboles de decisión como modelos de aprendizaje supervisado, comprendiendo Comprender la unión efectiva de capas y operaciones para diseñar arquitecturas de redes
su estructura y aplicaciones neuronales complejas y eficientes
Evaluar clasificadores utilizando técnicas específicas para medir su rendimiento Utilizar entrenadores y optimizadores para ajustar y mejorar el rendimiento
y precisión en la clasificación de datos de las redes neuronales
Estudiar redes neuronales, comprendiendo su funcionamiento y arquitectura para Explorar la conexión entre neuronas biológicas y artificiales para una comprensión
resolver problemas complejos de aprendizaje automático más profunda del diseño de modelos
Explorar métodos bayesianos y su aplicación en el aprendizaje automático, Ajustar hiperparámetros para el Fine Tuning de redes neuronales, optimizando
incluyendo redes bayesianas y clasificadores bayesianos su rendimiento en tareas específicas
Analizar modelos de regresión y de respuesta continua para la predicción de valores Módulo 9. Entrenamiento de redes neuronales profundas
numéricos a partir de datos Resolver problemas relacionados con los gradientes en el entrenamiento de redes
Estudiar técnicas de clustering para identificar patrones y estructuras en neuronales profundas
conjuntos de datos no etiquetados Explorar y aplicar distintos optimizadores para mejorar la eficiencia y convergencia
Explorar la minería de textos y el procesamiento del lenguaje natural (NLP), comprendiendo de los modelos
cómo se aplican técnicas de aprendizaje automático para analizar y comprender el texto Programar la tasa de aprendizaje para ajustar dinámicamente la velocidad
de convergencia del modelo
Comprender y abordar el sobreajuste mediante estrategias específicas durante
el entrenamiento
14 | Objetivos
Aplicar directrices prácticas para garantizar un entrenamiento eficiente y efectivo Desarrollar una aplicación de Deep Learning con TensorFlow, integrando
de redes neuronales profundas los conocimientos adquiridos en el módulo
Implementar Transfer Learning como una técnica avanzada para mejorar el rendimiento Aplicar de manera práctica todos los conceptos aprendidos en la construcción y
del modelo en tareas específicas entrenamiento de modelos personalizados con TensorFlow en situaciones del mundo real
Explorar y aplicar técnicas de Data Augmentation para enriquecer conjuntos de datos
Módulo 11. Deep Computer Vision con Redes Neuronales Convolucionales
y mejorar la generalización del modelo Comprender la arquitectura del córtex visual y su relevancia en Deep Computer Vision
Desarrollar aplicaciones prácticas utilizando Transfer Learning para resolver problemas Explorar y aplicar capas convolucionales para extraer características clave de imágenes
del mundo real
Implementar capas de agrupación y su utilización en modelos de Deep Computer
Comprender y aplicar técnicas de regularización para mejorar la generalización y evitar Vision con Keras
el sobreajuste en redes neuronales profundas
Analizar diversas arquitecturas de Redes Neuronales Convolucionales (CNN)
Módulo 10. Personalización de modelos y entrenamiento con TensorFlow y su aplicabilidad en diferentes contextos
Dominar los fundamentos de TensorFlow y su integración con NumPy para un manejo Desarrollar e implementar una CNN ResNet utilizando la biblioteca Keras para mejorar
eficiente de datos y cálculos la eficiencia y rendimiento del modelo
Personalizar modelos y algoritmos de entrenamiento utilizando las capacidades Utilizar modelos preentrenados de Keras para aprovechar el aprendizaje por transferencia
avanzadas de TensorFlow en tareas específicas
Explorar la API tfdata para gestionar y manipular conjuntos de datos de manera eficaz Aplicar técnicas de clasificación y localización en entornos de Deep Computer Vision
Implementar el formato TFRecord para almacenar y acceder a grandes conjuntos Explorar estrategias de detección de objetos y seguimiento de objetos utilizando
de datos en TensorFlow Redes Neuronales Convolucionales
Utilizar capas de preprocesamiento de Keras para facilitar la construcción Implementar técnicas de segmentación semántica para comprender y clasificar
de modelos personalizados objetos en imágenes de manera detallada
Explorar el proyecto TensorFlow Datasets para acceder a conjuntos de datos predefinidos
y mejorar la eficiencia en el desarrollo
Objetivos | 15
Módulo 12. Procesamiento del lenguaje natural (NLP) con Redes Naturales Explorar y aplicar autocodificadores convolucionales para representaciones eficientes
Recurrentes (RNN) y Atención de datos visuales
Desarrollar habilidades en generación de texto utilizando Redes Neuronales
Analizar y aplicar la eficacia de codificadores automáticos dispersos en la representación
Recurrentes (RNN)
de datos
Aplicar RNN en la clasificación de opiniones para análisis de sentimientos en textos
Generar imágenes de moda del conjunto de datos MNIST utilizando Autoencoders
Comprender y aplicar los mecanismos de atención en modelos de procesamiento
Comprender el concepto de Redes Adversarias Generativas (GANs) y Modelos de Difusión
del lenguaje natural
Implementar y comparar el rendimiento de Modelos de Difusión y GANs
Analizar y utilizar modelos Transformers en tareas específicas de NLP
en la generación de datos
Explorar la aplicación de modelos Transformers en el contexto de procesamiento
de imágenes y visión computacional Módulo 14. Computación bioinspirada
Introducir los conceptos fundamentales de la computación bioinspirada
Familiarizarse con la librería de Transformers de Hugging Face para la implementación
eficiente de modelos avanzados Explorar algoritmos de adaptación social como enfoque clave en la computación bioinspirada
Comparar diferentes librerías de Transformers para evaluar su idoneidad en tareas específicas Analizar estrategias de exploración-explotación del espacio en algoritmos genéticos
Desarrollar una aplicación práctica de NLP que integre RNN y mecanismos de atención Examinar modelos de computación evolutiva en el contexto de la optimización
para resolver problemas del mundo real Continuar el análisis detallado de modelos de computación evolutiva
Aplicar programación evolutiva a problemas específicos de aprendizaje
Módulo 13. Autoencoders, GANs, y modelos de difusión
Desarrollar representaciones eficientes de datos mediante Autoencoders, GANs Abordar la complejidad de problemas multiobjetivo en el marco de la computación bioinspirada
y Modelos de Difusión Explorar la aplicación de redes neuronales en el ámbito de la computación bioinspirada
Realizar PCA utilizando un codificador automático lineal incompleto para optimizar Profundizar en la implementación y utilidad de redes neuronales
la representación de datos en la computación bioinspirada
Implementar y comprender el funcionamiento de codificadores automáticos apilados
16 | Objetivos
Módulo 15. Inteligencia Artificial: Estrategias y aplicaciones Módulo 17. Arquitectura del software para QA Testing
Desarrollar estrategias de implementación de inteligencia artificial en servicios financieros Desarrollar habilidades para diseñar planes de pruebas sólidos, cubriendo diferentes
Analizar las implicaciones de la inteligencia artificial en la prestación de servicios sanitarios tipos de testing y garantizando la calidad del software
Identificar y evaluar los riesgos asociados al uso de la IA en el ámbito de la salud Reconocer y analizar diferentes tipos de estructuras de software, como la monolítica,
de microservicios u orientadas a servicios
Evaluar los riesgos potenciales vinculados al uso de IA en la industria
Obtener una visión integral sobre los principios y técnicas para diseñar sistemas
Aplicar técnicas de inteligencia artificial en industria para mejorar la productividad
informáticos que sean escalables y capaces de manejar grandes volúmenes de datos
Diseñar soluciones de inteligencia artificial para optimizar procesos en la administración pública
Aplicar conocimientos avanzados en la implementación de estructuras de datos
Evaluar la implementación de tecnologías de IA en el sector educativo
potenciadas por IA para optimizar el rendimiento y la eficiencia del software
Aplicar técnicas de inteligencia artificial en silvicultura y agricultura para
Desarrollar prácticas de desarrollo seguro, centrándose en evitar vulnerabilidades
mejorar la productividad
para garantizar la seguridad del software a nivel arquitectónico
Optimizar procesos de recursos humanos mediante el uso estratégico
de la inteligencia artificial Módulo 18. Proyectos web con IA
Desarrollar habilidades integrales para la implementación de proyectos web, desde el diseño
Módulo 16. Mejora de la productividad en desarrollo de software con IA del frontend hasta la optimización del backend, con la inclusión de elementos de IA
Ahondar en la implementación de extensiones imprescindibles de IA en Visual Studio
Optimizar el proceso de despliegue de sitios web, incorporando técnicas y
Code para mejorar la productividad y facilitar el desarrollo de software
herramientas para mejorar la velocidad y la eficiencia
Obtener una comprensión sólida de los conceptos básicos de la IA y su aplicación
Integrar la IA en la computación en la nube, permitiendo al alumnado crear proyectos
en el desarrollo de software, incluyendo algoritmos de aprendizaje automático,
web altamente escalables y eficientes
procesamiento del lenguaje natural, redes neuronales, etc.
Adquirir la capacidad de identificar problemas y oportunidades específicos en
Dominar la configuración de entornos de desarrollo optimizados, asegurando
proyectos web donde la IA puede ser aplicada de manera efectiva, como en el
que los estudiantes puedan crear ambientes propicios para proyectos de IA
procesamiento de texto, personalización, recomendación de contenido, etc.
Aplicar técnicas específicas utilizando ChatGPT para la identificación y corrección automática
Fomentar que los estudiantes se mantengan al tanto de las últimas tendencias y avances
de posibles mejoras en el código, fomentando prácticas de programación más eficientes
en IA para su correcta aplicación en proyectos web
Promover la colaboración entre profesionales de diferentes programadores (desde
programadores hasta ingenieros de datos o diseñadores de experiencia de usuarios)
para desarrollar soluciones de software con IA efectivas y éticas
Objetivos | 17
Módulo 19. Aplicaciones móviles con IA

Aplicar conceptos avanzados de clean architecture, datasources y repositories para
garantizar una estructura robusta y modular en aplicaciones móviles con IA
Desarrollar habilidades para diseñar pantallas interactivas, iconos y recursos gráficos
utilizando IA para mejorar la experiencia del usuario en las aplicaciones móviles
Profundizar en la configuración del entorno de trabajo para aplicaciones móviles y
emplear Github Copilot para agilizar el proceso de desarrollo
Optimizar las aplicaciones móviles con IA para un rendimiento eficiente, teniendo
en cuenta la administración de recursos y el uso de datos
Realizar de pruebas de calidad en aplicaciones móviles con IA, que permitan al alumnado
identificar problemas y depurar errores Dominarás las tecnologías del
Módulo 20. IA para QA Testing futuro con esta exclusiva titulación
Dominar principios y técnicas para diseñar sistemas informáticos que sean escalables universitaria 100% online. ¡Solo
y capaces de manejar grandes volúmenes de datos
con TECH!”
Aplicar conocimientos avanzados en la implementación de estructuras de datos
potenciadas por IA para optimizar el rendimiento y la eficiencia del software
Comprender y aplicar prácticas de desarrollo seguro, centrándose en evitar vulnerabilidades
como la inyección, para garantizar la seguridad del software a nivel arquitectónico
Generar pruebas automatizadas, especialmente en entornos web y móviles,
integrando herramientas de IA para mejorar así la eficacia del proceso
Utilizar las herramientas avanzadas de QA potenciadas por IA para una detección
más eficientes de bugs y una mejora continua del software
03
Competencias
Este programa proporcionará a los egresados una ventaja significativa en la industria
del desarrollo informático, equipándolos con habilidades específicas y actualizadas
en Inteligencia Artificial (IA). Los profesionales no solo serán capaces de diseñar y
desarrollar software avanzado, sino también de implementar soluciones de IA de
manera efectiva en diversas aplicaciones, desde proyectos web y móviles, hasta la
arquitectura del software a gran escala. Además, al abordar la productividad en el
desarrollo y las mejores prácticas de QA Testing, se garantizará que los informáticos
estén preparados para enfrentar los desafíos del mundo real y destacarse en un
campo en constante evolución.
Competencias | 19
Gracias a este programa universitario serás

capaz de implementar algoritmos de IA en
proyectos web y aplicaciones móviles”
20 | Competencias
Competencias generales
Aplicar extensiones de IA en Visual Studio Code y técnicas de diseño no-code para

aumentar la eficiencia en el desarrollo de software
Utilizar ChatGPT para optimizar y mejorar la calidad del código, aplicando prácticas
avanzadas de programación
Implementar proyectos web, desde la creación de workspaces hasta el despliegue,
integrando IA, tanto en el frontend como en el backend
Desarrollar aplicaciones móviles potenciadas por IA, desde la configuración del
entorno hasta la creación de funciones avanzadas y la gestión de recursos gráficos
Aplicar conceptos avanzados de almacenamiento y estructuras de datos
potenciadas por IA para mejorar la eficiencia y escalabilidad de los sistemas
Incluir prácticas de desarrollo seguro, evitando vulnerabilidades como la inyección,
para garantizar la integridad y seguridad del software desarrollado
Serás capaz de diseñar experiencias

de usuario personalizadas e intuitivas
a través de la Inteligencia Artificial.
¡Matricúlate ahora!”
Competencias | 21
Competencias específicas
Aplicar técnicas y estrategias de IA para mejorar la eficiencia en el sector retail Desarrollar las técnicas de limpieza de datos para garantizar la calidad y precisión
Implementar técnicas de eliminación de ruido utilizando codificadores automáticos de la información utilizada en análisis posteriores
Crear de manera efectiva conjuntos de datos de entrenamiento para tareas Dominar la configuración de entornos de desarrollo optimizados, asegurando
de procesamiento del lenguaje natural (NLP) que los estudiantes puedan crear ambientes propicios para proyectos de IA
Ejecutar capas de agrupación y su utilización en modelos de Deep Computer Vision Aplicar técnicas específicas, utilizando ChatGPT para la identificación y corrección
con Keras automática de posibles mejoras en el código, fomentando prácticas
de programación más eficientes
Utilizar funciones y gráficos de TensorFlow para optimizar el rendimiento
de los modelos personalizados Crear pruebas automatizadas, especialmente en entornos web y móviles,
integrando herramientas de IA para mejorar la eficacia del proceso.
Optimizar el desarrollo y aplicación de chatbots y asistentes virtuales,
comprendiendo su funcionamiento y potenciales aplicaciones Utilizar herramientas avanzadas de QA potenciadas por IA para una detección
más eficiente de bugs y una mejora continua del software
Dominar la reutilización de capas preentrenadas para optimizar y acelerar
el proceso de entrenamiento Integrar la IA en la computación en la nube, permitiendo a los estudiantes crear
proyectos web altamente escalables y eficientes
Construir la primera red neuronal, aplicando los conceptos aprendidos
en la práctica Configurar el entorno de trabajo para aplicaciones móviles y utilizar Github Copilot
para agilizar el proceso de desarrollo
Activar Perceptrón Multicapa (MLP) utilizando la biblioteca Keras
Aplicar técnicas de exploración y preprocesamiento de datos, identificando
y preparando datos para su uso efectivo en modelos de aprendizaje automático
Indagar en lenguajes y software para la creación de ontologías, utilizando
herramientas específicas para el desarrollo de modelos semánticos
04
Dirección del curso
En su compromiso con la enseñanza de élite, TECH ha seleccionado minuciosamente a
los docentes encargados de la elaboración del plan de estudios de esta titulación. Por ello,
el presente programa académico cuenta con un experimentado claustro que posee un
destacado bagaje en la aplicación de la Inteligencia Artificial en labores de Programación.
De este modo, los alumnos de este Máster Título Propio accederán a una experiencia
educativa de primer nivel, con una combinación exclusiva de conocimientos presentados
en diversos soportes audiovisuales, para una integración de los conocimientos más eficaz
y dinámica.
Dirección del curso | 23
Ponte al día en las últimas tendencias

en Inteligencia Artificial aplicada a
la Programación de la mano de los
mejores expertos en la materia”
24 | Dirección del curso
Dirección
Dr. Peralta Martín-Palomino, Arturo

CEO y CTO en Prometeus Global Solutions
CTO en Korporate Technologies
CTO en AI Shepherds GmbH
Consultor y Asesor Estratégico Empresarial en Alliance Medical
Director de Diseño y Desarrollo en DocPath
Doctor en Ingeniería Informática por la Universidad de Castilla-La Mancha
Doctor en Economía, Empresas y Finanzas por la Universidad Camilo José Cela
Doctor en Psicología por la Universidad de Castilla-La Mancha
Máster en Executive MBA por la Universidad Isabel I
Máster en Dirección Comercial y Marketing por la Universidad Isabel I
Máster Experto en Big Data por Formación Hadoop
Máster en Tecnologías Informáticas Avanzadas por la Universidad de Castilla-La Mancha
Miembro de: Grupo de Investigación SMILE
Dirección del curso | 25
D. Castellanos Herreros, Ricardo

Especialista en Ingeniería Informática de Sistemas
Chief Technology Officer en OWQLO
Consultor Técnico Freelance
Desarrollador de Aplicaciones Móviles para eDreams, Fnac, Air Europa, Bankia, Cetelem, Banco Santander, Santillana,
Groupón y Grupo Planeta
Desarrollador de Páginas Web para Openbank y Banco Santander
Curso de Machine Learning Engineer en Udacity
Ingeniero Técnico en Informática de Sistemas por la Universidad de Castilla la Mancha
05
Estructura y contenido
Este programa en Inteligencia Artificial en la Programación destaca por su enfoque
integral, abordando no solo la implementación de algoritmos inteligentes, sino
también la mejora de la productividad en el desarrollo de software y la aplicación
de IA en áreas clave como QA Testing, proyectos web, aplicaciones móviles y
arquitectura del software. La combinación de habilidades técnicas, herramientas
avanzadas y la aplicación práctica de la IA en diversas fases del desarrollo lo
posiciona como un programa líder, proporcionando a los profesionales una
comprensión completa y profunda de la aplicación de la IA en la Programación.
Estructura y contenido | 27
Indagarás en la aplicación práctica de la IA

en proyectos web, incluyendo el desarrollo
tanto en el frontend como en el backend”
28 | Estructura y contenido
Módulo 1. Fundamentos de la Inteligencia Artificial 1.7. Sistemas expertos y DSS

1.7.1. Sistemas expertos
1.1. Historia de la Inteligencia artificial
1.7.2. Sistemas de soporte a la decisión
1.1.1. ¿Cuándo se empieza a hablar de inteligencia artificial?
1.8. Chatbots y Asistentes Virtuales
1.1.2. Referentes en el cine
1.8.1. Tipos de asistentes: asistentes por voz y por texto
1.1.3. Importancia de la inteligencia artificial
1.8.2. Partes fundamentales para el desarrollo de un asistente: Intents, entidades
1.1.4. Tecnologías que habilitan y dan soporte a la inteligencia artificial
y flujo de diálogo
1.2. La Inteligencia Artificial en juegos
1.8.3. Integraciones: web, Slack, Whatsapp, Facebook
1.2.1. Teoría de Juegos
1.8.4. Herramientas de desarrollo de asistentes: Dialog Flow, Watson Assistant
1.2.2. Minimax y poda Alfa-Beta
1.9. Estrategia de implantación de IA
1.2.3. Simulación: Monte Carlo
1.10. Futuro de la inteligencia artificial
1.3. Redes de neuronas
1.10.1. Entendemos cómo detectar emociones mediante algoritmos
1.3.1. Fundamentos biológicos
1.10.2. Creación de una personalidad: lenguaje, expresiones y contenido
1.3.2. Modelo computacional
1.10.3. Tendencias de la inteligencia artificial
1.3.3. Redes de neuronas supervisadas y no supervisadas
1.10.4. Reflexiones
1.3.4. Perceptrón simple
1.3.5. Perceptrón multicapa Módulo 2. Tipos y Ciclo de Vida del Dato
1.4. Algoritmos genéticos 2.1. La Estadística
1.4.1. Historia 2.1.1. Estadística: estadística descriptiva, estadística inferencias
1.4.2. Base biológica 2.1.2. Población, muestra, individuo
1.4.3. Codificación de problemas 2.1.3. Variables: definición, escalas de medida
1.4.4. Generación de la población inicial 2.2. Tipos de datos estadísticos
1.4.5. Algoritmo principal y operadores genéticos 2.2.1. Según tipo
1.4.6. Evaluación de individuos: Fitness 2.2.1.1. Cuantitativos: datos continuos y datos discretos
1.5. Tesauros, vocabularios, taxonomías 2.2.1.2. Cualitativos: datos binomiales, datos nominales y datos ordinales
1.5.1. Vocabularios 2.2.2. Según su forma
1.5.2. Taxonomías 2.2.2.1. Numérico
1.5.3. Tesauros 2.2.2.2. Texto
1.5.4. Ontologías 2.2.2.3. Lógico
1.5.5. Representación del conocimiento: web semántica 2.2.3. Según su fuente
1.6. Web semántica 2.2.3.1. Primarios
1.6.1. Especificaciones: RDF, RDFS y OWL 2.2.3.2. Secundarios
1.6.2. Inferencia/razonamiento 2.3. Ciclo de vida de los datos
1.6.3. Linked Data 2.3.1. Etapas del ciclo
2.3.2. Hitos del ciclo Módulo 3. El dato en la Inteligencia Artificial

2.3.3. Principios FAIR
3.1. Ciencia de datos
2.4. Etapas iniciales del ciclo
3.1.1. La ciencia de datos
2.4.1. Definición de metas
3.1.2. Herramientas avanzadas para el científico de datos
2.4.2. Determinación de recursos necesarios
3.2. Datos, información y conocimiento
2.4.3. Diagrama de Gantt
3.2.1. Datos, información y conocimiento
2.4.4. Estructura de los datos
3.2.2. Tipos de datos
2.5. Recolección de datos
3.2.3. Fuentes de datos
2.5.1. Metodología de recolección
3.3. De los datos a la información
2.5.2. Herramientas de recolección
3.3.1. Análisis de Datos
2.5.3. Canales de recolección
3.3.2. Tipos de análisis
2.6. Limpieza del dato
3.3.3. Extracción de Información de un Dataset
2.6.1. Fases de la limpieza de datos
3.4. Extracción de información mediante visualización
2.6.2. Calidad del dato
3.4.1. La visualización como herramienta de análisis
2.6.3. Manipulación de datos (con R)
3.4.2. Métodos de visualización
2.7. Análisis de datos, interpretación y valoración de resultados
3.4.3. Visualización de un conjunto de datos
2.7.1. Medidas estadísticas
3.5. Calidad de los datos
2.7.2. Índices de relación
3.5.1. Datos de calidad
2.7.3. Minería de datos
3.5.2. Limpieza de datos
2.8. Almacén del dato (Datawarehouse)
3.5.3. Preprocesamiento básico de datos
2.8.1. Elementos que lo integran
3.6. Dataset
2.8.2. Diseño
3.6.1. Enriquecimiento del Dataset
2.8.3. Aspectos a considerar
3.6.2. La maldición de la dimensionalidad
2.9. Disponibilidad del dato
3.6.3. Modificación de nuestro conjunto de datos
2.9.1. Acceso
3.7. Desbalanceo
2.9.2. Utilidad
3.7.1. Desbalanceo de clases
2.9.3. Seguridad
3.7.2. Técnicas de mitigación del desbalanceo
2.10. Aspectos Normativos
3.7.3. Balanceo de un Dataset
2.10.1. Ley de protección de datos
3.8. Modelos no supervisados
2.10.2. Buenas prácticas
3.8.1. Modelo no supervisado
2.10.3. Otros aspectos normativos
3.8.2. Métodos
3.8.3. Clasificación con modelos no supervisados
3.9. Modelos supervisados 4.7. De atributos continuos a discretos

3.9.1. Modelo supervisado 4.7.1. Datos continuos versus discretos
3.9.2. Métodos 4.7.2. Proceso de discretización
3.9.3. Clasificación con modelos supervisados 4.8. Los datos
3.10. Herramientas y buenas prácticas 4.8.1. Selección de datos
3.10.1. Buenas prácticas para un científico de datos 4.8.2. Perspectivas y criterios de selección
3.10.2. El mejor modelo 4.8.3. Métodos de selección
3.10.3. Herramientas útiles 4.9. Selección de instancias
4.9.1. Métodos para la selección de instancias
Módulo 4. Minería de Datos. Selección, preprocesamiento y transformación
4.9.2. Selección de prototipos
4.1. La inferencia estadística 4.9.3. Métodos avanzados para la selección de instancias
4.1.1. Estadística descriptiva vs. Inferencia estadística 4.10. Preprocesamiento de datos en entornos Big Data
4.1.2. Procedimientos paramétricos
4.1.3. Procedimientos no paramétricos Módulo 5. Algoritmia y complejidad en Inteligencia Artificial
4.2. Análisis exploratorio 5.1. Introducción a las estrategias de diseño de algoritmos
4.2.1. Análisis descriptivo 5.1.1. Recursividad
4.2.2. Visualización 5.1.2. Divide y conquista
4.2.3. Preparación de datos 5.1.3. Otras estrategias
4.3. Preparación de datos 5.2. Eficiencia y análisis de los algoritmos
4.3.1. Integración y limpieza de datos 5.2.1. Medidas de eficiencia
4.3.2. Normalización de datos 5.2.2. Medir el tamaño de la entrada
4.3.3. Transformando atributos 5.2.3. Medir el tiempo de ejecución
4.4. Los valores perdidos 5.2.4. Caso peor, mejor y medio
4.4.1. Tratamiento de valores perdidos 5.2.5. Notación asintónica
4.4.2. Métodos de imputación de máxima verosimilitud 5.2.6. Criterios de Análisis matemático de algoritmos no recursivos
4.4.3. Imputación de valores perdidos usando aprendizaje automático 5.2.7. Análisis matemático de algoritmos recursivos
4.5. El ruido en los datos 5.2.8. Análisis empírico de algoritmos
4.5.1. Clases de ruido y atributos 5.3. Algoritmos de ordenación
4.5.2. Filtrado de ruido 5.3.1. Concepto de ordenación
4.5.3. El efecto del ruido 5.3.2. Ordenación de la burbuja
4.6. La maldición de la dimensionalidad 5.3.3. Ordenación por selección
4.6.1. Oversampling 5.3.4. Ordenación por inserción
4.6.2. Undersampling 5.3.5. Ordenación por mezcla (Merge_Sort)
4.6.3. Reducción de datos multidimensionales 5.3.6. Ordenación rápida (Quick_Sort)
5.4. Algoritmos con árboles Módulo 6. Sistemas inteligentes

5.4.1. Concepto de árbol
6.1. Teoría de agentes
5.4.2. Árboles binarios
6.1.1. Historia del concepto
5.4.3. Recorridos de árbol
6.1.2. Definición de agente
5.4.4. Representar expresiones
6.1.3. Agentes en Inteligencia Artificial
5.4.5. Árboles binarios ordenados
6.1.4. Agentes en ingeniería de Software
5.4.6. Árboles binarios balanceados
6.2. Arquitecturas de agentes
5.5. Algoritmos con Heaps
6.2.1. El proceso de razonamiento de un agente
5.5.1. Los Heaps
6.2.2. Agentes reactivos
5.5.2. El algoritmo Heapsort
6.2.3. Agentes deductivos
5.5.3. Las colas de prioridad
6.2.4. Agentes híbridos
5.6. Algoritmos con grafos
6.2.5. Comparativa
5.6.1. Representación
6.3. Información y conocimiento
5.6.2. Recorrido en anchura
6.3.1. Distinción entre datos, información y conocimiento
5.6.3. Recorrido en profundidad
6.3.2. Evaluación de la calidad de los datos
5.6.4. Ordenación topológica
6.3.3. Métodos de captura de datos
5.7. Algoritmos Greedy
6.3.4. Métodos de adquisición de información
5.7.1. La estrategia Greedy
6.3.5. Métodos de adquisición de conocimiento
5.7.2. Elementos de la estrategia Greedy
6.4. Representación del conocimiento
5.7.3. Cambio de monedas
6.4.1. La importancia de la representación del conocimiento
5.7.4. Problema del viajante
6.4.2. Definición de representación del conocimiento a través de sus roles
5.7.5. Problema de la mochila
6.4.3. Características de una representación del conocimiento
5.8. Búsqueda de caminos mínimos
6.5. Ontologías
5.8.1. El problema del camino mínimo
6.5.1. Introducción a los metadatos
5.8.2. Arcos negativos y ciclos
6.5.2. Concepto filosófico de ontología
5.8.3. Algoritmo de Dijkstra
6.5.3. Concepto informático de ontología
5.9. Algoritmos Greedy sobre grafos
6.5.4. Ontologías de dominio y ontologías de nivel superior
5.9.1. El árbol de recubrimiento mínimo
6.5.5. ¿Cómo construir una ontología?
5.9.2. El algoritmo de Prim
6.6. Lenguajes para ontologías y Software para la creación de ontologías
5.9.3. El algoritmo de Kruskal
6.6.1. Tripletas RDF, Turtle y N
5.9.4. Análisis de complejidad
6.6.2. RDF Schema
5.10. Backtracking
6.6.3. OWL
5.10.1. El Backtracking
6.6.4. SPARQL
5.10.2. Técnicas alternativas
6.6.5. Introducción a las diferentes herramientas para la creación de ontologías
6.6.6. Instalación y uso de Protégé
6.7. La web semántica 7.1.7. Conceptos básicos de aprendizaje

6.7.1. El estado actual y futuro de la web semántica 7.1.8. Conceptos básicos de aprendizaje no supervisado
6.7.2. Aplicaciones de la web semántica 7.2. Exploración y preprocesamiento de datos
6.8. Otros modelos de representación del conocimiento 7.2.1. Tratamiento de datos
6.8.1. Vocabularios 7.2.2. Tratamiento de datos en el flujo de análisis de datos
6.8.2. Visión global 7.2.3. Tipos de datos
6.8.3. Taxonomías 7.2.4. Transformaciones de datos
6.8.4. Tesauros 7.2.5. Visualización y exploración de variables continuas
6.8.5. Folksonomías 7.2.6. Visualización y exploración de variables categóricas
6.8.6. Comparativa 7.2.7. Medidas de correlación
6.8.7. Mapas mentales 7.2.8. Representaciones gráficas más habituales
6.9. Evaluación e integración de representaciones del conocimiento 7.2.9. Introducción al análisis multivariante y a la reducción de dimensiones
6.9.1. Lógica de orden cero 7.3. Árboles de decisión
6.9.2. Lógica de primer orden 7.3.1. Algoritmo ID
6.9.3. Lógica descriptiva 7.3.2. Algoritmo C
6.9.4. Relación entre diferentes tipos de lógica 7.3.3. Sobreentrenamiento y poda
6.9.5. Prolog: programación basada en lógica de primer orden 7.3.4. Análisis de resultados
6.10. Razonadores semánticos, sistemas basados en conocimiento y Sistemas Expertos 7.4. Evaluación de clasificadores
6.10.1. Concepto de razonador 7.4.1. Matrices de confusión
6.10.2. Aplicaciones de un razonador 7.4.2. Matrices de evaluación numérica
6.10.3. Sistemas basados en el conocimiento 7.4.3. Estadístico de Kappa
6.10.4. MYCIN, historia de los Sistemas Expertos 7.4.4. La curva ROC
6.10.5. Elementos y Arquitectura de Sistemas Expertos 7.5. Reglas de clasificación
6.10.6. Creación de Sistemas Expertos 7.5.1. Medidas de evaluación de reglas
7.5.2. Introducción a la representación gráfica
Módulo 7. Aprendizaje automático y minería de datos
7.5.3. Algoritmo de recubrimiento secuencial
7.1. Introducción a los procesos de descubrimiento del conocimiento y conceptos básicos 7.6. Redes neuronales
de aprendizaje automático 7.6.1. Conceptos básicos
7.1.1. Conceptos clave de los procesos de descubrimiento del conocimiento 7.6.2. Redes de neuronas simples
7.1.2. Perspectiva histórica de los procesos de descubrimiento del conocimiento 7.6.3. Algoritmo de Backpropagation
7.1.3. Etapas de los procesos de descubrimiento del conocimiento 7.6.4. Introducción a las redes neuronales recurrentes
7.1.4. Técnicas utilizadas en los procesos de descubrimiento del conocimiento
7.1.5. Características de los buenos modelos de aprendizaje automático
7.1.6. Tipos de información de aprendizaje automático
7.7. Métodos bayesianos 8.3. Capas

7.7.1. Conceptos básicos de probabilidad 8.3.1. Capa de entrada
7.7.2. Teorema de Bayes 8.3.2. Capa oculta
7.7.3. Naive Bayes 8.3.3. Capa de salida
7.7.4. Introducción a las redes bayesianas 8.4. Unión de Capas y Operaciones
7.8. Modelos de regresión y de respuesta continua 8.4.1. Diseño de arquitecturas
7.8.1. Regresión lineal simple 8.4.2. Conexión entre capas
7.8.2. Regresión lineal múltiple 8.4.3. Propagación hacia adelante
7.8.3. Regresión logística 8.5. Construcción de la primera red neuronal
7.8.4. Árboles de regresión 8.5.1. Diseño de la red
7.8.5. Introducción a las máquinas de soporte vectorial (SVM) 8.5.2. Establecer los pesos
7.8.6. Medidas de bondad de ajuste 8.5.3. Entrenamiento de la red
7.9. Clustering 8.6. Entrenador y Optimizador
7.9.1. Conceptos básicos 8.6.1. Selección del optimizador
7.9.2. Clustering jerárquico 8.6.2. Establecimiento de una función de pérdida
7.9.3. Métodos probabilistas 8.6.3. Establecimiento de una métrica
7.9.4. Algoritmo EM 8.7. Aplicación de los Principios de las Redes Neuronales
7.9.5. Método B-Cubed 8.7.1. Funciones de activación
7.9.6. Métodos implícitos 8.7.2. Propagación hacia atrás
7.10. Minería de textos y procesamiento de lenguaje natural (NLP) 8.7.3. Ajuste de los parámetros
7.10.1. Conceptos básicos 8.8. De las neuronas biológicas a las artificiales
7.10.2. Creación del corpus 8.8.1. Funcionamiento de una neurona biológica
7.10.3. Análisis descriptivo 8.8.2. Transferencia de conocimiento a las neuronas artificiales
7.10.4. Introducción al análisis de sentimientos 8.8.3. Establecer relaciones entre ambas
8.9. Implementación de MLP (Perceptrón multicapa) con Keras
Módulo 8. Las redes neuronales, base de Deep Learning
8.9.1. Definición de la estructura de la red
8.1. Aprendizaje Profundo 8.9.2. Compilación del modelo
8.1.1. Tipos de aprendizaje profundo 8.9.3. Entrenamiento del modelo
8.1.2. Aplicaciones del aprendizaje profundo 8.10. Hiperparámetros de Fine tuning de Redes Neuronales
8.1.3. Ventajas y desventajas del aprendizaje profundo 8.10.1. Selección de la función de activación
8.2. Operaciones 8.10.2. Establecer el Learning rate
8.2.1. Suma 8.10.3. Ajuste de los pesos
8.2.2. Producto
8.2.3. Traslado
9.9. Aplicación Práctica de Transfer Learning

Módulo 9. Entrenamiento de redes neuronales profundas
9.9.1. Entrenamiento de transferencia de aprendizaje
9.1. Problemas de Gradientes 9.9.2. Extracción de características
9.1.1. Técnicas de optimización de gradiente 9.9.3. Aprendizaje profundo
9.1.2. Gradientes Estocásticos 9.10. Regularización
9.1.3. Técnicas de inicialización de pesos 9.10.1. L y L
9.2. Reutilización de capas preentrenadas 9.10.2. Regularización por máxima entropía
9.2.1. Entrenamiento de transferencia de aprendizaje 9.10.3. Dropout
9.2.2. Extracción de características
9.2.3. Aprendizaje profundo Módulo 10. Personalización de Modelos y entrenamiento con TensorFlow
9.3. Optimizadores 10.1. TensorFlow
9.3.1. Optimizadores de descenso de gradiente estocástico 10.1.1. Uso de la biblioteca TensorFlow
9.3.2. Optimizadores Adam y RMSprop 10.1.2. Entrenamiento de modelos con TensorFlow
9.3.3. Optimizadores de momento 10.1.3. Operaciones con gráficos en TensorFlow
9.4. Programación de la tasa de aprendizaje 10.2. TensorFlow y NumPy
9.4.1. Control de tasa de aprendizaje automático 10.2.1. Entorno computacional NumPy para TensorFlow
9.4.2. Ciclos de aprendizaje 10.2.2. Utilización de los arrays NumPy con TensorFlow
9.4.3. Términos de suavizado 10.2.3. Operaciones NumPy para los gráficos de TensorFlow
9.5. Sobreajuste 10.3. Personalización de modelos y algoritmos de entrenamiento
9.5.1. Validación cruzada 10.3.1. Construcción de modelos personalizados con TensorFlow
9.5.2. Regularización 10.3.2. Gestión de parámetros de entrenamiento
9.5.3. Métricas de evaluación 10.3.3. Utilización de técnicas de optimización para el entrenamiento
9.6. Directrices Prácticas 10.4. Funciones y gráficos de TensorFlow
9.6.1. Diseño de modelos 10.4.1. Funciones con TensorFlow
9.6.2. Selección de métricas y parámetros de evaluación 10.4.2. Utilización de gráficos para el entrenamiento de modelos
9.6.3. Pruebas de hipótesis 10.4.3. Optimización de gráficos con operaciones de TensorFlow
9.7. Transfer Learning 10.5. Carga y preprocesamiento de datos con TensorFlow
9.7.1. Entrenamiento de transferencia de aprendizaje 10.5.1. Carga de conjuntos de datos con TensorFlow
9.7.2. Extracción de características 10.5.2. Preprocesamiento de datos con TensorFlow
9.7.3. Aprendizaje profundo 10.5.3. Utilización de herramientas de TensorFlow para la manipulación de datos
9.8. Data Augmentation 10.6. La API tfdata
9.8.1. Transformaciones de imagen 10.6.1. Utilización de la API tfdata para el procesamiento de datos
9.8.2. Generación de datos sintéticos 10.6.2. Construcción de flujos de datos con tfdata
9.8.3. Transformación de texto 10.6.3. Uso de la API tfdata para el entrenamiento de modelos
10.7. El formato TFRecord 11.5. Implementación de una CNN ResNet- usando Keras
10.7.1. Utilización de la API TFRecord para la serialización de datos 11.5.1. Inicialización de pesos
10.7.2. Carga de archivos TFRecord con TensorFlow 11.5.2. Definición de la capa de entrada
10.7.3. Utilización de archivos TFRecord para el entrenamiento de modelos 11.5.3. Definición de la salida
10.8. Capas de preprocesamiento de Keras 11.6. Uso de modelos preentrenados de Keras
10.8.1. Utilización de la API de preprocesamiento de Keras 11.6.1. Características de los modelos preentrenados
10.8.2. Construcción de pipelined de preprocesamiento con Keras 11.6.2. Usos de los modelos preentrenados
10.8.3. Uso de la API de preprocesamiento de Keras para el entrenamiento de modelos 11.6.3. Ventajas de los modelos preentrenados
10.9. El proyecto TensorFlow Datasets 11.7. Modelos preentrenados para el aprendizaje por transferencia
10.9.1. Utilización de TensorFlow Datasets para la carga de datos 11.7.1. El Aprendizaje por transferencia
10.9.2. Preprocesamiento de datos con TensorFlow Datasets 11.7.2. Proceso de aprendizaje por transferencia
10.9.3. Uso de TensorFlow Datasets para el entrenamiento de modelos 11.7.3. Ventajas del aprendizaje por transferencia
10.10. Construcción de una Aplicación de Deep Learning con TensorFlow 11.8. Clasificación y Localización en Deep Computer Vision
10.10.1. Aplicación Práctica 11.8.1. Clasificación de imágenes
10.10.2. Construcción de una aplicación de Deep Learning con TensorFlow 11.8.2. Localización de objetos en imágenes
10.10.3. Entrenamiento de un modelo con TensorFlow 11.8.3. Detección de objetos
10.10.4. Utilización de la aplicación para la predicción de resultados 11.9. Detección de objetos y seguimiento de objetos
11.9.1. Métodos de detección de objetos
Módulo 11. Deep Computer Vision con Redes Neuronales Convolucionales
11.9.2. Algoritmos de seguimiento de objetos
11.1. La Arquitectura Visual Cortex 11.9.3. Técnicas de rastreo y localización
11.1.1. Funciones de la corteza visual 11.10. Segmentación semántica
11.1.2. Teorías de la visión computacional 11.10.1. Aprendizaje profundo para segmentación semántica
11.1.3. Modelos de procesamiento de imágenes
11.10.2. Detección de bordes
11.2. Capas convolucionales
11.10.3. Métodos de segmentación basados en reglas
11.2.1. Reutilización de pesos en la convolución
11.2.2. Convolución D Módulo 12. Procesamiento del lenguaje natural (NLP) con Redes Naturales
11.2.3. Funciones de activación
Recurrentes (RNN) y Atención
11.3. Capas de agrupación e implementación de capas de agrupación con Keras
11.3.1. Pooling y Striding 12.1. Generación de texto utilizando RNN
11.3.2. Flattening 12.1.1. Entrenamiento de una RNN para generación de texto
11.3.3. Tipos de Pooling 12.1.2. Generación de lenguaje natural con RNN
11.4. Arquitecturas CNN 12.1.3. Aplicaciones de generación de texto con RNN
11.4.1. Arquitectura VGG
11.4.2. Arquitectura AlexNet
11.4.3. Arquitectura ResNet
12.2. Creación del conjunto de datos de entrenamiento 12.10. Desarrollo de una Aplicación de NLP con RNN y Atención. Aplicación Práctica
12.2.1. Preparación de los datos para el entrenamiento de una RNN 12.10.1. Desarrollo de una aplicación de procesamiento de lenguaje natural con RNN
12.2.2. Almacenamiento del conjunto de datos de entrenamiento y atención
12.2.3. Limpieza y transformación de los datos 12.10.2. Uso de RNN, mecanismos de atención y modelos Transformers en la aplicación
12.2.4. Análisis de Sentimiento 12.10.3. Evaluación de la aplicación práctica
12.3. Clasificación de opiniones con RNN
Módulo 13. Autoencoders, GANs, y Modelos de Difusión
12.3.1. Detección de temas en los comentarios
13.1. Representaciones de datos eficientes
12.3.2. Análisis de sentimiento con algoritmos de aprendizaje profundo
13.1.1. Reducción de dimensionalidad
12.4. Red de codificador-decodificador para la traducción automática neuronal
13.1.2. Aprendizaje profundo
12.4.1. Entrenamiento de una RNN para la traducción automática 13.1.3. Representaciones compactas
12.4.2. Uso de una red encoder-decoder para la traducción automática 13.2. Realización de PCA con un codificador automático lineal incompleto
12.4.3. Mejora de la precisión de la traducción automática con RNN 13.2.1. Proceso de entrenamiento
12.5. Mecanismos de atención 13.2.2. Implementación en Python
12.5.1. Aplicación de mecanismos de atención en RNN 13.2.3. Utilización de datos de prueba
12.5.2. Uso de mecanismos de atención para mejorar la precisión de los modelos 13.3. Codificadores automáticos apilados
12.5.3. Ventajas de los mecanismos de atención en las redes neuronales 13.3.1. Redes neuronales profundas
13.3.2. Construcción de arquitecturas de codificación
12.6. Modelos Transformers
13.3.3. Uso de la regularización
12.6.1. Uso de los modelos Transformers para procesamiento de lenguaje natural
13.4. Autocodificadores convolucionales
12.6.2. Aplicación de los modelos Transformers para visión 13.4.1. Diseño de modelos convolucionales
12.6.3. Ventajas de los modelos Transformers 13.4.2. Entrenamiento de modelos convolucionales
12.7. Transformers para visión 13.4.3. Evaluación de los resultados
12.7.1. Uso de los modelos Transformers para visión 13.5. Eliminación de ruido de codificadores automáticos
12.7.2. Preprocesamiento de los datos de imagen 13.5.1. Aplicación de filtros
12.7.3. Entrenamiento de un modelo Transformers para visión 13.5.2. Diseño de modelos de codificación
12.8. Librería de Transformers de Hugging Face 13.5.3. Uso de técnicas de regularización
12.8.1. Uso de la librería de Transformers de Hugging Face 13.6. Codificadores automáticos dispersos
12.8.2. Aplicación de la librería de Transformers de Hugging Face 13.6.1. Incrementar la eficiencia de la codificación
12.8.3. Ventajas de la librería de Transformers de Hugging Face 13.6.2. Minimizando el número de parámetros
12.9. Otras Librerías de Transformers. Comparativa 13.6.3. Utilización de técnicas de regularización
12.9.1. Comparación entre las distintas librerías de Transformers 13.7. Codificadores automáticos variacionales
12.9.2. Uso de las demás librerías de Transformers 13.7.1. Utilización de optimización variacional
12.9.3. Ventajas de las demás librerías de Transformers 13.7.2. Aprendizaje profundo no supervisado
13.7.3. Representaciones latentes profundas
13.8. Generación de imágenes MNIST de moda 14.7. Programación evolutiva aplicada a problemas de aprendizaje
13.8.1. Reconocimiento de patrones 14.7.1. Aprendizaje basado en reglas
13.8.2. Generación de imágenes 14.7.2. Métodos evolutivos en problemas de selección de instancias
13.8.3. Entrenamiento de redes neuronales profundas 14.8. Problemas multiobjetivo
13.9. Redes adversarias generativas y modelos de difusión 14.8.1. Concepto de dominancia
13.9.1. Generación de contenido a partir de imágenes 14.8.2. Aplicación de algoritmos evolutivos a problemas multiobjetivo
13.9.2. Modelado de distribuciones de datos 14.9. Redes neuronales (I)
13.9.3. Uso de redes adversarias 14.9.1. Introducción a las redes neuronales
13.10. Implementación de los Modelos 14.9.2. Ejemplo práctico con redes neuronales
13.10.1. Aplicación Práctica 14.10. Redes neuronales (II)
13.10.2. Implementación de los modelos 14.10.1. Casos de uso de las redes neuronales en la investigación médica
13.10.3. Uso de datos reales 14.10.2. Casos de uso de las redes neuronales en la economía
13.10.4. Evaluación de los resultados 14.10.3. Casos de uso de las redes neuronales en la visión artificial
Módulo 14. Computación bioinspirada Módulo 15. Inteligencia Artificial: Estrategias y aplicaciones
14.1. Introducción a la computación bioinspirada 15.1. Servicios financieros
14.1.1. Introducción a la computación bioinspirada 15.1.1. Las implicaciones de la Inteligencia Artificial (IA) en los servicios financieros.
14.2. Algoritmos de adaptación social Oportunidades y desafíos
14.2.1. Computación bioinspirada basada en colonia de hormigas 15.1.2. Casos de uso
14.2.2. Variantes de los algoritmos de colonias de hormigas 15.1.3. Riesgos potenciales relacionados con el uso de IA
14.2.3. Computación basada en nubes de partículas 15.1.4. Potenciales desarrollos/usos futuros de la IA
14.3. Algoritmos genéticos 15.2. Implicaciones de la Inteligencia Artificial en el servicio sanitario
14.3.1. Estructura general 15.2.1. Implicaciones de la IA en el sector sanitario. Oportunidades y desafíos
14.3.2. Implementaciones de los principales operadores 15.2.2. Casos de uso
14.4. Estrategias de exploración-explotación del espacio para algoritmos genéticos 15.3. Riesgos Relacionados con el uso de la IA en el servicio sanitario
14.4.1. Algoritmo CHC 15.3.1. Riesgos potenciales relacionados con el uso de IA
14.4.2. Problemas multimodales 15.3.2. Potenciales desarrollos/usos futuros de la IA
14.5. Modelos de computación evolutiva (I) 15.4. Retail
14.5.1. Estrategias evolutivas 15.4.1. Implicaciones de la IA en Retail. Oportunidades y desafíos
14.5.2. Programación evolutiva 15.4.2. Casos de uso
14.5.3. Algoritmos basados en evolución diferencial 15.4.3. Riesgos potenciales relacionados con el uso de IA
14.6. Modelos de computación evolutiva (II) 15.4.4. Potenciales desarrollos/usos futuros de la IA
14.6.1. Modelos de evolución basados en estimación de distribuciones (EDA)
14.6.2. Programación genética
15.5. Industria 16.2. Extensiones imprescindibles de IA para Visual Studio Code

15.5.1. Implicaciones de la IA en la Industria. Oportunidades y desafíos 16.2.1. Exploración y selección de extensiones de IA para Visual Studio Code
15.5.2. Casos de uso 16.2.2. Integración de herramientas de análisis estático y dinámico en el IDE
15.6. Riesgos potenciales relacionados con el uso de IA en la Industria 16.2.3. Automatización de tareas repetitivas con extensiones específicas
15.6.1. Casos de uso 16.2.4. Personalización del entorno de desarrollo para mejorar la eficiencia
15.6.2. Riesgos potenciales relacionados con el uso de IA 16.3. Diseño No-code de Interfaces de Usuario con Flutterflow
15.6.3. Potenciales desarrollos/usos futuros de la IA 16.3.1. Principios del diseño No-code y su aplicación en interfaces de usuario
15.7. Administración Pública 16.3.2. Incorporación de elementos de IA en el diseño visual de interfaces
15.7.1. Implicaciones de la IA en la Administración Pública. Oportunidades y desafíos 16.3.3. Herramientas y plataformas para la creación No-code de interfaces inteligentes
15.7.2. Casos de uso 16.3.4. Evaluación y mejora continua de interfaces No-code con IA
15.7.3. Riesgos potenciales relacionados con el uso de IA 16.4. Optimización de código usando ChatGPT
15.7.4. Potenciales desarrollos/usos futuros de la IA 16.4.1. Identificar código duplicado
15.8. Educación 16.4.2. Refactorizar
15.8.1. Implicaciones de la IA en la educación. Oportunidades y desafíos 16.4.3. Crear códigos legibles
15.8.2. Casos de uso 16.4.4. Entender lo que hace un código
15.8.3. Riesgos potenciales relacionados con el uso de IA 16.4.5. Mejora nombre de variables y funciones
15.8.4. Potenciales desarrollos/usos futuros de la IA 16.4.6. Creación de documentación automática
15.9. Silvicultura y agricultura 16.5. Gestión de repositorios con IA usando ChagGPT

16.5.1. Automatización de procesos de control de versiones con técnicas de IA
15.9.1. Implicaciones de la IA en la silvicultura y la agricultura. Oportunidades y desafíos
16.5.2. Detección de conflictos y resolución automática en entornos colaborativos
15.9.2. Casos de uso
16.5.3. Análisis predictivo de cambios y tendencias en repositorios de código
15.9.3. Riesgos potenciales relacionados con el uso de IA
16.5.4. Mejoras en la organización y categorización de repositorios mediante IA
15.9.4. Potenciales desarrollos/usos futuros de la IA
16.6. Integración de IA en gestión con bases de datos con AskYourDatabase
15.10 Recursos Humanos
16.6.1. Optimización de consultas y rendimiento utilizando técnicas de IA
15.10.1. Implicaciones de la IA en los Recursos Humanos. Oportunidades y desafíos
16.6.2. Análisis predictivo de patrones de acceso a bases de datos
15.10.2. Casos de uso
16.6.3. Implementación de sistemas de recomendación para optimizar la estructura
15.10.3. Riesgos potenciales relacionados con el uso de IA de la base de datos
15.10.4. Potenciales desarrollos/usos futuros de la IA 16.6.4. Monitoreo y detección proactiva de posibles problemas en bases de datos
Módulo 16. Mejora de la productividad en Desarrollo de software con IA 16.7. Búsqueda de fallos y creación de test unitarios con IA usando ChatGPT
16.7.1. Generación automática de casos de prueba mediante técnicas de IA
16.1. Preparar un entorno de desarrollo adecuado 16.7.2. Detección temprana de vulnerabilidades y errores utilizando análisis estático
16.1.1. Selección de herramientas esenciales para desarrollo con IA con IA
16.1.2. Configuración de las herramientas elegidas 16.7.3. Mejora de la cobertura de pruebas mediante la identificación de áreas críticas
16.1.3. Implementación de pipelines de CI/CD adaptados a proyectos con IA por IA
16.1.4. Gestión eficiente de dependencias y versiones en entornos de desarrollo
16.8. Pair Programming con GitHub Copilot 17.3. Mantenibilidad de aplicaciones con IA usando ChatGPT
16.8.1. Integración y uso efectivo de GitHub Copilot en sesiones de Pair Programming 17.3.1. Principios de diseño para facilitar la mantenibilidad en proyectos de IA
16.8.2. Integración Mejoras en la comunicación y colaboración entre desarrolladores 17.3.2. Estrategias de documentación específicas para modelos y algoritmos de IA
con GitHub Copilot 17.3.3. Implementación de pruebas unitarias y de integración para facilitar
16.8.3. Integración Estrategias para aprovechar al máximo las sugerencias de código el mantenimiento
generadas por GitHub Copilot 17.3.4. Métodos para la refactorización y mejora continua en sistemas con componentes
16.8.4. Integración Casos de estudio y buenas prácticas en Pair Programming asistido de IA
por IA 17.4. Diseño de sistemas de gran escala
16.9. Traducción automática entre lenguajes de programación usando ChatGPT 17.4.1. Principios arquitectónicos para el diseño de sistemas de gran escala
16.9.1. Herramientas y servicios de traducción automática específicos para lenguajes 17.4.2. Descomposición de sistemas complejos en microservicios
de programación
17.4.3. Implementación de patrones de diseño específicos para sistemas distribuidos
16.9.2. Adaptación de algoritmos de traducción automática a contextos de desarrollo
17.4.4. Estrategias para la gestión de la complejidad en arquitecturas de gran escala
16.9.3. Mejora de la interoperabilidad entre diferentes lenguajes mediante con componentes de IA
traducción automática
17.5. Almacenamiento de datos de gran escala para herramientas de IA
16.9.4. Evaluación y mitigación de posibles desafíos y limitaciones en la 17.5.1. Selección de tecnologías de almacenamiento de datos escalables
traducción automática
17.5.2. Diseño de esquemas de bases de datos para el manejo eficiente de grandes
16.10. Herramientas de IA recomendadas para mejorar la productividad volúmenes de datos
16.10.1. Análisis comparativo de herramientas de IA para el desarrollo de software
17.5.3. Estrategias de particionamiento y replicación en entornos de almacenamiento
16.10.2. Integración de herramientas de IA en flujos de trabajo de datos masivos
16.10.3. Automatización de tareas rutinarias con herramientas de IA 17.5.4. Implementación de sistemas de gestión de datos para garantizar la integridad
16.10.4. Evaluación y selección de herramientas basada en el contexto y los requerimientos y disponibilidad en proyectos con IA
del proyecto 17.6. Estructuras de datos Con IA usando ChatGPT
17.6.1. Adaptación de estructuras de datos clásicas para su uso en algoritmos de IA
Módulo 17. Arquitectura del software con IA
17.6.2. Diseño y optimización de estructuras de datos específicas con ChatGPT
17.1. Optimización y gestión del rendimiento en herramientas con IA con la ayuda de ChatGPT 17.6.3. Integración de estructuras de datos eficientes en sistemas con procesamiento
17.1.1. Análisis y perfilado de rendimiento en herramientas con IA intensivo de datos
17.1.2. Estrategias de optimización de algoritmos y modelos de IA 17.6.4. Estrategias para la manipulación y almacenamiento de datos en tiempo real
17.1.3. Implementación de técnicas de caching y paralelización para mejorar en estructuras de datos con IA
el rendimiento 17.7. Algoritmos de programación para productos con IA
17.1.4. Herramientas y metodologías para la monitorización continua del rendimiento 17.7.1. Desarrollo e implementación de algoritmos específicos para aplicaciones con IA
en tiempo real 17.7.2. Estrategias de selección de algoritmos según el tipo de problema y los requisitos
17.2. Escalabilidad en aplicaciones de IA usando ChatGPT del producto
17.2.1. Diseño de arquitecturas escalables para aplicaciones de IA 17.7.3. Adaptación de algoritmos clásicos para su integración en sistemas
17.2.2. Implementación de técnicas de particionamiento y distribución de carga de inteligencia artificial
17.2.3. Manejo de flujos de trabajo y carga de trabajo en sistemas escalables 17.7.4. Evaluación y comparación de rendimiento entre diferentes algoritmos
17.2.4. Estrategias para la expansión horizontal y vertical en entornos en contextos de desarrollo con IA
con demanda variable
17.8. Patrones diseño para desarrollo con IA 18.2. Creación de Workspace para Proyectos de IA con GitHub Copilot
17.8.1. Identificación y aplicación de patrones de diseño comunes en proyectos 18.2.1. Diseño y organización efectiva de workspaces para proyectos web
con componentes de IA con componentes de inteligencia artificial
17.8.2. Desarrollo de patrones específicos para la integración de modelos y algoritmos 18.2.2. Uso de herramientas de gestión de proyectos y control de versiones
en sistemas existentes en el workspace
17.8.3. Estrategias de implementación de patrones para mejorar la reusabilidad 18.2.3. Estrategias para la colaboración y comunicación eficientes en el equipo
y mantenibilidad en proyectos de IA de desarrollo
17.8.4. Casos de estudio y buenas prácticas en la aplicación de patrones de diseño 18.2.4. Adaptación del workspace a las necesidades específicas de proyectos web con IA
en arquitecturas con IA 18.3. Patrones de Diseño en Productos con GitHub Copilot
17.9. Implementación de clean architecture usando ChatGPT 18.3.1. Identificación y aplicación de patrones de diseño comunes en interfaces
17.9.1. Principios y conceptos fundamentales de Clean Architecture de usuario con elementos de inteligencia artificial
17.9.2. Adaptación de Clean Architecture a proyectos con componentes de IA 18.3.2. Desarrollo de patrones específicos para mejorar la experiencia de usuario
17.9.3. Implementación de capas y dependencias en sistemas con arquitectura limpia en proyectos web con IA
17.9.4. Beneficios y desafíos de la implementación de Clean Architecture en el desarrollo 18.3.3. Integración de patrones de diseño en la arquitectura general de proyectos web
de software con IA con Inteligencia Artificial
17.10. Desarrollo de software seguro en aplicaciones web con DeepCode 18.3.4. Evaluación y selección de patrones de diseño adecuados según el contexto
17.10.1. Principios de seguridad en el desarrollo de software con componentes de IA del proyecto
17.10.2. Identificación y mitigación de posibles vulnerabilidades en modelos y algoritmos 18.4. Desarrollo Frontend con GitHub Copilot
de IA 18.4.1. Integración de modelos de IA en la capa de presentación de proyectos web
17.10.3. Implementación de prácticas de desarrollo seguro en aplicaciones web 18.4.2. Desarrollo de interfaces de usuario adaptativas con elementos
con funcionalidades de Inteligencia Artificial de inteligencia artificial
17.10.4. Estrategias para la protección de datos sensibles y la prevención de ataques 18.4.3. Implementación de funcionalidades de procesamiento de lenguaje natural (PLN)
en proyectos con IA en el Frontend
18.4.4. Estrategias para la optimización del rendimiento en el desarrollo Frontend con IA
Módulo 18. Proyectos web con IA 18.5. Creación de Base de Datos usando GitHub Copilot
18.1. Preparación del Entorno de Trabajo para Desarrollo Web con IA 18.5.1. Selección de tecnologías de bases de datos para proyectos web
18.1.1. Configuración de entornos de desarrollo web para proyectos con inteligencia artificial
con inteligencia artificial 18.5.2. Diseño de esquemas de bases de datos para almacenar y gestionar datos
18.1.2. Selección y preparación de herramientas esenciales para el desarrollo web con IA relacionados con IA
18.1.3. Integración de bibliotecas y frameworks específicos para proyectos web 18.5.3. Implementación de sistemas de almacenamiento eficientes para grandes
con inteligencia artificial volúmenes de datos generados por modelos de IA
18.1.4. Implementación de buenas prácticas en la configuración de entornos 18.5.4. Estrategias para la seguridad y protección de datos sensibles en bases de datos
de desarrollo colaborativos de proyectos web con IA
18.6. Desarrollo Backend con GitHub Copilot 18.10. Creación de un Proyecto con IA para Entornos MEVN usando ChatGPT
18.6.1. Integración de servicios y modelos de IA en la lógica de negocio del Backend 18.10.1. Integración de tecnologías y herramientas de la pila MEVN con componentes
18.6.2. Desarrollo de APIs y endpoints específicos para la comunicación entre el Frontend de Inteligencia Artificial
y los componentes de IA 18.10.2. Desarrollo de aplicaciones web modernas y escalables en entornos MEVN
18.6.3. Implementación de lógica de procesamiento de datos y toma de decisiones con capacidades de IA
en el Backend con Inteligencia Artificial 18.10.3. Implementación de funcionalidades de procesamiento de datos y aprendizaje
18.6.4. Estrategias para la escalabilidad y rendimiento en el desarrollo Backend automático en proyectos MEVN
de proyectos web con IA 18.10.4. Estrategias para la mejora del rendimiento y la seguridad en aplicaciones web
18.7. Optimizar el Proceso de Despliegue de Tu Web con IA en entornos MEVN
18.7.1. Automatización de procesos de construcción y despliegue de proyectos
web con ChatGPT Módulo 19. Aplicaciones móviles con IA
18.7.2. Implementación de pipelines de CI/CD adaptados a aplicaciones web 19.1. Preparación de Entorno de Trabajo para Desarrollo Móvil con IA
con GitHub Copilot 19.1.1. Configuración de entornos de desarrollo móvil para proyectos
18.7.3. Estrategias para la gestión eficiente de versiones y actualizaciones con Inteligencia Artificial
en despliegues continuos 19.1.2. Selección y preparación de herramientas específicas para el desarrollo
18.7.4. Monitoreo y análisis post-despliegue para la mejora continua del proceso de aplicaciones móviles con IA
18.8. IA en la Computación en la Nube 19.1.3. Integración de bibliotecas y frameworks de IA en entornos de desarrollo móvil
18.8.1. Integración de servicios de inteligencia artificial en plataformas de computación 19.1.4. Configuración de emuladores y dispositivos reales para pruebas de aplicaciones
en la nube móviles con componentes de inteligencia artificial
18.8.2. Desarrollo de soluciones escalables y distribuidas utilizando servicios de nube 19.2. Creación de un Workspace con GitHub Copilot
con capacidades de IA 19.2.1. Integración de GitHub Copilot en entornos de desarrollo móvil
18.8.3. Estrategias para el manejo eficiente de recursos y costos en entornos de nube 19.2.2. Uso efectivo de GitHub Copilot para la generación de código en proyectos con IA
con aplicaciones web con IA 19.2.3. Estrategias para la colaboración entre desarrolladores al utilizar GitHub Copilot
18.8.4. Evaluación y comparación de proveedores de servicios en la nube para proyectos en el workspace
web con Inteligencia Artificial 19.2.4. Buenas prácticas y limitaciones en el uso de GitHub Copilot en el desarrollo
18.9. Creación de un Proyecto con IA para Entornos LAMP con la ayuda de ChatGPT de aplicaciones móviles con IA
18.9.1. Adaptación de proyectos web basados en la pila LAMP para incluir componentes 19.3. Configuración de Firebase
de Inteligencia Artificial 19.3.1. Configuración inicial de un proyecto en Firebase para el desarrollo móvil
18.9.2. Integración de bibliotecas y frameworks específicos de IA en entornos LAMP 19.3.2. Integración de Firebase en aplicaciones móviles con funcionalidades
18.9.3. Desarrollo de funcionalidades de IA que complementan la arquitectura de Inteligencia Artificial
LAMP tradicional 19.3.3. Uso de servicios de Firebase como base de datos, autenticación y notificaciones
18.9.4. Estrategias para la optimización y mantenimiento en proyectos web con IA en proyectos con IA
en entornos LAMP 19.3.4. Estrategias para la gestión de datos y eventos en tiempo real en aplicaciones
móviles con Firebase
19.4. Conceptos de Clean Architecture, DataSources, Repositories 19.9. Creación de Pantalla de Settings con GitHub Copilot
19.4.1. Principios fundamentales de Clean Architecture en el desarrollo móvil con IA 19.9.1. Desarrollo de interfaces de usuario para configuración y ajustes en aplicaciones
19.4.2. Implementación de capas de DataSources y Repositories con GitHub Copilot móviles con IA
19.4.3. Diseño y estructuración de componentes en proyectos móvile 19.9.2. Integración de ajustes personalizados relacionados con componentes
con GitHub Copilot de inteligencia artificial
19.4.4. Beneficios y desafíos de la implementación de Clean Architecture en aplicaciones 19.9.3. Implementación de opciones de personalización y preferencias en la pantalla
móviles con IA de configuración
19.5. Creación de Pantalla de Autenticación con GitHub Copilot 19.9.4. Estrategias para la usabilidad y claridad en la presentación de opciones
19.5.1. Diseño y desarrollo de interfaces de usuario para pantallas de autenticación en la pantalla de settings
en aplicaciones móviles con IA 19.10. Crear Iconos, Splash y Recursos Gráficos para Tu App con IA
19.5.2. Integración de servicios de autenticación con Firebase en la pantalla de inicio 19.10.1. Diseño y creación de iconos atractivos para representar la aplicación móvil con IA
de sesión 19.10.2. Desarrollo de pantallas de inicio (splash) con elementos visuales impactantes
19.5.3. Uso de técnicas de seguridad y protección de datos en la pantalla de autenticación 19.10.3. Selección y adaptación de recursos gráficos que mejoren la estética
19.5.4. Personalización y adaptación de la experiencia de usuario en la pantalla de la aplicación móvil
de autenticación 19.10.4. Estrategias para la consistencia y branding visual en los elementos gráficos
19.6. Creación de Dashboard y Navegación con GitHub Copilot de la aplicación con IA
19.6.1. Diseño y desarrollo de Dashboards con elementos de Inteligencia Artificial
Módulo 20. IA para QA Testing
19.6.2. Implementación de sistemas de navegación eficientes en aplicaciones móviles
con IA 20.1. Ciclo de Vida de Testing
19.6.3. Integración de funcionalidades de IA en el Dashboard para mejorar la experiencia 20.1.1. Descripción y comprensión del ciclo de vida de testing en el desarrollo de software
del usuario 20.1.2. Fases del ciclo de vida de testing y su importancia en el aseguramiento
19.7. Creación de Pantalla con Listado usando GitHub Copilot de la calidad
19.7.1. Desarrollo de interfaces de usuario para pantallas con listados en aplicaciones 20.1.3. Integración de la inteligencia artificial en diferentes etapas del ciclo de vida
móviles con IA de testing
19.7.2. Integración de algoritmos de recomendación y filtrado en la pantalla de listado 20.1.4. Estrategias para la mejora continua del ciclo de vida de testing mediante
19.7.3. Uso de patrones de diseño para la presentación efectiva de datos en el listado el uso de IA
19.7.4. Estrategias para la carga eficiente de datos en tiempo real en la pantalla con listado 20.2. Test Cases y Detección de Bugs con ayuda de ChatGPT
19.8. Creación de Pantalla de Detalle con GitHub Copilot 20.2.1. Diseño y escritura efectiva de casos de prueba en el contexto de QA Testing
19.8.1. Diseño y desarrollo de interfaces de usuario detalladas para la presentación 20.2.2. Identificación de bugs y errores durante la ejecución de casos de prueba
de información específica 20.2.3. Aplicación de técnicas de detección temprana de bugs mediante análisis estático
19.8.2. Integración de funcionalidades de IA para enriquecer la pantalla de detalle 20.2.4. Uso de herramientas de inteligencia artificial para la identificación automática
19.8.3. Implementación de interacciones y animaciones en la pantalla de detalle de bugs en test cases
19.8.4. Estrategias para la optimización del rendimiento en la carga y visualización
de detalles en aplicaciones móviles con IA
20.3. Tipos de Testing 20.8. Herramientas de IA para Web Testing

20.3.1. Exploración de diferentes tipos de testing en el ámbito de QA 20.8.1. Exploración de herramientas de inteligencia artificial para la automatización
20.3.2. Pruebas unitarias, integración, funcionales, y de aceptación: características de pruebas en entornos web
y aplicaciones 20.8.2. Integración de tecnologías de reconocimiento de elementos y análisis visual
20.3.3. Estrategias para la selección y combinación adecuada de tipos de testing en web testing
en proyectos con ChatGPT 20.8.3. Estrategias para la detección automática de cambios y problemas de rendimiento
20.3.4. Adaptación de tipos de testing convencionales a proyectos con ChatGPT en aplicaciones web usando ChatGPT
20.4. Crear un Plan de Pruebas usando ChatGPT 20.8.4. Evaluación de herramientas específicas para la mejora de la eficiencia en el web
20.4.1. Diseño y estructuración de un plan de pruebas integral testing con IA
20.4.2. Identificación de requisitos y escenarios de prueba en proyectos con IA 20.9. Mobile Testing Mediante IA
20.9.1. Desarrollo de estrategias de testing para aplicaciones móviles con componentes
20.4.3. Estrategias para la planificación de pruebas manuales y automatizadas
de inteligencia artificial
20.4.4. Evaluación y ajuste continuo del plan de pruebas en función del desarrollo
20.9.2. Integración de herramientas de testing específicas para plataformas móviles
del proyecto
basadas en IA
20.5. Detección y Reportar Bugs con IA
20.9.3. Uso de ChatGPT para la detección de problemas en el rendimiento
20.5.1. Implementación de técnicas de detección automática de bugs mediante de aplicaciones móviles
algoritmos de aprendizaje automático
20.9.4. Estrategias para la validación de interfaces y funciones específicas
20.5.2. Uso de ChatGPT para el análisis dinámico de código en busca de posibles errores de aplicaciones móviles mediante IA
20.5.3. Estrategias para la generación automática de informes detallados sobre bugs 20.10. Herramientas de QA con IA
detectados usando ChatGPT
20.10.1. Exploración de herramientas y plataformas de QA que incorporan funcionalidades
20.5.4. Colaboración efectiva entre equipos de desarrollo y QA en la gestión de bugs de Inteligencia Artificial
identificados por IA
20.10.2. Evaluación de herramientas para la gestión y ejecución eficiente de pruebas
20.6. Creación de Pruebas Automatizadas con IA en proyectos con IA
20.6.1. Desarrollo de scripts de prueba automatizados para proyectos usando ChatGPT 20.10.3. Uso de ChatGPT para la generación y optimización de casos de prueba
20.6.2. Integración de herramientas de automatización de pruebas basadas en IA 20.10.4. Estrategias para la selección y adopción efectiva de herramientas de QA
20.6.3. Uso de ChatGPT para la generación dinámica de casos de prueba automatizados con capacidades de IA
20.6.4. Estrategias para la ejecución eficiente y mantenimiento de pruebas
automatizadas en proyectos con IA
20.7. API Testing
20.7.1. Conceptos fundamentales de API testing y su importancia en QA
20.7.2. Desarrollo de pruebas para la verificación de APIs en entornos usando ChatGPT Posiciónate en el mercado laboral
20.7.3. Estrategias para la validación de datos y resultados en API testing con ChatGPT
20.7.4. Uso de herramientas específicas para el testing de APIs en proyectos con
con un programa 100 % online que se
inteligencia artificial adapta a tus necesidades y te permite
un aprendizaje inmersivo y sólido”
06
Metodología
Este programa de capacitación ofrece una forma diferente de aprender. Nuestra
metodología se desarrolla a través de un modo de aprendizaje de forma
cíclica: el Relearning.
Este sistema de enseñanza es utilizado, por ejemplo, en las facultades de medicina
más prestigiosas del mundo y se ha considerado uno de los más eficaces por
publicaciones de gran relevancia como el New England Journal of Medicine.
Metodología | 45
Descubre el Relearning, un sistema que abandona el

aprendizaje lineal convencional para llevarte a través de
sistemas cíclicos de enseñanza: una forma de aprender
que ha demostrado su enorme eficacia, especialmente
en las materias que requieren memorización”
46 | Metodología
Estudio de Caso para contextualizar todo el contenido

Nuestro programa ofrece un método revolucionario de desarrollo de habilidades
y conocimientos. Nuestro objetivo es afianzar competencias en un contexto
cambiante, competitivo y de alta exigencia.
Con TECH podrás experimentar

una forma de aprender que está
moviendo los cimientos de las
universidades tradicionales de
todo el mundo”
Accederás a un sistema de
aprendizaje basado en la reiteración, con
una enseñanza natural y progresiva a lo
largo de todo el temario.
Metodología | 47
Un método de aprendizaje innovador y diferente

El presente programa de TECH es una enseñanza intensiva, creada desde 0, que
propone los retos y decisiones más exigentes en este campo, ya sea en el ámbito
nacional o internacional. Gracias a esta metodología se impulsa el crecimiento
personal y profesional, dando un paso decisivo para conseguir el éxito. El método
del caso, técnica que sienta las bases de este contenido, garantiza que se sigue
la realidad económica, social y profesional más vigente.
Nuestro programa te prepara para

afrontar nuevos retos en entornos
inciertos y lograr el éxito en tu carrera”
El método del caso ha sido el sistema de aprendizaje más utilizado por las mejores
escuelas de Informática del mundo desde que éstas existen. Desarrollado en 1912 para
que los estudiantes de Derecho no solo aprendiesen las leyes a base de contenidos
teóricos, el método del caso consistió en presentarles situaciones complejas reales
para que tomasen decisiones y emitiesen juicios de valor fundamentados sobre cómo
El alumno aprenderá, mediante resolverlas. En 1924 se estableció como método estándar de enseñanza en Harvard.
actividades colaborativas y casos reales, Ante una determinada situación, ¿qué debería hacer un profesional? Esta es la pregunta
la resolución de situaciones complejas a la que te enfrentamos en el método del caso, un método de aprendizaje orientado a
en entornos empresariales reales. la acción. A lo largo del curso, los estudiantes se enfrentarán a múltiples casos reales.
Deberán integrar todos sus conocimientos, investigar, argumentar y defender sus ideas y
decisiones.
48 | Metodología
Relearning Methodology
TECH aúna de forma eficaz la metodología del Estudio de Caso con
un sistema de aprendizaje 100% online basado en la reiteración, que
combina elementos didácticos diferentes en cada lección.
Potenciamos el Estudio de Caso con el mejor método de enseñanza

100% online: el Relearning.
En 2019 obtuvimos los mejores resultados

de aprendizaje de todas las universidades
online en español en el mundo.
En TECH aprenderás con una metodología vanguardista concebida

para capacitar a los directivos del futuro. Este método, a la vanguardia
pedagógica mundial, se denomina Relearning.
Nuestra universidad es la única en habla hispana licenciada para

emplear este exitoso método. En 2019, conseguimos mejorar los
niveles de satisfacción global de nuestros alumnos (calidad docente,
calidad de los materiales, estructura del curso, objetivos…) con
respecto a los indicadores de la mejor universidad online en español.
Metodología | 49
En nuestro programa, el aprendizaje no es un proceso lineal, sino que sucede en

espiral (aprender, desaprender, olvidar y reaprender). Por eso, se combinan cada uno
de estos elementos de forma concéntrica. Con esta metodología se han capacitado
más de 650.000 graduados universitarios con un éxito sin precedentes en ámbitos
tan distintos como la bioquímica, la genética, la cirugía, el derecho internacional,
las habilidades directivas, las ciencias del deporte, la filosofía, el derecho, la
ingeniería, el periodismo, la historia o los mercados e instrumentos financieros.
Todo ello en un entorno de alta exigencia, con un alumnado universitario de un perfil
socioeconómico alto y una media de edad de 43,5 años.
El Relearning te permitirá aprender con menos esfuerzo

y más rendimiento, implicándote más en tu capacitación,
desarrollando el espíritu crítico, la defensa de argumentos
y el contraste de opiniones: una ecuación directa al éxito.
A partir de la última evidencia científica en el ámbito de la neurociencia, no solo

sabemos organizar la información, las ideas, las imágenes y los recuerdos, sino que
sabemos que el lugar y el contexto donde hemos aprendido algo es fundamental
para que seamos capaces de recordarlo y almacenarlo en el hipocampo, para
retenerlo en nuestra memoria a largo plazo.
De esta manera, y en lo que se denomina Neurocognitive context-dependent

e-learning, los diferentes elementos de nuestro programa están conectados con el
contexto donde el participante desarrolla su práctica profesional.
50 | Metodología
Este programa ofrece los mejores materiales educativos, preparados a conciencia para los profesionales:
Material de estudio
Todos los contenidos didácticos son creados por los especialistas que van a impartir
el curso, específicamente para él, de manera que el desarrollo didáctico sea realmente 30%
específico y concreto.
Estos contenidos son aplicados después al formato audiovisual, para crear el método
de trabajo online de TECH. Todo ello, con las técnicas más novedosas que ofrecen
piezas de gran calidad en todos y cada uno los materiales que se ponen a disposición
del alumno.
Clases magistrales
Existe evidencia científica sobre la utilidad de la observación de terceros expertos.
El denominado Learning from an Expert afianza el conocimiento y el recuerdo, y
genera seguridad en las futuras decisiones difíciles.
Prácticas de habilidades y competencias

Realizarán actividades de desarrollo de competencias y habilidades específicas en
10%
cada área temática. Prácticas y dinámicas para adquirir y desarrollar las destrezas y
habilidades que un especialista precisa desarrollar en el marco de la globalización que
vivimos.
Lecturas complementarias
8%
Artículos recientes, documentos de consenso y guías internacionales, entre otros. En
la biblioteca virtual de TECH el estudiante tendrá acceso a todo lo que necesita para
completar su capacitación.
Metodología | 51
Case studies
Completarán una selección de los mejores casos de estudio elegidos expresamente
para esta titulación. Casos presentados, analizados y tutorizados por los mejores
20%
especialistas del panorama internacional.
Resúmenes interactivos
El equipo de TECH presenta los contenidos de manera atractiva y dinámica en
píldoras multimedia que incluyen audios, vídeos, imágenes, esquemas y mapas
conceptuales con el fin de afianzar el conocimiento.
Este exclusivo sistema educativo para la presentación de contenidos multimedia
fue premiado por Microsoft como “Caso de éxito en Europa”.
25%
Testing & Retesting
Se evalúan y reevalúan periódicamente los conocimientos del alumno a lo largo del
4% programa, mediante actividades y ejercicios evaluativos y autoevaluativos para que,
3% de esta manera, el estudiante compruebe cómo va consiguiendo sus metas.
07
Titulación
El Máster Título Propio en Inteligencia Artificial en la Programación garantiza, además
de la capacitación más rigurosa y actualizada, el acceso a un título de Máster Propio
expedido por TECH Universidad Tecnológica.
Titulación | 53
Supera con éxito este programa y recibe tu

titulación universitaria sin desplazamientos
ni farragosos trámites”
54 | Titulación
Este Máster Título Propio en Inteligencia Artificial en la Programación contiene el El título expedido por TECH Universidad Tecnológica expresará la calificación que haya
programa más completo y actualizado del mercado. obtenido en el Máster Título Propio, y reunirá los requisitos comúnmente exigidos por
las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.
Tras la superación de la evaluación, el alumno recibirá por correo postal* con acuse
de recibo su correspondiente título de Máster Propio emitido por TECH Universidad Título: Máster Título Propio en Inteligencia Artificial en la Programación
Tecnológica. N.º Horas Oficiales: 2.250 h.
*Apostilla de La Haya. En caso de que el alumno solicite que su título en papel recabe la Apostilla de La Haya, TECH EDUCATION realizará las gestiones oportunas para su obtención, con un coste adicional.
en la Programación
» Modalidad: online
» Duración: 12 meses
» Titulación: TECH Universidad Tecnológica
» Horario: a tu ritmo
» Exámenes: online
en la Programación

Maestria Inteligencia Artificial Programacion

Cargado por

Copyright:

Formatos disponibles

Maestria Inteligencia Artificial Programacion

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Maestria Inteligencia Artificial Programacion

Cargado por

Copyright:

Formatos disponibles

Máster Título Propio

Acceso web: www.techtitute.com/informatica/master/master-inteligencia-artificial-programacion

Este programa en Inteligencia Artificial en la

Asimismo, se ahondará en las técnicas de IA para mejorar la usabilidad, la interacción

¿Buscas especializarte en Inteligencia Artificial?

El programa incluye en su cuadro docente a profesionales del sector que vierten en

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá

El diseño de este programa se centra en el Aprendizaje Basado en Problemas,

Abordarás el ciclo de vida del testing,

 Desarrollar habilidades para configurar y gestionar entornos de desarrollo

Módulo 1. Fundamentos de la Inteligencia Artificial

Módulo 2. Tipos y ciclo de vida del dato

Módulo 3. El dato en la Inteligencia Artificial Módulo 5. Algoritmia y complejidad en Inteligencia Artificial

Módulo 19. Aplicaciones móviles con IA

Gracias a este programa universitario serás

 Aplicar extensiones de IA en Visual Studio Code y técnicas de diseño no-code para

Serás capaz de diseñar experiencias

Ponte al día en las últimas tendencias

Dr. Peralta Martín-Palomino, Arturo

D. Castellanos Herreros, Ricardo

Indagarás en la aplicación práctica de la IA

Módulo 1. Fundamentos de la Inteligencia Artificial 1.7. Sistemas expertos y DSS

2.3.2. Hitos del ciclo Módulo 3. El dato en la Inteligencia Artificial

3.9. Modelos supervisados 4.7. De atributos continuos a discretos

5.4. Algoritmos con árboles Módulo 6. Sistemas inteligentes

6.7. La web semántica 7.1.7. Conceptos básicos de aprendizaje

7.7. Métodos bayesianos 8.3. Capas

9.9. Aplicación Práctica de Transfer Learning

15.5. Industria 16.2. Extensiones imprescindibles de IA para Visual Studio Code

15.8. Educación 16.4.2. Refactorizar

15.8.1. Implicaciones de la IA en la educación. Oportunidades y desafíos 16.4.3. Crear códigos legibles

15.8.2. Casos de uso 16.4.4. Entender lo que hace un código

15.8.4. Potenciales desarrollos/usos futuros de la IA 16.4.6. Creación de documentación automática

15.9. Silvicultura y agricultura 16.5. Gestión de repositorios con IA usando ChagGPT

20.3. Tipos de Testing 20.8. Herramientas de IA para Web Testing

Descubre el Relearning, un sistema que abandona el

Estudio de Caso para contextualizar todo el contenido

Con TECH podrás experimentar

Un método de aprendizaje innovador y diferente

Nuestro programa te prepara para

Potenciamos el Estudio de Caso con el mejor método de enseñanza

En 2019 obtuvimos los mejores resultados

En TECH aprenderás con una metodología vanguardista concebida

Nuestra universidad es la única en habla hispana licenciada para

En nuestro programa, el aprendizaje no es un proceso lineal, sino que sucede en

El Relearning te permitirá aprender con menos esfuerzo

A partir de la última evidencia científica en el ámbito de la neurociencia, no solo

De esta manera, y en lo que se denomina Neurocognitive context-dependent

Prácticas de habilidades y competencias

Supera con éxito este programa y recibe tu

También podría gustarte

Desarrollar habilidades para configurar y gestionar entornos de desarrollo

Aplicar extensiones de IA en Visual Studio Code y técnicas de diseño no-code para