Temario
Requisitos
Campus y sedes

Información del curso

CEPI-BASE

Curso

Semi-presencial

Barcelona

120 horas

Descripción

El objetivo del curso es aprender a construir un sistema capaz de recomendar artículos, productos o contenidos personalizados según las preferencias de los usuarios. Comparar modelos de Machine Learning locals con soluciones AutoML en Azure ML. Explorar técnicas de visualización para interpretar resultados. Aprender a desplegar y monitorizar modelos en Azure AI Services. Posibles Aplicaciones recomendación de películas según valoración de usuarios, sistema de sugerencias para una tienda online, filtrado de contenidos personalizados en una plataforma educativa, etc...

Temario

Fundamentos de IA

Historia y evolución de la IA
Tipos de inteligencia artificial: IA débil vs. IA fuerte
Aprendizaje supervisado, no supervisado y por refuerzo
Algoritmos más usados (regresión, KNN, Random forest)
Fundamentos matemáticos: álgebra lineal, cálculo y probabilidad
Python para IA: Numpy, Pandas, Matplotlib
Introducción a los servicios de Azure AI Service
Conceptos de IA en la nube y comparación con On-Premises
Diferencias entre machine learning estándar y Automl en Cloud
Práctica: implementación de un modelo simple
De regresión lineal en Python
Práctica: datos con Matplotlib y Seaborn
Práctica: simulación de un problema
Evaluación teórico / práctica

Exploración del conjunto de datos

Data Science y el papel del Data Scientist
Tipos de datos y su estructura
Pre-procesamiento y limpieza de datos
Gestión de valores nulos y atípicos
Estandarización y normalización
Práctica: análisis y limpieza de un Dataset con Pandas y Scikit-learn
Práctica: eliminación de valores atípicos y imputación de valores nulos
Evaluación teórico / práctica

Algoritmos de machine learning

Regresión (lineal y logística)
Clasificación: KNN, Random Forest, SVM
Clustering: K-Means, Dbscan
Overfitting y técnicas de validación cruzada
Cómo elegir modelos para entornos Cloud
Comparación costes y rendimiento en Azure ML
Práctica: aplicación de regresión lineal para predecir precios de viviendas
Práctica: construcción de un modelo de clasificación con Random Forest
Práctica: implementación de clustering con kmeans
Evaluación teórico / práctica

Visualización de resultados

Herramientas de visualización: Matplotlib, Seaborn
Métricas de rendimiento: Accuracy, Precision, Recall
Overfitting y sesgos en los modelos
Práctica: creación de gráficos de error y precisión
Práctica: análisis de un modelo y optimización
Evaluación teórico / práctica

Bases de datos en IA

SQL para machine learning
Bases de datos NOSQL y aplicación a IA
Crud con Python y bases de datos
Práctica: creación y manipulación de una base
De datos con SQLITE y MONGODB
Evaluación teórico / práctica

IA y Cloud Computing

Introducción a Azure AI Services
¿Qué es Azure AI? Principales herramientas
Diferencias entre inferencia en local y en la nube
Azure machine learning
Entrenamientos de modelos en AML
Gestión de datasets y feature engineering en la nube
Despliegue y mantenimiento de modelos
Optimización de costos en Cloud AI
Monitorización y detección de sesgos con Azure AI Responsible ML
Infraestructura de IA en Cloud
Machine learning pipelines en Azure
Seguridad y gobernanza en entornos de IA
Práctica: creación de un modelo en Azure
Machine learning
Práctica: experimentación con inferencia en tiempo real
Práctica: comparación entre inferencia local vs. inferencia cloud
Práctica: análisis de costos e impacto en AUTOML
Evaluación teórico / práctica

Responsible AI y ética

¿Qué es AUTOML?
Plataformas: Google AUTOML, H2O.AI, Autosklearn
Comparativa entre AUTOML y modelos manuales
Seguridad y gobernanza de modelos en producción
Riesgos de seguridad y sesgos en Cloud AI
Práctica: análisis de sesgos en un Dataset Real
Práctica: entrenamiento de un modelo con Google AUTOML
Práctica: comparación con un modelo hecho a mano
Evaluación teórico / práctica

Preparación para la certificación Microsoft Azure AI

Simulación de examen
Revisión y repaso de conceptos clave
Certificación

Requisitos

Imprescindible tener conocimientos de programación en lenguaje PYTHON. Recomendable, nociones de SQL.

Metodología

Todos los cursos emplean una metodología teórico-práctica para asentar los conceptos a través de un proyecto transversal de aplicación de contenidos aprendidos desde el primer día. La metodología de impartición será mixta con profesor: en sesiones presenciales en Barcelona combinadas con Aula Virtual en plataforma propia.
Alguna de la tecnología aplicada serán Python 3.x como lenguaje de programación, Scikit-learn como Algoritmos de Machine Learning, Pandas, NumPy para Manipulación y preprocesamiento de datos, Matplotlib/Seaborn para visualización de resultados, Streamlit/Tableau para la creación de dashboards interactivos, SQLite/PostgreSQL para el almacenamiento de recomendaciones, Azure Machine Learning Studio para entrenamiento y desplegamiento en la nube, Azure Cognitive Services para mejorar recomendaciones mediante análisis de sentim

Duración

La duración es de 120 horas. Fecha inicio: 08 de mayo 2025. Fecha Fin: 26 julio 2025.

Horario

Jueves aula virtual de 16:30 a 20:30. Viernes presencial de 17:00 a 20:00. Sábado: aula virtual-workshop de 10:00 a 13:00.

Campus y sedes: CEPI-BASE