Módulo profesional: Sistemas de Aprendizaje Automático.
5072
Esté módulo profesional contiene la información necesaria para desempeñar las funciones de analizar y relacionar las técnicas de aprendizaje automático con la predicción de comportamientos futuros que permitan a las organizaciones y empresas la eficiencia operativa.
50 Horas
Criterio 1: Caracteriza la Inteligencia Artificial fuerte y débil determinando usos y posibilidades.
- Se han determinado las especificidades de Inteligencia Artificial fuerte y débil.
- Se han establecido las barreras entre la Inteligencia Artificial y el aprendizaje automático (Machine Learning).
- Se han diferenciado ámbitos de aplicación de la Inteligencia Artificial fuerte y débil.
- Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial débil.
- Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial fuerte.
- Se han reconocido las ventajas que proporciona cada tipo en la resolución de los problemas.
Criterio 2: Determina técnicas y herramientas de sistemas de aprendizaje automático (Machine Learning), testeando su aplicabilidad para la resolución de problemas.
- Se han identificado los principios de sistemas de aprendizaje automático.
- Se han determinado tipos y usos de sistemas de aprendizaje automático.
- Se han determinado técnicas y herramientas de sistemas de aprendizaje automático.
- Se han encontrado diferencias entre los tipos de sistemas de aprendizaje automático.
- Se han asociado técnicas y herramientas a cada tipo de sistemas de aprendizaje automático.
Criterio 3: Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y minimizando los riesgos asociados.
- Se han proporcionado los datos etiquetados al modelo.
- Se han seleccionado los datos de entrada, ya sean para la fase de entrenamiento, fase de validación o fase de testeo de datos entre otras.
- Se han utilizado los datos en la fase de entrenamiento para la construcción del modelo aplicando características relevantes obtenidas.
- Se ha evaluado el modelo con los datos obtenidos en la fase de validación.
- Se han ajustado los datos de aprendizaje supervisado en la fase de ajuste para mejorar el rendimiento de las diferentes características o parámetros.
- Se ha implementado el modelo para realizar predicciones sobre nuevos datos.
- Se han detectado y minimizado los riesgos asociados al modelo.
- Se ha optimizado el modelo de aprendizaje supervisado validando datos de prueba.
Criterio 4: Aplica técnicas de aprendizaje no supervisado relacionándolas con los tipos de problemas que tratan de resolver.
- Se han caracterizado los tipos de problemas que el aprendizaje no supervisado trata de resolver.
- Se han caracterizado las técnicas de aprendizaje no supervisado utilizadas para la resolución de dichos tipos de problemas.
- Se han aplicado algoritmos utilizados en el aprendizaje no supervisado.
- Se ha optimizado el modelo de aprendizaje no supervisado validando datos de prueba.
Criterio 5: Aplica modelos computacionales de redes neuronales comparándolos con otros métodos de inteligencia artificial.
- Se han evaluado los modelos neuronales para elegir el más adecuado para cada clase de problema.
- Se han aplicado técnicas de aprendizaje profundo (deep learning) para entrenar redes de neuronas.
- Se han comparado las redes de neuronas artificiales con otros métodos de inteligencia artificial.
- Se ha reconocido una red de neuronas entrenada a partir de un conjunto de datos.
Criterio 6: Valora la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático integrando principios fundamentales de la computación.
- Se ha valorado la conveniencia de los algoritmos propuestos para dar solución a los problemas planteados.
- Se ha evaluado la aplicación práctica de los principios y técnicas básicas de los sistemas inteligentes.
- Se han integrado los principios fundamentales de la computación en la práctica para seleccionar, valorar y crear nuevos desarrollos tecnológicos.
- Se han desarrollado sistemas y aplicaciones informáticas que utilizan técnicas de los sistemas inteligentes.
- Se han desarrollado técnicas de aprendizaje computacional dedicadas a la extracción automática de información a partir de grandes volúmenes de datos.
1) Caracterización de la Inteligencia Artificial fuerte y débil:
- Inteligencia Artificial Débil:
- Características y aplicaciones.
- Ventajas e inconvenientes.
- Usos y posibilidades.
- Inteligencia Artificial Fuerte:
- Características y aplicaciones.
- Ventajas e inconvenientes.
- Usos y posibilidades.
2) Determinación de sistemas de aprendizaje automático (Machine Learning):
- Clasificación de sistemas de aprendizaje automático. Supervisado y no supervisado.
- Principales técnicas para desarrollar aprendizaje automático: Redes neuronales, Aprendizaje inductivo, Razonamiento basado en casos, entre otros.
- Algoritmos o modelos aplicados al aprendizaje automático:
- Algoritmos de clasificación.
- Algoritmos de detección de anomalías.
- Algoritmos de regresión.
- Algoritmos de clustering.
- Algoritmos de refuerzo del aprendizaje.
- Árboles y reglas de decisión.
- Otros algoritmos relacionados con el aprendizaje automático.
- Procedimientos del Machine Learning: Datos, identifica patrones y toma decisiones.
- Herramientas de. Aprendizaje automático.
- Aplicaciones del Machine Learning.
3) Algoritmos aplicados al aprendizaje supervisado y optimización del modelo:
- Determinación de elementos y herramientas de aprendizaje supervisado.
- Datos etiquetados.
- Variables de entrada (input data). Etiquetas de salida.
- Plataformas de aprendizaje automático supervisado.
- Fases del aprendizaje automático:
- Selección del algoritmo de aprendizaje supervisado.
- Selección de datos.
- Construcción del modelo.
- Validación del modelo.
- Ajuste de características o parámetros.
- Implementación del modelo propuesto.
- Verificación del modelo de prueba.
- Optimización del modelo.
4) Aplicación de técnicas de aprendizaje no supervisado:
- Técnicas de aprendizaje no supervisado.
- Algoritmos de aprendizaje no supervisado. Agrupación de cluster, Reducción de dimensión, entre otros.
- Determinación de elementos y herramientas de Aprendizaje no supervisado.
- Plataformas de aprendizaje automático no supervisado.
- Fases del aprendizaje automático no supervisado.
5) Aplicación de modelos computacionales de redes neuronales y comparación con otros modelos:
- Aprendizaje automático frente a aprendizaje profundo.
- Cómo aprende una red neuronal.
- Modelos de redes neuronales artificiales: Redes neuronales convolucionales (CNN).
6) Valoración de la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático:
- Capacidad de generalización.
- Test.
- Validación.
- Matriz de confusión.
Accede a más información haciendo clic aquí.
TE LLAMAMOS Y TE LO EXPLICAMOS TODO
Echale un vistazo a nuestros cursos
-
APARATOS A GAS. LA NORMATIVA EN EL MANTENIMIENTO INDUSTRIAL.: Tests y Ejercicios. (Español) Tapa blanda – 20 Enero 2023
20,90 € Ir a ver el producto -
LA NORMATIVA EN EL MANTENIMIENTO INDUSTRIAL: CALDERAS INDUSTRIALES. Volumen I
25,00 € Ir a ver el producto -
LA NORMATIVA EN EL MANTENIMIENTO INDUSTRIAL: CALDERAS INDUSTRIALES. Volumen II
35,00 € Ir a ver el producto -
¡Oferta!
LA NORMATIVA EN EL MANTENIMIENTO INDUSTRIAL: INSTALACIONES DE GAS. VOLUMEN I: Tests y Ejercicios. (Español) Tapa blanda – 2 Enero 2023
El precio original era: 25,99 €.23,00 €El precio actual es: 23,00 €. Ir a ver el producto
En la caja superior se muestra algo de material de apoyo, visita nuestra tienda para ver nuestro catálogo completo.