5072 – Sistemas de Aprendizaje Automático

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.

1. Se han determinado las especificidades de Inteligencia Artificial fuerte y débil.
2. Se han establecido las barreras entre la Inteligencia Artificial y el aprendizaje automático (Machine Learning).
3. Se han diferenciado ámbitos de aplicación de la Inteligencia Artificial fuerte y débil.
4. Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial débil.
5. Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial fuerte.
6. 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.

1. Se han identificado los principios de sistemas de aprendizaje automático.
2. Se han determinado tipos y usos de sistemas de aprendizaje automático.
3. Se han determinado técnicas y herramientas de sistemas de aprendizaje automático.
4. Se han encontrado diferencias entre los tipos de sistemas de aprendizaje automático.
5. 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.

1. Se han proporcionado los datos etiquetados al modelo.
2. 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.
3. Se han utilizado los datos en la fase de entrenamiento para la construcción del modelo aplicando características relevantes obtenidas.
4. Se ha evaluado el modelo con los datos obtenidos en la fase de validación.
5. Se han ajustado los datos de aprendizaje supervisado en la fase de ajuste para mejorar el rendimiento de las diferentes características o parámetros.
6. Se ha implementado el modelo para realizar predicciones sobre nuevos datos.
7. Se han detectado y minimizado los riesgos asociados al modelo.
8. 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.

1. Se han caracterizado los tipos de problemas que el aprendizaje no supervisado trata de resolver.
2. Se han caracterizado las técnicas de aprendizaje no supervisado utilizadas para la resolución de dichos tipos de problemas.
3. Se han aplicado algoritmos utilizados en el aprendizaje no supervisado.
4. 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.

1. Se han evaluado los modelos neuronales para elegir el más adecuado para cada clase de problema.
2. Se han aplicado técnicas de aprendizaje profundo (deep learning) para entrenar redes de neuronas.
3. Se han comparado las redes de neuronas artificiales con otros métodos de inteligencia artificial.
4. 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.

1. Se ha valorado la conveniencia de los algoritmos propuestos para dar solución a los problemas planteados.
2. Se ha evaluado la aplicación práctica de los principios y técnicas básicas de los sistemas inteligentes.
3. Se han integrado los principios fundamentales de la computación en la práctica para seleccionar, valorar y crear nuevos desarrollos tecnológicos.
4. Se han desarrollado sistemas y aplicaciones informáticas que utilizan técnicas de los sistemas inteligentes.
5. 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.

En la caja superior se muestra algo de material de apoyo, visita nuestra tienda para ver nuestro catálogo completo.