módulo #1 Introducción a la inteligencia artificial Descripción general de la IA, su historia y aplicaciones
módulo #2 Fundamentos del aprendizaje automático Introducción al aprendizaje automático, tipos y aprendizaje supervisado/no supervisado
módulo #3 Matemáticas y estadísticas para el aprendizaje automático Álgebra lineal, cálculo, probabilidad y estadísticas para el aprendizaje automático
módulo #4 Python para el aprendizaje automático Introducción a Python, NumPy, Pandas y manipulación de datos
módulo #5 Preprocesamiento de datos Limpieza de datos, escalado de características y selección de características
módulo #6 Aprendizaje supervisado Regresión, clasificación y métricas de evaluación de modelos
módulo #7 Regresión lineal Regresión lineal simple y múltiple, función de costo y descenso de gradiente
módulo #8 Regresión logística Clasificación binaria, función logística y límites de decisión
módulo #9 Árboles de decisión Introducción a los árboles de decisión, la entropía y la ganancia de información
módulo #10 Regresión aleatoria Bosques Aprendizaje de conjunto, bagging y bosques aleatorios
módulo #11 Máquinas de vectores de soporte Clasificación de margen máximo, margen suave y truco de kernel
módulo #12 Aprendizaje no supervisado Agrupamiento, reducción de dimensionalidad y detección de anomalías
módulo #13 Agrupamiento de K-medias Algoritmo de K-medias, inicialización de centroide y convergencia
módulo #14 Análisis de componentes principales PCA, extracción de características y reducción de dimensionalidad
módulo #15 Fundamentos del aprendizaje profundo Introducción a las redes neuronales, el perceptrón y el perceptrón multicapa
módulo #16 Redes neuronales convolucionales CNN, capas convolucionales y clasificación de imágenes
módulo #17 Redes neuronales recurrentes RNN, LSTM y modelado de secuencias
módulo #18 Procesamiento del lenguaje natural Preprocesamiento de texto, tokenización e incrustaciones de palabras
módulo #19 Aprendizaje por transferencia Modelos preentrenados, ajuste fino y zoológico de modelos
módulo #20 Evaluación y selección de modelos Selección de modelos, ajuste de hiperparámetros y validación cruzada
módulo #21 Manejo de conjuntos de datos desequilibrados Técnicas de desequilibrio de clases, sobremuestreo y submuestreo
módulo #22 Implementación de modelos Implementación de modelos, integración de API y contenedorización de Docker
módulo #23 Ética y equidad de la IA Detección de sesgos, métricas de equidad y consideraciones éticas
módulo #24 Temas especiales en IA Modelos generativos, mecanismos de atención e IA explicable
módulo #25 Resumen y conclusión del curso Planificación de los próximos pasos en la carrera de Inteligencia Artificial y Aprendizaje Automático
