![\"\"](\"http:\/\/piloto.foc.es\/wp-content\/uploads\/2022\/06\/banner-inteligencia-artificial.png\" "\\"banner-inteligencia-artificial\\"")
<\/div>[vc_row] [vc_column width=\u00bb2\/3″] [vc_tabs interval=\u00bb0″] [vc_tab title=\u00bbInicio\u00bb tab_id=\u00bb14″][vc_column_text]<\/p>
Duraci\u00f3n del estudio<\/strong><\/h5>600 horas<\/p>
Requisitos de acceso<\/strong><\/h5>- T\u00e9cnico Superior en Administraci\u00f3n de Sistemas Inform\u00e1ticos en Red.<\/li>
- T\u00e9cnico Superior en Desarrollo de Aplicaciones Multiplataforma.<\/li>
- T\u00e9cnico Superior en Desarrollo de Aplicaciones Web.<\/li>
- T\u00e9cnico Superior en Sistemas de Telecomunicaciones e Inform\u00e1ticos.<\/li>
- T\u00edtulo de T\u00e9cnico Superior en Mecatr\u00f3nica Industrial.<\/li>
- T\u00edtulo de T\u00e9cnico Superior en Automatizaci\u00f3n y Rob\u00f3tica Industrial.<\/li><\/ul>
\u00bfQu\u00e9 voy a aprender y hacer?<\/strong><\/h5>- Aplicar sistemas de Inteligencia Artificial para identificar nuevas formas de interacci\u00f3n en los negocios que mejoren la productividad.<\/li>
- Desarrollar e implementar sistemas de Inteligencia Artificial que faciliten la toma de decisiones \u00e1giles dentro de un negocio gestionando y explotando datos masivos.<\/li>
- Gestionar la transformaci\u00f3n digital necesaria en las organizaciones para la consecuci\u00f3n de la eficiencia empresarial mediante el tratamiento de datos.<\/li>
- Aplicar Inteligencia Artificial en funcionalidades, procesos y sistemas de decisi\u00f3n empresariales.<\/li>
- Gestionar los distintos tipos de Inteligencia Artificial para la consecuci\u00f3n de transformaci\u00f3n y cambio en las empresas.<\/li>
- Administrar el desarrollo de procesos automatizados que permitan la mejora de la productividad de las empresas.<\/li>
- Optimizar el desarrollo de procesos aut\u00f3nomos empleando herramientas de Inteligencia Artificial.<\/li>
- Integrar sistemas de explotaci\u00f3n de grandes vol\u00famenes de datos aplicando soluciones de Big Data.<\/li>
- Implantar las funcionalidades, procesos y sistemas de decisiones empresariales aplicando t\u00e9cnicas de Big Data en ellos.<\/li>
- Ejecutar el sistema de explotaci\u00f3n de datos seg\u00fan las necesidades de uso y las condiciones de seguridad establecidas asegurando el cumplimiento de los principios legales y \u00e9ticos.<\/li>
- Configurar las herramientas que se usan para construir soluciones Big Data y de Inteligencia Artificial.<\/li>
- Gestionar de manera eficiente los datos, la informaci\u00f3n y su representaci\u00f3n para transformarlos en conocimiento.<\/li><\/ul>
[\/vc_column_text][\/vc_tab] [vc_tab title=\u00bbM\u00f3dulos\u00bb tab_id=\u00bba057e917-9dfe-6″] [vc_column_text] Los m\u00f3dulos profesionales de este curso de especializaci\u00f3n son los que a continuaci\u00f3n se relacionan. [\/vc_column_text] [vc_accordion active_tab=\u00bbfalse\u00bb collapsible=\u00bbyes\u00bb] [vc_accordion_tab title=\u00bb5071. Modelos de Inteligencia Artificial\u00bb] [vc_column_text]<\/p>
Resultados de aprendizaje y criterios de evaluaci\u00f3n:<\/h5>
1. Caracteriza sistemas de Inteligencia Artificial relacion\u00e1ndolos con la mejora de la eficiencia operativa de las organizaciones y empresas.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han identificado los principios fundamentales de los sistemas inteligentes.<\/li>
- b) Se ha recopilado informaci\u00f3n sobre campos donde se aplica Inteligencia Artificial.<\/li>
- c) Se han identificado las t\u00e9cnicas b\u00e1sicas a utilizar en el entorno de la IA.<\/li>
- d) Se han identificado nuevas formas de interacciones en los negocios que mejore la eficiencia operativa.<\/li><\/ul><\/li><\/ul>
2. Utiliza modelos de sistemas de Inteligencia Artificial implementando sistemas de resoluci\u00f3n de problemas.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han determinado los requisitos b\u00e1sicos a implementar en un sistema de resoluci\u00f3n de problemas.<\/li>
- b) Se han clasificado modelos de Inteligencia Artificial.<\/li>
- c) Se han caracterizado los modelos de automatizaci\u00f3n de tareas.<\/li>
- d) Se han caracterizado los modelos de razonamiento impreciso.<\/li>
- e) Se han caracterizado los modelos de sistemas basados en reglas.<\/li>
- f) Se ha valorado la adecuaci\u00f3n de los modelos a la implementaci\u00f3n del sistema de resoluci\u00f3n de problemas.<\/li><\/ul><\/li><\/ul>
3. Relaciona el procesamiento de lenguaje natural con sus aplicaciones determinando su potencial e identificando sus limitaciones.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se ha caracterizado el procesamiento de lenguaje natural.<\/li>
- b) Se ha justificado el papel del ling\u00fcista en un proyecto de inteligencia artificial.<\/li>
- c) Se ha determinado el potencial de las t\u00e9cnicas existentes de procesamiento de lenguaje, as\u00ed como sus limitaciones.<\/li>
- d) Se ha considerado en qu\u00e9 casos es factible aplicar estas t\u00e9cnicas en la resoluci\u00f3n de un problema.<\/li>
- e) Se ha evaluado el trabajo cooperativo entre ling\u00fcistas e inform\u00e1ticos en el campo del procesamiento del lenguaje natural.<\/li>
- f) Se ha descrito la formaci\u00f3n te\u00f3rica que precisa el investigador en procesamiento del lenguaje natural.<\/li>
- g) Se ha elaborado un sistema de procesamiento de lenguaje orientado a una tarea espec\u00edfica.<\/li><\/ul><\/li><\/ul>
4. Analiza sistemas robotizados, evaluando opciones de dise\u00f1o e implementaci\u00f3n.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han recopilado los problemas del modelado y control cinem\u00e1tico en robots manipuladores.<\/li>
- b) Se han buscado soluciones a los problemas de los robots.<\/li>
- c) Se han valorado las caracter\u00edsticas diferenciadoras de las t\u00e9cnicas de programaci\u00f3n de robots y de sistemas robotizados.<\/li>
- d) Se han evaluado diferentes opciones en el dise\u00f1o e implementaci\u00f3n de sistemas robotizados.<\/li><\/ul><\/li><\/ul>
5. Aplica sistemas expertos evaluando la influencia de los controladores inteligentes en el comportamiento del sistema.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se ha descrito la din\u00e1mica y las estructuras elementales de los sistemas expertos.<\/li>
- b) Se han determinado las destrezas necesarias para representar y simular comportamientos b\u00e1sicos de sistemas de muy diversos \u00e1mbitos.<\/li>
- c) Se ha razonado c\u00f3mo influye la variaci\u00f3n de las caracter\u00edsticas de los sistemas en su din\u00e1mica de actuaci\u00f3n.<\/li>
- d) Se han desarrollado estrategias de control definiendo los objetivos y las especificaciones de la respuesta del sistema.<\/li>
- e) Se han relacionado los controladores inteligentes con el comportamiento del sistema.<\/li><\/ul><\/li><\/ul>
6. Aplica principios legales y \u00e9ticos al desarrollo de la Inteligencia Artificial integr\u00e1ndolos como parte del proceso.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han argumentado los posibles riesgos legales y \u00e9ticos de la aplicaci\u00f3n de Inteligencia Artificial.<\/li>
- b) Se ha reconocido la necesidad de respetar la privacidad de los datos.<\/li>
- c) Se ha decidido el cumplimiento estricto de la legalidad en su aplicaci\u00f3n.<\/li>
- d) Se ha integrado como parte del proceso la protecci\u00f3n frente a previsibles errores y ataques (security by design).<\/li>
- e) Se ha comprobado que se cumplen todas las normas legales y \u00e9ticas en todas las \u00e1reas de la Inteligencia Artificial (privacy by design).<\/li>
- f) Se han identificado y corregido los posibles sesgos de g\u00e9nero en el desarrollo y aplicaciones de Inteligencia Artificial y Big Data.<\/li><\/ul><\/li><\/ul>
Contenidos:<\/h5>- Caracterizaci\u00f3n de sistemas de Inteligencia Artificial:
- Fundamentos de los sistemas inteligentes.<\/li>
- Campos de aplicaciones.<\/li>
- T\u00e9cnicas de la Inteligencia Artificial.<\/li>
- Nuevas formas de interacci\u00f3n.<\/li><\/ul><\/li>
- Utilizaci\u00f3n de modelos de Inteligencia Artificial:
- Requisitos b\u00e1sicos de un sistema de resoluci\u00f3n de problemas.<\/li>
- Modelos de sistemas de Inteligencia Artificial:
- Automatizaci\u00f3n de tareas.<\/li>
- Sistemas de razonamiento impreciso.<\/li>
- Sistemas basados en reglas.<\/li><\/ul><\/li><\/ul><\/li>
- Procesamiento del Lenguaje Natural:
- Procesamiento del lenguaje natural: Potencial y limitaciones.<\/li>
- Aplicaciones del procesamiento del lenguaje natural.<\/li><\/ul><\/li>
- An\u00e1lisis de sistemas robotizados:
- M\u00e9todos y aplicaciones de la rob\u00f3tica.<\/li>
- Modelado y control de robots.<\/li>
- Programaci\u00f3n de robots y aplicaciones.<\/li>
- Sistemas robotizados. Dise\u00f1o e implementaci\u00f3n.<\/li><\/ul><\/li>
- Sistemas Expertos:
- Din\u00e1mica de los sistemas expertos.<\/li>
- Estructuras elementales de los sistemas expertos.<\/li>
- Representar y simular comportamientos b\u00e1sicos.<\/li>
- Estrategias de control de un sistema experto.<\/li>
- Aplicaciones de sistemas expertos.<\/li>
- Tendencias en sistemas expertos.<\/li><\/ul><\/li>
- Aplicaci\u00f3n de principios legales y \u00e9ticos de la Inteligencia Artificial:
- Deontolog\u00eda profesional en Inteligencia Artificial.<\/li>
- Privacidad de datos.<\/li>
- Protecci\u00f3n frente a errores.<\/li>
- Principios \u00e9ticos.<\/li>
- Sesgos de g\u00e9nero en el desarrollo y aplicaciones de Inteligencia Artificial y Big Data.<\/li><\/ul><\/li><\/ul>
[\/vc_column_text] [\/vc_accordion_tab] [vc_accordion_tab title=\u00bb5072. Sistemas de Aprendizaje Autom\u00e1tico\u00bb] [vc_column_text]<\/p>
Resultados de aprendizaje y criterios de evaluaci\u00f3n:<\/h5>
1. Caracteriza la Inteligencia Artificial fuerte y d\u00e9bil determinando usos y posibilidades.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han determinado las especificidades de Inteligencia Artificial fuerte y d\u00e9bil.<\/li>
- b) Se han establecido las barreras entre la Inteligencia Artificial y el aprendizaje autom\u00e1tico (Machine Learning).<\/li>
- c) Se han diferenciado \u00e1mbitos de aplicaci\u00f3n de la Inteligencia Artificial fuerte y d\u00e9bil.<\/li>
- d) Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial d\u00e9bil.<\/li>
- e) Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial fuerte.<\/li>
- f) Se han reconocido las ventajas que proporciona cada tipo en la resoluci\u00f3n de los problemas.<\/li><\/ul><\/li><\/ul>
2. Determina t\u00e9cnicas y herramientas de sistemas de aprendizaje autom\u00e1tico (Machine Learning), testeando su aplicabilidad para la resoluci\u00f3n de problemas.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han identificado los principios de sistemas de aprendizaje autom\u00e1tico.<\/li>
- b) Se han determinado tipos y usos de sistemas de aprendizaje autom\u00e1tico.<\/li>
- c) Se han determinado t\u00e9cnicas y herramientas de sistemas de aprendizaje autom\u00e1tico.<\/li>
- d) Se han encontrado diferencias entre los tipos de sistemas de aprendizaje autom\u00e1tico.<\/li>
- e) Se han asociado t\u00e9cnicas y herramientas a cada tipo de sistemas de aprendizaje autom\u00e1tico.<\/li><\/ul><\/li><\/ul>
3. Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y minimizando los riesgos asociados.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han proporcionado los datos etiquetados al modelo.<\/li>
- b) Se han seleccionado los datos de entrada, ya sean para la fase de entrenamiento, fase de validaci\u00f3n o fase de testeo de datos entre otras.<\/li>
- c) Se han utilizado los datos en la fase de entrenamiento para la construcci\u00f3n del modelo aplicando caracter\u00edsticas relevantes obtenidas.<\/li>
- d) Se ha evaluado el modelo con los datos obtenidos en la fase de validaci\u00f3n.<\/li>
- e) Se han ajustado los datos de aprendizaje supervisado en la fase de ajuste para mejorar el rendimiento de las diferentes caracter\u00edsticas o par\u00e1metros.<\/li>
- f) Se ha implementado el modelo para realizar predicciones sobre nuevos datos.<\/li>
- g) Se han detectado y minimizado los riesgos asociados al modelo.<\/li>
- h) Se ha optimizado el modelo de aprendizaje supervisado validando datos de prueba.<\/li><\/ul><\/li><\/ul>
4. Aplica t\u00e9cnicas de aprendizaje no supervisado relacion\u00e1ndolas con los tipos de problemas que tratan de resolver.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han caracterizado los tipos de problemas que el aprendizaje no supervisado trata de resolver.<\/li>
- b) Se han caracterizado las t\u00e9cnicas de aprendizaje no supervisado utilizadas para la resoluci\u00f3n de dichos tipos de problemas.<\/li>
- c) Se han aplicado algoritmos utilizados en el aprendizaje no supervisado.<\/li>
- d) Se ha optimizado el modelo de aprendizaje no supervisado validando datos de prueba.<\/li><\/ul><\/li><\/ul>
5. Aplica modelos computacionales de redes neuronales compar\u00e1ndolos con otros m\u00e9todos de inteligencia artificial.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han evaluado los modelos neuronales para elegir el m\u00e1s adecuado para cada clase de problema.<\/li>
- b) Se han aplicado t\u00e9cnicas de aprendizaje profundo (deep learning) para entrenar redes de neuronas.<\/li>
- c) Se han comparado las redes de neuronas artificiales con otros m\u00e9todos de inteligencia artificial.<\/li>
- d) Se ha reconocido una red de neuronas entrenada a partir de un conjunto de datos.<\/li><\/ul><\/li><\/ul>
6. Valora la calidad de los resultados obtenidos en la pr\u00e1ctica con sistemas de aprendizaje autom\u00e1tico integrando principios fundamentales de la computaci\u00f3n.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se ha valorado la conveniencia de los algoritmos propuestos para dar soluci\u00f3n a los problemas planteados.<\/li>
- b) Se ha evaluado la aplicaci\u00f3n pr\u00e1ctica de los principios y t\u00e9cnicas b\u00e1sicas de los sistemas inteligentes.<\/li>
- c) Se han integrado los principios fundamentales de la computaci\u00f3n en la pr\u00e1ctica para seleccionar, valorar y crear nuevos desarrollos tecnol\u00f3gicos.<\/li>
- d) Se han desarrollado sistemas y aplicaciones inform\u00e1ticas que utilizan t\u00e9cnicas de los sistemas inteligentes.<\/li>
- e) Se han desarrollado t\u00e9cnicas de aprendizaje computacional dedicadas a la extracci\u00f3n autom\u00e1tica de informaci\u00f3n a partir de grandes vol\u00famenes de datos.<\/li><\/ul><\/li><\/ul>
Contenidos:<\/h5>- Caracterizaci\u00f3n de la Inteligencia Artificial fuerte y d\u00e9bil:
- Inteligencia Artificial D\u00e9bil:
- Caracter\u00edsticas y aplicaciones.<\/li>
- Ventajas e inconvenientes.<\/li>
- Usos y posibilidades.<\/li><\/ul><\/li>
- Inteligencia Artificial Fuerte:
- Caracter\u00edsticas y aplicaciones.<\/li>
- Ventajas e inconvenientes.<\/li>
- Usos y posibilidades.<\/li><\/ul><\/li><\/ul><\/li>
- Determinaci\u00f3n de sistemas de aprendizaje autom\u00e1tico (Machine Learning):
- Clasificaci\u00f3n de sistemas de aprendizaje autom\u00e1tico. Supervisado y no supervisado.<\/li>
- Principales t\u00e9cnicas para desarrollar aprendizaje autom\u00e1tico: Redes neuronales, Aprendizaje inductivo, Razonamiento basado en casos, entre otros.<\/li>
- Algoritmos o modelos aplicados al aprendizaje autom\u00e1tico:
- Algoritmos de clasificaci\u00f3n.<\/li>
- Algoritmos de detecci\u00f3n de anomal\u00edas.<\/li>
- Algoritmos de regresi\u00f3n.<\/li>
- Algoritmos de clustering.<\/li>
- Algoritmos de refuerzo del aprendizaje.<\/li>
- \u00c1rboles y reglas de decisi\u00f3n.<\/li>
- Otros algoritmos relacionados con el aprendizaje autom\u00e1tico.<\/li><\/ul><\/li>
- Procedimientos del Machine Learning: Datos, identifica patrones y toma decisiones.<\/li>
- Herramientas de. Aprendizaje autom\u00e1tico.<\/li>
- Aplicaciones del Machine Learning.<\/li><\/ul><\/li>
- Algoritmos aplicados al aprendizaje supervisado y optimizaci\u00f3n del modelo:
- Determinaci\u00f3n de elementos y herramientas de aprendizaje supervisado.<\/li>
- Datos etiquetados.<\/li>
- Variables de entrada (input data). Etiquetas de salida.<\/li>
- Plataformas de aprendizaje autom\u00e1tico supervisado.<\/li>
- Fases del aprendizaje autom\u00e1tico:
- Selecci\u00f3n del algoritmo de aprendizaje supervisado.<\/li>
- Selecci\u00f3n de datos.<\/li>
- Construcci\u00f3n del modelo.<\/li>
- Validaci\u00f3n del modelo.<\/li>
- Ajuste de caracter\u00edsticas o par\u00e1metros.<\/li>
- Implementaci\u00f3n del modelo propuesto.<\/li>
- Verificaci\u00f3n del modelo de prueba.<\/li>
- Optimizaci\u00f3n del modelo.<\/li><\/ul><\/li><\/ul><\/li>
- Aplicaci\u00f3n de t\u00e9cnicas de aprendizaje no supervisado:
- T\u00e9cnicas de aprendizaje no supervisado.<\/li>
- Algoritmos de aprendizaje no supervisado. Agrupaci\u00f3n de cluster, Reducci\u00f3n de dimensi\u00f3n, entre otros.<\/li>
- Determinaci\u00f3n de elementos y herramientas de Aprendizaje no supervisado.<\/li>
- Plataformas de aprendizaje autom\u00e1tico no supervisado.<\/li>
- Fases del aprendizaje autom\u00e1tico no supervisado.<\/li><\/ul><\/li>
- Aplicaci\u00f3n de modelos computacionales de redes neuronales y comparaci\u00f3n con otros modelos:
- Aprendizaje autom\u00e1tico frente a aprendizaje profundo.<\/li>
- C\u00f3mo aprende una red neuronal.<\/li>
- Modelos de redes neuronales artificiales: Redes neuronales convolucionales (CNN).<\/li><\/ul><\/li>
- Valoraci\u00f3n de la calidad de los resultados obtenidos en la pr\u00e1ctica con sistemas de aprendizaje autom\u00e1tico:
- Capacidad de generalizaci\u00f3n.<\/li>
- Test.<\/li>
- Validaci\u00f3n.<\/li>
- Matriz de confusi\u00f3n.<\/li><\/ul><\/li><\/ul>
[\/vc_column_text] [\/vc_accordion_tab] [vc_accordion_tab title=\u00bb5073. Programaci\u00f3n de Inteligencia Artificial\u00bb] [vc_column_text]<\/p>
Resultados de aprendizaje y criterios de evaluaci\u00f3n:<\/h5>
1. Caracteriza lenguajes de programaci\u00f3n valorando su idoneidad en el desarrollo de Inteligencia Artificial.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se ha identificado la estructura de un programa inform\u00e1tico.<\/li>
- b) Se han valorado caracter\u00edsticas en los lenguajes de programaci\u00f3n adecuadas al tipo de aplicaciones a implementar.<\/li>
- c) Se ha determinado el lenguaje de programaci\u00f3n m\u00e1s apropiado para el desarrollo de la aplicaci\u00f3n.<\/li>
- d) Se han valorado caracter\u00edsticas de los lenguajes de programaci\u00f3n para el desarrollo de Inteligencia Artificial.<\/li>
- e) Se ha determinado el lenguaje de programaci\u00f3n m\u00e1s apropiado para el desarrollo de la aplicaci\u00f3n de Inteligencia Artificial.<\/li>
- f) Se han caracterizado lenguajes de marcado destacando la informaci\u00f3n que contienen sus etiquetas.<\/li><\/ul><\/li><\/ul>
2. Desarrolla aplicaciones de Inteligencia artificial utilizando entornos de modelado.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han evaluado plataformas de Inteligencia Artificial.<\/li>
- b) Se han caracterizado entornos de modelo de aplicaciones de Inteligencia Artificial.<\/li>
- c) Se ha definido el modelo que se quiere implementar seg\u00fan el problema planteado.<\/li>
- d) Se ha implementado la aplicaci\u00f3n de Inteligencia Artificial.<\/li>
- e) Se han evaluado los resultados obtenidos.<\/li><\/ul><\/li><\/ul>
3. Eval\u00faa las mejoras en los negocios integrando convergencia tecnol\u00f3gica.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han identificado las ventajas que ofrece unificar procesos, servicios, herramientas, m\u00e9todos y sectores.<\/li>
- b) Se han identificado sistemas que facilitan la conexi\u00f3n tecnol\u00f3gica.<\/li>
- c) Se han evaluado las caracter\u00edsticas de dichos sistemas.<\/li>
- d) Se ha evaluado como la convergencia tecnol\u00f3gica aporta seguridad en los negocios.<\/li>
- e) Se ha evaluado la mejora en la capacidad de toma de decisiones estrat\u00e9gicas en un negocio conectado.<\/li><\/ul><\/li><\/ul>
4. Eval\u00faa modelos de automatizaci\u00f3n industrial y de negocio relacion\u00e1ndolos con los resultados esperados por las empresas.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han identificado las nuevas estrategias corporativas y modelos de negocio en las empresas.<\/li>
- b) Se ha definido la relaci\u00f3n entre empresas y clientes y su efecto en la forma en que las empresas organizan y gestionan sus activos y recursos.<\/li>
- c) Se han evaluado modelos de automatizaci\u00f3n para los nuevos requerimientos industriales y de negocio.<\/li>
- d) Se ha evaluado la conveniencia de cada modelo para conseguir los resultados esperados por las empresas.<\/li><\/ul><\/li><\/ul>
Contenidos:<\/h5>- Caracterizaci\u00f3n de lenguajes de programaci\u00f3n:
- Programa inform\u00e1tico. Etapas. Lenguajes de programaci\u00f3n.<\/li>
- Principales caracter\u00edsticas en un lenguaje de programaci\u00f3n para IA. Bibliotecas. Rendimiento en ejecuci\u00f3n. Herramientas. Soporte.<\/li>
- Principales Lenguajes de programaci\u00f3n para Inteligencia Artificial: Python, R, Java, Javascript, NodeJS, JSON, entre otros.<\/li>
- Lenguajes de marcado. Informaci\u00f3n de sus etiquetas.<\/li><\/ul><\/li>
- Desarrollo de aplicaciones de IA:
- Plataformas de IA: Librer\u00edas. Servicios. Ejemplos (Azzure, AWS. Amazon Alexa, Bixby, Microsoft Cortana, IBM Watson, Google Assistant, entre otras)<\/li>
- Entornos de modelado de IA:
- Herramientas de modelado. Librer\u00edas, algoritmos y modelos predefinidos, recolecci\u00f3n de datos, manipulaci\u00f3n de datos, Evaluaci\u00f3n de resultados. Ejemplos (Azure machine learning studio, SPSS modeler de IBM, Knime, entre otros).<\/li>
- Modelado de redes neuronales. M\u00f3dulos predefinidos. Ejemplos (TensorFlow).<\/li>
- Herramientas de generaci\u00f3n de c\u00f3digo para crear software con comportamiento inteligente.<\/li><\/ul><\/li><\/ul><\/li>
- Evaluaci\u00f3n de la Convergencia tecnol\u00f3gica:
- Conexi\u00f3n entre tecnolog\u00edas: Voz, datos, sonido, im\u00e1genes.<\/li>
- Ventajas de la convergencia tecnol\u00f3gica.<\/li>
- Sistemas de convergencia electr\u00f3nica: Blockchain, IoT, Cloud, entre otros.<\/li>
- Caracter\u00edsticas de Blockchain.<\/li>
- Caracter\u00edsticas de IoT.<\/li>
- Caracter\u00edsticas de Cloud.<\/li>
- Seguridad en la convergencia tecnol\u00f3gica.<\/li><\/ul><\/li>
- Evaluaci\u00f3n de modelos de automatizaci\u00f3n industrial y de negocio:
- Estrategias corporativas. Tendencias.<\/li>
- Modelos de negocio. Tendencias.<\/li>
- Gesti\u00f3n de activos y recursos. Tendencias.<\/li>
- Modelos de automatizaci\u00f3n. Tendencias.<\/li><\/ul><\/li><\/ul>
[\/vc_column_text] [\/vc_accordion_tab] [vc_accordion_tab title=\u00bb5074. Sistemas de Big Data\u00bb] [vc_column_text]<\/p>
Resultados de aprendizaje y criterios de evaluaci\u00f3n:<\/h5>
1. Aplica t\u00e9cnicas de an\u00e1lisis de datos que integran, procesan y analizan la informaci\u00f3n, adaptando e implementando sistemas que las utilicen.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han identificado conceptos b\u00e1sicos de matem\u00e1tica discreta, l\u00f3gica algor\u00edtmica y complejidad computacional, y su aplicaci\u00f3n para el tratamiento autom\u00e1tico de la informaci\u00f3n por medio de sistemas computacionales.<\/li>
- b) Se ha extra\u00eddo de forma autom\u00e1tica informaci\u00f3n y conocimiento a partir de grandes vol\u00famenes de datos.<\/li>
- c) Se han combinado diferentes fuentes y tipos de datos.<\/li>
- d) Se ha construido un conjunto de datos complejos y se han relacionado entre s\u00ed.<\/li>
- e) Se han establecido objetivos y prioridades, secuenciaci\u00f3n y organizaci\u00f3n del tiempo de realizaci\u00f3n.<\/li>
- f) Se han seleccionado e integrado sistemas de informaci\u00f3n que satisfacen las necesidades del problema.<\/li>
- g) Se han determinado criterios de coste y calidad necesarios para la eficacia y eficiencia de la implementaci\u00f3n de un sistema Big Data.<\/li><\/ul><\/li><\/ul>
2. Configura cuadros de mando en diferentes entornos computacionales usando t\u00e9cnicas de an\u00e1lisis de datos.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han clasificado diferentes librer\u00edas e implementaciones de las t\u00e9cnicas de representaci\u00f3n de la informaci\u00f3n.<\/li>
- b) Se ha cruzado informaci\u00f3n sobre el objetivo a conseguir y la naturaleza de los datos.<\/li>
- c) Se ha realizado un cuadro de mandos utilizando t\u00e9cnicas sencillas.<\/li>
- d) Se han utilizado t\u00e9cnicas predictivas complejas para anticiparse a lo que ocurra.<\/li>
- e) Se ha evaluado el impacto del an\u00e1lisis de datos en la consecuci\u00f3n de los objetivos propuestos.<\/li><\/ul><\/li><\/ul>
3. Gestiona y almacena datos facilitando la b\u00fasqueda de respuestas en grandes conjuntos de datos.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han extra\u00eddo y almacenado datos de diversas fuentes, para ser tratados en distintos escenarios.<\/li>
- b) Se ha fijado el objetivo de extraer valor de los datos para lo que es necesario contar con tecnolog\u00edas eficientes.<\/li>
- c) Se ha comprobado que la revoluci\u00f3n digital exige poder almacenar y procesar ingentes cantidades de datos de distinto tipo y descubrir su valor.<\/li>
- d) Se han desarrollado sistemas de gesti\u00f3n, almacenamiento y procesamiento de grandes vol\u00famenes de datos de manera eficiente y segura, teniendo en cuenta la normativa existente.<\/li>
- e) Se han utilizado habilidades cient\u00edficas en entornos de trabajo multidisciplinares.<\/li><\/ul><\/li><\/ul>
4. Eval\u00faa modelos de automatizaci\u00f3n industrial y de negocio relacion\u00e1ndolos con los resultados esperados por las empresas.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han examinado distintos escenarios y tipolog\u00edas de datos no estructurados.<\/li>
- b) Se ha implantado la aplicaci\u00f3n de la BI (Business Intelligence) para la extracci\u00f3n de valor.<\/li>
- c) Se ha reconocido la importancia de almacenar grandes vol\u00famenes de datos de forma distribuida y redundante en un cl\u00faster de m\u00e1quinas.<\/li>
- d) Se han determinado las diferencias en el entorno de aplicaciones relacionadas que facilitan el procesamiento de datos de manera r\u00e1pida, eficiente y eficaz.<\/li>
- e) Se ha comprobado la manera de programar y procesar autom\u00e1ticamente la estructura de datos.<\/li>
- f) Se han valorado las diferentes formas de visualizar los datos que nos interese representar gr\u00e1ficamente, facilitando as\u00ed las tareas de an\u00e1lisis y presentaci\u00f3n de resultados.<\/li><\/ul><\/li><\/ul>
Contenidos:<\/h5>- Aplicaci\u00f3n de t\u00e9cnicas de integraci\u00f3n, procesamiento y an\u00e1lisis de informaci\u00f3n:
- Conceptos b\u00e1sicos de matem\u00e1tica discreta, l\u00f3gica algor\u00edtmica y complejidad computacional para an\u00e1lisis de datos.<\/li>
- T\u00e9cnicas y procesos de extracci\u00f3n de la informaci\u00f3n de los datos.<\/li>
- Modelado, razonamiento, resoluci\u00f3n de problemas.<\/li>
- An\u00e1lisis en tiempo real.<\/li>
- Costes y calidad asociados al proceso de an\u00e1lisis de la informaci\u00f3n.<\/li><\/ul><\/li>
- Configuraci\u00f3n de cuadros de mando en entornos computacionales:
- T\u00e9cnicas de representaci\u00f3n de informaci\u00f3n. Librer\u00edas e implementaciones. Estructuraci\u00f3n de datos. Objetivos a cumplir.<\/li>
- Cuadro de mando: Fundamentos.<\/li>
- M\u00e9tricas.<\/li>
- Principales m\u00e9todos y algoritmos en la miner\u00eda de datos. Modelos SEMMA Sample, Explore, Modify, Model, Assess) y CRISP-DM (Cross- Industry Standard Process for Data Mining), entre otros.<\/li>
- Fases de los modelos. Valoraci\u00f3n. Interpretaci\u00f3n. Despliegue.<\/li><\/ul><\/li>
- Gesti\u00f3n y almacenamiento de datos. B\u00fasqueda de respuestas en grandes conjuntos de datos:
- Sistemas de gesti\u00f3n Almacenamiento.<\/li>
- Importaci\u00f3n: Flume, Sqoop.<\/li>
- Integraci\u00f3n de datos.<\/li>
- Programaci\u00f3n: R y Python.<\/li><\/ul><\/li>
- Aplicaci\u00f3n de herramientas para la visualizaci\u00f3n de datos:
- Datos no estructurados: Fuentes, tipolog\u00eda.<\/li>
- Inteligencia artificial en el an\u00e1lisis de datos.<\/li>
- Cluster de m\u00e1quinas: Informaci\u00f3n distribuida y redundante.<\/li>
- Herramientas de visualizaci\u00f3n de datos: QlikView, QlikSense, Tableau, Power BI, Domo, Pentaho, MicroStrategy, Business Objects, RJMetrics, Klipfolio, entre otras.<\/li>
- Tendencias de visualizaci\u00f3n de datos.<\/li><\/ul><\/li><\/ul>
[\/vc_column_text] [\/vc_accordion_tab] [vc_accordion_tab title=\u00bb5075. Big Data aplicado\u00bb] [vc_column_text]<\/p>
Resultados de aprendizaje y criterios de evaluaci\u00f3n:<\/h5>
1. Gestiona soluciones a problemas propuestos, utilizando sistemas de almacenamiento y herramientas asociadas al centro de datos.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se ha caracterizado el proceso de dise\u00f1o y construcci\u00f3n de soluciones en sistemas de almacenamiento de datos.<\/li>
- b) Se han determinado los procedimientos y mecanismos para la ingesti\u00f3n de datos.<\/li>
- c) Se ha determinado el formato de datos adecuado para el almacenamiento.<\/li>
- d) Se han procesado los datos almacenados.<\/li>
- e) Se han presentado los resultados y las soluciones al cliente final en una forma f\u00e1cil de interpretar.<\/li><\/ul><\/li><\/ul>
2. Gestiona sistemas de almacenamiento y el amplio ecosistema alrededor de ellos facilitando el procesamiento de grandes cantidades de datos sin fallos y de forma r\u00e1pida.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se ha determinado la importancia de los sistemas de almacenamiento para depositar y procesar grandes cantidades de cualquier tipo de datos r\u00e1pidamente.<\/li>
- b) Se ha comprobado el poder de procesamiento de su modelo de computaci\u00f3n distribuida.<\/li>
- c) Se ha probado la tolerancia a fallos de los sistemas.<\/li>
- d) Se ha determinado que se pueden almacenar tantos datos como se desee y decidir c\u00f3mo utilizarlos m\u00e1s tarde.<\/li>
- e) Se ha visualizado que el sistema puede crecer f\u00e1cilmente a\u00f1adiendo m\u00f3dulos.<\/li><\/ul><\/li><\/ul>
3. Genera mecanismos de integridad de los datos, comprobando su mantenimiento en los sistemas de ficheros distribuidos y valorando la sobrecarga que conlleva en el tratamiento de los datos.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se ha valorado la importancia de la calidad de los datos en los sistemas de ficheros distribuidos.<\/li>
- b) Se ha valorado que a mayor volumen de tratamiento de datos corresponde un mayor peligro relacionado con la integridad de los datos.<\/li>
- c) Se ha reconocido que los sistemas de ficheros distribuidos implementan una suma de verificaci\u00f3n para la comprobaci\u00f3n de los contenidos de los archivos.<\/li>
- d) Se ha reconocido el papel del servidor en los procesos previos a la suma de verificaci\u00f3n.<\/li><\/ul><\/li><\/ul>
4. Realiza el seguimiento de la monitorizaci\u00f3n de un sistema, asegurando la fiabilidad y estabilidad de los servicios que se proveen.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han aplicado herramientas de monitorizaci\u00f3n eficiente de los recursos.<\/li>
- b) Se han recogido m\u00e9tricas, procesamiento y visualizaci\u00f3n de los datos.<\/li>
- c) Se han generado alertas para detectar un riesgo o mal funcionamiento.<\/li>
- d) Se ha comprobado que las herramientas usadas ofrecen un rendimiento elevado con rapidez.<\/li>
- e) Se ha comprobado la fiabilidad de los datos seg\u00fan respuestas.<\/li>
- f) Se ha analizado la estabilidad de servicios.<\/li><\/ul><\/li><\/ul>
5. Valida las t\u00e9cnicas de Big Data para transformar una gran cantidad de datos en informaci\u00f3n significativa, facilitando la toma de decisiones de negocios.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>- a) Se han seleccionado gran cantidad de datos estructurados y no estructurados para reforzar la funci\u00f3n de BI.<\/li>
- b) Se ha realizado la limpieza y transformaci\u00f3n de datos en base a los objetivos predeterminados.<\/li>
- c) Se ha comprobado que el Big Data multiplica la relevancia y la utilidad del BI para el negocio.<\/li>
- d) Se han conjugado dentro de un modelo de empresa datos de clientes, financieros de ventas, de productos, de marketing, de redes sociales, de la competencia, entre otros, para extraer un an\u00e1lisis valioso y efectivo para el negocio.<\/li>
- e) Se ha evaluado e interpretado la informaci\u00f3n extra\u00edda de los datos y su influencia en el triunfo de diferentes negocios.<\/li>
- f) Se ha simulado la implantaci\u00f3n de un modelo de Inteligencia de negocios BI.<\/li><\/ul><\/li><\/ul>
Contenidos:<\/h5>- Gesti\u00f3n de soluciones con sistemas de almacenamiento y herramientas del centro de datos para la resoluci\u00f3n de problemas:
- Almacenamiento de datos masivo.<\/li>
- Procesamiento de datos.<\/li>
- Anal\u00edtica de Big Data en los ecosistemas de almacenamiento.<\/li>
- Big Data y Cloud.<\/li><\/ul><\/li>
- Gesti\u00f3n de sistemas de almacenamiento y ecosistemas Big Data:
- Computaci\u00f3n distribuida. Computaci\u00f3n paralela.<\/li>
- Sistemas de almacenamiento distribuidos. Tolerancia a fallos.<\/li>
- Herramientas:
- Map Reduce.<\/li>
- Pig, Hive, Flume.<\/li>
- Sqoop, Oozie.<\/li>
- Automatizaci\u00f3n de Jobs.<\/li>
- Consultas Pig y Hive.<\/li>
- Otras herramientas.<\/li><\/ul><\/li><\/ul><\/li>
- Generaci\u00f3n de mecanismos de Integridad de los datos. Comprobaci\u00f3n de mantenimiento de sistemas de ficheros:
- Calidad de los datos.<\/li>
- Comprobaci\u00f3n de la integridad de datos de los sistemas de ficheros distribuidos. Sumas de verificaci\u00f3n.<\/li>
- Movimiento de datos entre clusters. Actualizaci\u00f3n y migraci\u00f3n. Metadatos.<\/li><\/ul><\/li>
- Monitorizaci\u00f3n, optimizaci\u00f3n y soluci\u00f3n de problemas:
- T\u00e9cnico Superior en Administraci\u00f3n de Sistemas Inform\u00e1ticos en Red.<\/li>
- T\u00e9cnico Superior en Desarrollo de Aplicaciones Multiplataforma.<\/li>
- T\u00e9cnico Superior en Desarrollo de Aplicaciones Web.<\/li>
- T\u00e9cnico Superior en Sistemas de Telecomunicaciones e Inform\u00e1ticos.<\/li>
- T\u00edtulo de T\u00e9cnico Superior en Mecatr\u00f3nica Industrial.<\/li>
- T\u00edtulo de T\u00e9cnico Superior en Automatizaci\u00f3n y Rob\u00f3tica Industrial.<\/li><\/ul>
\u00bfQu\u00e9 voy a aprender y hacer?<\/strong><\/h5>
- Aplicar sistemas de Inteligencia Artificial para identificar nuevas formas de interacci\u00f3n en los negocios que mejoren la productividad.<\/li>
- Desarrollar e implementar sistemas de Inteligencia Artificial que faciliten la toma de decisiones \u00e1giles dentro de un negocio gestionando y explotando datos masivos.<\/li>
- Gestionar la transformaci\u00f3n digital necesaria en las organizaciones para la consecuci\u00f3n de la eficiencia empresarial mediante el tratamiento de datos.<\/li>
- Aplicar Inteligencia Artificial en funcionalidades, procesos y sistemas de decisi\u00f3n empresariales.<\/li>
- Gestionar los distintos tipos de Inteligencia Artificial para la consecuci\u00f3n de transformaci\u00f3n y cambio en las empresas.<\/li>
- Administrar el desarrollo de procesos automatizados que permitan la mejora de la productividad de las empresas.<\/li>
- Optimizar el desarrollo de procesos aut\u00f3nomos empleando herramientas de Inteligencia Artificial.<\/li>
- Integrar sistemas de explotaci\u00f3n de grandes vol\u00famenes de datos aplicando soluciones de Big Data.<\/li>
- Implantar las funcionalidades, procesos y sistemas de decisiones empresariales aplicando t\u00e9cnicas de Big Data en ellos.<\/li>
- Ejecutar el sistema de explotaci\u00f3n de datos seg\u00fan las necesidades de uso y las condiciones de seguridad establecidas asegurando el cumplimiento de los principios legales y \u00e9ticos.<\/li>
- Configurar las herramientas que se usan para construir soluciones Big Data y de Inteligencia Artificial.<\/li>
- Gestionar de manera eficiente los datos, la informaci\u00f3n y su representaci\u00f3n para transformarlos en conocimiento.<\/li><\/ul>
[\/vc_column_text][\/vc_tab] [vc_tab title=\u00bbM\u00f3dulos\u00bb tab_id=\u00bba057e917-9dfe-6″] [vc_column_text] Los m\u00f3dulos profesionales de este curso de especializaci\u00f3n son los que a continuaci\u00f3n se relacionan. [\/vc_column_text] [vc_accordion active_tab=\u00bbfalse\u00bb collapsible=\u00bbyes\u00bb] [vc_accordion_tab title=\u00bb5071. Modelos de Inteligencia Artificial\u00bb] [vc_column_text]<\/p>
Resultados de aprendizaje y criterios de evaluaci\u00f3n:<\/h5>
1. Caracteriza sistemas de Inteligencia Artificial relacion\u00e1ndolos con la mejora de la eficiencia operativa de las organizaciones y empresas.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han identificado los principios fundamentales de los sistemas inteligentes.<\/li>
- b) Se ha recopilado informaci\u00f3n sobre campos donde se aplica Inteligencia Artificial.<\/li>
- c) Se han identificado las t\u00e9cnicas b\u00e1sicas a utilizar en el entorno de la IA.<\/li>
- d) Se han identificado nuevas formas de interacciones en los negocios que mejore la eficiencia operativa.<\/li><\/ul><\/li><\/ul>
2. Utiliza modelos de sistemas de Inteligencia Artificial implementando sistemas de resoluci\u00f3n de problemas.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han determinado los requisitos b\u00e1sicos a implementar en un sistema de resoluci\u00f3n de problemas.<\/li>
- b) Se han clasificado modelos de Inteligencia Artificial.<\/li>
- c) Se han caracterizado los modelos de automatizaci\u00f3n de tareas.<\/li>
- d) Se han caracterizado los modelos de razonamiento impreciso.<\/li>
- e) Se han caracterizado los modelos de sistemas basados en reglas.<\/li>
- f) Se ha valorado la adecuaci\u00f3n de los modelos a la implementaci\u00f3n del sistema de resoluci\u00f3n de problemas.<\/li><\/ul><\/li><\/ul>
3. Relaciona el procesamiento de lenguaje natural con sus aplicaciones determinando su potencial e identificando sus limitaciones.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se ha caracterizado el procesamiento de lenguaje natural.<\/li>
- b) Se ha justificado el papel del ling\u00fcista en un proyecto de inteligencia artificial.<\/li>
- c) Se ha determinado el potencial de las t\u00e9cnicas existentes de procesamiento de lenguaje, as\u00ed como sus limitaciones.<\/li>
- d) Se ha considerado en qu\u00e9 casos es factible aplicar estas t\u00e9cnicas en la resoluci\u00f3n de un problema.<\/li>
- e) Se ha evaluado el trabajo cooperativo entre ling\u00fcistas e inform\u00e1ticos en el campo del procesamiento del lenguaje natural.<\/li>
- f) Se ha descrito la formaci\u00f3n te\u00f3rica que precisa el investigador en procesamiento del lenguaje natural.<\/li>
- g) Se ha elaborado un sistema de procesamiento de lenguaje orientado a una tarea espec\u00edfica.<\/li><\/ul><\/li><\/ul>
4. Analiza sistemas robotizados, evaluando opciones de dise\u00f1o e implementaci\u00f3n.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han recopilado los problemas del modelado y control cinem\u00e1tico en robots manipuladores.<\/li>
- b) Se han buscado soluciones a los problemas de los robots.<\/li>
- c) Se han valorado las caracter\u00edsticas diferenciadoras de las t\u00e9cnicas de programaci\u00f3n de robots y de sistemas robotizados.<\/li>
- d) Se han evaluado diferentes opciones en el dise\u00f1o e implementaci\u00f3n de sistemas robotizados.<\/li><\/ul><\/li><\/ul>
5. Aplica sistemas expertos evaluando la influencia de los controladores inteligentes en el comportamiento del sistema.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se ha descrito la din\u00e1mica y las estructuras elementales de los sistemas expertos.<\/li>
- b) Se han determinado las destrezas necesarias para representar y simular comportamientos b\u00e1sicos de sistemas de muy diversos \u00e1mbitos.<\/li>
- c) Se ha razonado c\u00f3mo influye la variaci\u00f3n de las caracter\u00edsticas de los sistemas en su din\u00e1mica de actuaci\u00f3n.<\/li>
- d) Se han desarrollado estrategias de control definiendo los objetivos y las especificaciones de la respuesta del sistema.<\/li>
- e) Se han relacionado los controladores inteligentes con el comportamiento del sistema.<\/li><\/ul><\/li><\/ul>
6. Aplica principios legales y \u00e9ticos al desarrollo de la Inteligencia Artificial integr\u00e1ndolos como parte del proceso.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han argumentado los posibles riesgos legales y \u00e9ticos de la aplicaci\u00f3n de Inteligencia Artificial.<\/li>
- b) Se ha reconocido la necesidad de respetar la privacidad de los datos.<\/li>
- c) Se ha decidido el cumplimiento estricto de la legalidad en su aplicaci\u00f3n.<\/li>
- d) Se ha integrado como parte del proceso la protecci\u00f3n frente a previsibles errores y ataques (security by design).<\/li>
- e) Se ha comprobado que se cumplen todas las normas legales y \u00e9ticas en todas las \u00e1reas de la Inteligencia Artificial (privacy by design).<\/li>
- f) Se han identificado y corregido los posibles sesgos de g\u00e9nero en el desarrollo y aplicaciones de Inteligencia Artificial y Big Data.<\/li><\/ul><\/li><\/ul>
Contenidos:<\/h5>
- Caracterizaci\u00f3n de sistemas de Inteligencia Artificial:
- Fundamentos de los sistemas inteligentes.<\/li>
- Campos de aplicaciones.<\/li>
- T\u00e9cnicas de la Inteligencia Artificial.<\/li>
- Nuevas formas de interacci\u00f3n.<\/li><\/ul><\/li>
- Utilizaci\u00f3n de modelos de Inteligencia Artificial:
- Requisitos b\u00e1sicos de un sistema de resoluci\u00f3n de problemas.<\/li>
- Modelos de sistemas de Inteligencia Artificial:
- Automatizaci\u00f3n de tareas.<\/li>
- Sistemas de razonamiento impreciso.<\/li>
- Sistemas basados en reglas.<\/li><\/ul><\/li><\/ul><\/li>
- Procesamiento del Lenguaje Natural:
- Procesamiento del lenguaje natural: Potencial y limitaciones.<\/li>
- Aplicaciones del procesamiento del lenguaje natural.<\/li><\/ul><\/li>
- An\u00e1lisis de sistemas robotizados:
- M\u00e9todos y aplicaciones de la rob\u00f3tica.<\/li>
- Modelado y control de robots.<\/li>
- Programaci\u00f3n de robots y aplicaciones.<\/li>
- Sistemas robotizados. Dise\u00f1o e implementaci\u00f3n.<\/li><\/ul><\/li>
- Sistemas Expertos:
- Din\u00e1mica de los sistemas expertos.<\/li>
- Estructuras elementales de los sistemas expertos.<\/li>
- Representar y simular comportamientos b\u00e1sicos.<\/li>
- Estrategias de control de un sistema experto.<\/li>
- Aplicaciones de sistemas expertos.<\/li>
- Tendencias en sistemas expertos.<\/li><\/ul><\/li>
- Aplicaci\u00f3n de principios legales y \u00e9ticos de la Inteligencia Artificial:
- Deontolog\u00eda profesional en Inteligencia Artificial.<\/li>
- Privacidad de datos.<\/li>
- Protecci\u00f3n frente a errores.<\/li>
- Principios \u00e9ticos.<\/li>
- Sesgos de g\u00e9nero en el desarrollo y aplicaciones de Inteligencia Artificial y Big Data.<\/li><\/ul><\/li><\/ul>
[\/vc_column_text] [\/vc_accordion_tab] [vc_accordion_tab title=\u00bb5072. Sistemas de Aprendizaje Autom\u00e1tico\u00bb] [vc_column_text]<\/p>
Resultados de aprendizaje y criterios de evaluaci\u00f3n:<\/h5>
1. Caracteriza la Inteligencia Artificial fuerte y d\u00e9bil determinando usos y posibilidades.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han determinado las especificidades de Inteligencia Artificial fuerte y d\u00e9bil.<\/li>
- b) Se han establecido las barreras entre la Inteligencia Artificial y el aprendizaje autom\u00e1tico (Machine Learning).<\/li>
- c) Se han diferenciado \u00e1mbitos de aplicaci\u00f3n de la Inteligencia Artificial fuerte y d\u00e9bil.<\/li>
- d) Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial d\u00e9bil.<\/li>
- e) Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial fuerte.<\/li>
- f) Se han reconocido las ventajas que proporciona cada tipo en la resoluci\u00f3n de los problemas.<\/li><\/ul><\/li><\/ul>
2. Determina t\u00e9cnicas y herramientas de sistemas de aprendizaje autom\u00e1tico (Machine Learning), testeando su aplicabilidad para la resoluci\u00f3n de problemas.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han identificado los principios de sistemas de aprendizaje autom\u00e1tico.<\/li>
- b) Se han determinado tipos y usos de sistemas de aprendizaje autom\u00e1tico.<\/li>
- c) Se han determinado t\u00e9cnicas y herramientas de sistemas de aprendizaje autom\u00e1tico.<\/li>
- d) Se han encontrado diferencias entre los tipos de sistemas de aprendizaje autom\u00e1tico.<\/li>
- e) Se han asociado t\u00e9cnicas y herramientas a cada tipo de sistemas de aprendizaje autom\u00e1tico.<\/li><\/ul><\/li><\/ul>
3. Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y minimizando los riesgos asociados.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han proporcionado los datos etiquetados al modelo.<\/li>
- b) Se han seleccionado los datos de entrada, ya sean para la fase de entrenamiento, fase de validaci\u00f3n o fase de testeo de datos entre otras.<\/li>
- c) Se han utilizado los datos en la fase de entrenamiento para la construcci\u00f3n del modelo aplicando caracter\u00edsticas relevantes obtenidas.<\/li>
- d) Se ha evaluado el modelo con los datos obtenidos en la fase de validaci\u00f3n.<\/li>
- e) Se han ajustado los datos de aprendizaje supervisado en la fase de ajuste para mejorar el rendimiento de las diferentes caracter\u00edsticas o par\u00e1metros.<\/li>
- f) Se ha implementado el modelo para realizar predicciones sobre nuevos datos.<\/li>
- g) Se han detectado y minimizado los riesgos asociados al modelo.<\/li>
- h) Se ha optimizado el modelo de aprendizaje supervisado validando datos de prueba.<\/li><\/ul><\/li><\/ul>
4. Aplica t\u00e9cnicas de aprendizaje no supervisado relacion\u00e1ndolas con los tipos de problemas que tratan de resolver.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han caracterizado los tipos de problemas que el aprendizaje no supervisado trata de resolver.<\/li>
- b) Se han caracterizado las t\u00e9cnicas de aprendizaje no supervisado utilizadas para la resoluci\u00f3n de dichos tipos de problemas.<\/li>
- c) Se han aplicado algoritmos utilizados en el aprendizaje no supervisado.<\/li>
- d) Se ha optimizado el modelo de aprendizaje no supervisado validando datos de prueba.<\/li><\/ul><\/li><\/ul>
5. Aplica modelos computacionales de redes neuronales compar\u00e1ndolos con otros m\u00e9todos de inteligencia artificial.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han evaluado los modelos neuronales para elegir el m\u00e1s adecuado para cada clase de problema.<\/li>
- b) Se han aplicado t\u00e9cnicas de aprendizaje profundo (deep learning) para entrenar redes de neuronas.<\/li>
- c) Se han comparado las redes de neuronas artificiales con otros m\u00e9todos de inteligencia artificial.<\/li>
- d) Se ha reconocido una red de neuronas entrenada a partir de un conjunto de datos.<\/li><\/ul><\/li><\/ul>
6. Valora la calidad de los resultados obtenidos en la pr\u00e1ctica con sistemas de aprendizaje autom\u00e1tico integrando principios fundamentales de la computaci\u00f3n.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se ha valorado la conveniencia de los algoritmos propuestos para dar soluci\u00f3n a los problemas planteados.<\/li>
- b) Se ha evaluado la aplicaci\u00f3n pr\u00e1ctica de los principios y t\u00e9cnicas b\u00e1sicas de los sistemas inteligentes.<\/li>
- c) Se han integrado los principios fundamentales de la computaci\u00f3n en la pr\u00e1ctica para seleccionar, valorar y crear nuevos desarrollos tecnol\u00f3gicos.<\/li>
- d) Se han desarrollado sistemas y aplicaciones inform\u00e1ticas que utilizan t\u00e9cnicas de los sistemas inteligentes.<\/li>
- e) Se han desarrollado t\u00e9cnicas de aprendizaje computacional dedicadas a la extracci\u00f3n autom\u00e1tica de informaci\u00f3n a partir de grandes vol\u00famenes de datos.<\/li><\/ul><\/li><\/ul>
Contenidos:<\/h5>
- Caracterizaci\u00f3n de la Inteligencia Artificial fuerte y d\u00e9bil:
- Inteligencia Artificial D\u00e9bil:
- Caracter\u00edsticas y aplicaciones.<\/li>
- Ventajas e inconvenientes.<\/li>
- Usos y posibilidades.<\/li><\/ul><\/li>
- Inteligencia Artificial Fuerte:
- Caracter\u00edsticas y aplicaciones.<\/li>
- Ventajas e inconvenientes.<\/li>
- Usos y posibilidades.<\/li><\/ul><\/li><\/ul><\/li>
- Determinaci\u00f3n de sistemas de aprendizaje autom\u00e1tico (Machine Learning):
- Clasificaci\u00f3n de sistemas de aprendizaje autom\u00e1tico. Supervisado y no supervisado.<\/li>
- Principales t\u00e9cnicas para desarrollar aprendizaje autom\u00e1tico: Redes neuronales, Aprendizaje inductivo, Razonamiento basado en casos, entre otros.<\/li>
- Algoritmos o modelos aplicados al aprendizaje autom\u00e1tico:
- Algoritmos de clasificaci\u00f3n.<\/li>
- Algoritmos de detecci\u00f3n de anomal\u00edas.<\/li>
- Algoritmos de regresi\u00f3n.<\/li>
- Algoritmos de clustering.<\/li>
- Algoritmos de refuerzo del aprendizaje.<\/li>
- \u00c1rboles y reglas de decisi\u00f3n.<\/li>
- Otros algoritmos relacionados con el aprendizaje autom\u00e1tico.<\/li><\/ul><\/li>
- Procedimientos del Machine Learning: Datos, identifica patrones y toma decisiones.<\/li>
- Herramientas de. Aprendizaje autom\u00e1tico.<\/li>
- Aplicaciones del Machine Learning.<\/li><\/ul><\/li>
- Algoritmos aplicados al aprendizaje supervisado y optimizaci\u00f3n del modelo:
- Determinaci\u00f3n de elementos y herramientas de aprendizaje supervisado.<\/li>
- Datos etiquetados.<\/li>
- Variables de entrada (input data). Etiquetas de salida.<\/li>
- Plataformas de aprendizaje autom\u00e1tico supervisado.<\/li>
- Fases del aprendizaje autom\u00e1tico:
- Selecci\u00f3n del algoritmo de aprendizaje supervisado.<\/li>
- Selecci\u00f3n de datos.<\/li>
- Construcci\u00f3n del modelo.<\/li>
- Validaci\u00f3n del modelo.<\/li>
- Ajuste de caracter\u00edsticas o par\u00e1metros.<\/li>
- Implementaci\u00f3n del modelo propuesto.<\/li>
- Verificaci\u00f3n del modelo de prueba.<\/li>
- Optimizaci\u00f3n del modelo.<\/li><\/ul><\/li><\/ul><\/li>
- Aplicaci\u00f3n de t\u00e9cnicas de aprendizaje no supervisado:
- T\u00e9cnicas de aprendizaje no supervisado.<\/li>
- Algoritmos de aprendizaje no supervisado. Agrupaci\u00f3n de cluster, Reducci\u00f3n de dimensi\u00f3n, entre otros.<\/li>
- Determinaci\u00f3n de elementos y herramientas de Aprendizaje no supervisado.<\/li>
- Plataformas de aprendizaje autom\u00e1tico no supervisado.<\/li>
- Fases del aprendizaje autom\u00e1tico no supervisado.<\/li><\/ul><\/li>
- Aplicaci\u00f3n de modelos computacionales de redes neuronales y comparaci\u00f3n con otros modelos:
- Aprendizaje autom\u00e1tico frente a aprendizaje profundo.<\/li>
- C\u00f3mo aprende una red neuronal.<\/li>
- Modelos de redes neuronales artificiales: Redes neuronales convolucionales (CNN).<\/li><\/ul><\/li>
- Valoraci\u00f3n de la calidad de los resultados obtenidos en la pr\u00e1ctica con sistemas de aprendizaje autom\u00e1tico:
- Capacidad de generalizaci\u00f3n.<\/li>
- Test.<\/li>
- Validaci\u00f3n.<\/li>
- Matriz de confusi\u00f3n.<\/li><\/ul><\/li><\/ul>
[\/vc_column_text] [\/vc_accordion_tab] [vc_accordion_tab title=\u00bb5073. Programaci\u00f3n de Inteligencia Artificial\u00bb] [vc_column_text]<\/p>
Resultados de aprendizaje y criterios de evaluaci\u00f3n:<\/h5>
1. Caracteriza lenguajes de programaci\u00f3n valorando su idoneidad en el desarrollo de Inteligencia Artificial.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se ha identificado la estructura de un programa inform\u00e1tico.<\/li>
- b) Se han valorado caracter\u00edsticas en los lenguajes de programaci\u00f3n adecuadas al tipo de aplicaciones a implementar.<\/li>
- c) Se ha determinado el lenguaje de programaci\u00f3n m\u00e1s apropiado para el desarrollo de la aplicaci\u00f3n.<\/li>
- d) Se han valorado caracter\u00edsticas de los lenguajes de programaci\u00f3n para el desarrollo de Inteligencia Artificial.<\/li>
- e) Se ha determinado el lenguaje de programaci\u00f3n m\u00e1s apropiado para el desarrollo de la aplicaci\u00f3n de Inteligencia Artificial.<\/li>
- f) Se han caracterizado lenguajes de marcado destacando la informaci\u00f3n que contienen sus etiquetas.<\/li><\/ul><\/li><\/ul>
2. Desarrolla aplicaciones de Inteligencia artificial utilizando entornos de modelado.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han evaluado plataformas de Inteligencia Artificial.<\/li>
- b) Se han caracterizado entornos de modelo de aplicaciones de Inteligencia Artificial.<\/li>
- c) Se ha definido el modelo que se quiere implementar seg\u00fan el problema planteado.<\/li>
- d) Se ha implementado la aplicaci\u00f3n de Inteligencia Artificial.<\/li>
- e) Se han evaluado los resultados obtenidos.<\/li><\/ul><\/li><\/ul>
3. Eval\u00faa las mejoras en los negocios integrando convergencia tecnol\u00f3gica.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han identificado las ventajas que ofrece unificar procesos, servicios, herramientas, m\u00e9todos y sectores.<\/li>
- b) Se han identificado sistemas que facilitan la conexi\u00f3n tecnol\u00f3gica.<\/li>
- c) Se han evaluado las caracter\u00edsticas de dichos sistemas.<\/li>
- d) Se ha evaluado como la convergencia tecnol\u00f3gica aporta seguridad en los negocios.<\/li>
- e) Se ha evaluado la mejora en la capacidad de toma de decisiones estrat\u00e9gicas en un negocio conectado.<\/li><\/ul><\/li><\/ul>
4. Eval\u00faa modelos de automatizaci\u00f3n industrial y de negocio relacion\u00e1ndolos con los resultados esperados por las empresas.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han identificado las nuevas estrategias corporativas y modelos de negocio en las empresas.<\/li>
- b) Se ha definido la relaci\u00f3n entre empresas y clientes y su efecto en la forma en que las empresas organizan y gestionan sus activos y recursos.<\/li>
- c) Se han evaluado modelos de automatizaci\u00f3n para los nuevos requerimientos industriales y de negocio.<\/li>
- d) Se ha evaluado la conveniencia de cada modelo para conseguir los resultados esperados por las empresas.<\/li><\/ul><\/li><\/ul>
Contenidos:<\/h5>
- Caracterizaci\u00f3n de lenguajes de programaci\u00f3n:
- Programa inform\u00e1tico. Etapas. Lenguajes de programaci\u00f3n.<\/li>
- Principales caracter\u00edsticas en un lenguaje de programaci\u00f3n para IA. Bibliotecas. Rendimiento en ejecuci\u00f3n. Herramientas. Soporte.<\/li>
- Principales Lenguajes de programaci\u00f3n para Inteligencia Artificial: Python, R, Java, Javascript, NodeJS, JSON, entre otros.<\/li>
- Lenguajes de marcado. Informaci\u00f3n de sus etiquetas.<\/li><\/ul><\/li>
- Desarrollo de aplicaciones de IA:
- Plataformas de IA: Librer\u00edas. Servicios. Ejemplos (Azzure, AWS. Amazon Alexa, Bixby, Microsoft Cortana, IBM Watson, Google Assistant, entre otras)<\/li>
- Entornos de modelado de IA:
- Herramientas de modelado. Librer\u00edas, algoritmos y modelos predefinidos, recolecci\u00f3n de datos, manipulaci\u00f3n de datos, Evaluaci\u00f3n de resultados. Ejemplos (Azure machine learning studio, SPSS modeler de IBM, Knime, entre otros).<\/li>
- Modelado de redes neuronales. M\u00f3dulos predefinidos. Ejemplos (TensorFlow).<\/li>
- Herramientas de generaci\u00f3n de c\u00f3digo para crear software con comportamiento inteligente.<\/li><\/ul><\/li><\/ul><\/li>
- Evaluaci\u00f3n de la Convergencia tecnol\u00f3gica:
- Conexi\u00f3n entre tecnolog\u00edas: Voz, datos, sonido, im\u00e1genes.<\/li>
- Ventajas de la convergencia tecnol\u00f3gica.<\/li>
- Sistemas de convergencia electr\u00f3nica: Blockchain, IoT, Cloud, entre otros.<\/li>
- Caracter\u00edsticas de Blockchain.<\/li>
- Caracter\u00edsticas de IoT.<\/li>
- Caracter\u00edsticas de Cloud.<\/li>
- Seguridad en la convergencia tecnol\u00f3gica.<\/li><\/ul><\/li>
- Evaluaci\u00f3n de modelos de automatizaci\u00f3n industrial y de negocio:
- Estrategias corporativas. Tendencias.<\/li>
- Modelos de negocio. Tendencias.<\/li>
- Gesti\u00f3n de activos y recursos. Tendencias.<\/li>
- Modelos de automatizaci\u00f3n. Tendencias.<\/li><\/ul><\/li><\/ul>
[\/vc_column_text] [\/vc_accordion_tab] [vc_accordion_tab title=\u00bb5074. Sistemas de Big Data\u00bb] [vc_column_text]<\/p>
Resultados de aprendizaje y criterios de evaluaci\u00f3n:<\/h5>
1. Aplica t\u00e9cnicas de an\u00e1lisis de datos que integran, procesan y analizan la informaci\u00f3n, adaptando e implementando sistemas que las utilicen.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han identificado conceptos b\u00e1sicos de matem\u00e1tica discreta, l\u00f3gica algor\u00edtmica y complejidad computacional, y su aplicaci\u00f3n para el tratamiento autom\u00e1tico de la informaci\u00f3n por medio de sistemas computacionales.<\/li>
- b) Se ha extra\u00eddo de forma autom\u00e1tica informaci\u00f3n y conocimiento a partir de grandes vol\u00famenes de datos.<\/li>
- c) Se han combinado diferentes fuentes y tipos de datos.<\/li>
- d) Se ha construido un conjunto de datos complejos y se han relacionado entre s\u00ed.<\/li>
- e) Se han establecido objetivos y prioridades, secuenciaci\u00f3n y organizaci\u00f3n del tiempo de realizaci\u00f3n.<\/li>
- f) Se han seleccionado e integrado sistemas de informaci\u00f3n que satisfacen las necesidades del problema.<\/li>
- g) Se han determinado criterios de coste y calidad necesarios para la eficacia y eficiencia de la implementaci\u00f3n de un sistema Big Data.<\/li><\/ul><\/li><\/ul>
2. Configura cuadros de mando en diferentes entornos computacionales usando t\u00e9cnicas de an\u00e1lisis de datos.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han clasificado diferentes librer\u00edas e implementaciones de las t\u00e9cnicas de representaci\u00f3n de la informaci\u00f3n.<\/li>
- b) Se ha cruzado informaci\u00f3n sobre el objetivo a conseguir y la naturaleza de los datos.<\/li>
- c) Se ha realizado un cuadro de mandos utilizando t\u00e9cnicas sencillas.<\/li>
- d) Se han utilizado t\u00e9cnicas predictivas complejas para anticiparse a lo que ocurra.<\/li>
- e) Se ha evaluado el impacto del an\u00e1lisis de datos en la consecuci\u00f3n de los objetivos propuestos.<\/li><\/ul><\/li><\/ul>
3. Gestiona y almacena datos facilitando la b\u00fasqueda de respuestas en grandes conjuntos de datos.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han extra\u00eddo y almacenado datos de diversas fuentes, para ser tratados en distintos escenarios.<\/li>
- b) Se ha fijado el objetivo de extraer valor de los datos para lo que es necesario contar con tecnolog\u00edas eficientes.<\/li>
- c) Se ha comprobado que la revoluci\u00f3n digital exige poder almacenar y procesar ingentes cantidades de datos de distinto tipo y descubrir su valor.<\/li>
- d) Se han desarrollado sistemas de gesti\u00f3n, almacenamiento y procesamiento de grandes vol\u00famenes de datos de manera eficiente y segura, teniendo en cuenta la normativa existente.<\/li>
- e) Se han utilizado habilidades cient\u00edficas en entornos de trabajo multidisciplinares.<\/li><\/ul><\/li><\/ul>
4. Eval\u00faa modelos de automatizaci\u00f3n industrial y de negocio relacion\u00e1ndolos con los resultados esperados por las empresas.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han examinado distintos escenarios y tipolog\u00edas de datos no estructurados.<\/li>
- b) Se ha implantado la aplicaci\u00f3n de la BI (Business Intelligence) para la extracci\u00f3n de valor.<\/li>
- c) Se ha reconocido la importancia de almacenar grandes vol\u00famenes de datos de forma distribuida y redundante en un cl\u00faster de m\u00e1quinas.<\/li>
- d) Se han determinado las diferencias en el entorno de aplicaciones relacionadas que facilitan el procesamiento de datos de manera r\u00e1pida, eficiente y eficaz.<\/li>
- e) Se ha comprobado la manera de programar y procesar autom\u00e1ticamente la estructura de datos.<\/li>
- f) Se han valorado las diferentes formas de visualizar los datos que nos interese representar gr\u00e1ficamente, facilitando as\u00ed las tareas de an\u00e1lisis y presentaci\u00f3n de resultados.<\/li><\/ul><\/li><\/ul>
Contenidos:<\/h5>
- Aplicaci\u00f3n de t\u00e9cnicas de integraci\u00f3n, procesamiento y an\u00e1lisis de informaci\u00f3n:
- Conceptos b\u00e1sicos de matem\u00e1tica discreta, l\u00f3gica algor\u00edtmica y complejidad computacional para an\u00e1lisis de datos.<\/li>
- T\u00e9cnicas y procesos de extracci\u00f3n de la informaci\u00f3n de los datos.<\/li>
- Modelado, razonamiento, resoluci\u00f3n de problemas.<\/li>
- An\u00e1lisis en tiempo real.<\/li>
- Costes y calidad asociados al proceso de an\u00e1lisis de la informaci\u00f3n.<\/li><\/ul><\/li>
- Configuraci\u00f3n de cuadros de mando en entornos computacionales:
- T\u00e9cnicas de representaci\u00f3n de informaci\u00f3n. Librer\u00edas e implementaciones. Estructuraci\u00f3n de datos. Objetivos a cumplir.<\/li>
- Cuadro de mando: Fundamentos.<\/li>
- M\u00e9tricas.<\/li>
- Principales m\u00e9todos y algoritmos en la miner\u00eda de datos. Modelos SEMMA Sample, Explore, Modify, Model, Assess) y CRISP-DM (Cross- Industry Standard Process for Data Mining), entre otros.<\/li>
- Fases de los modelos. Valoraci\u00f3n. Interpretaci\u00f3n. Despliegue.<\/li><\/ul><\/li>
- Gesti\u00f3n y almacenamiento de datos. B\u00fasqueda de respuestas en grandes conjuntos de datos:
- Sistemas de gesti\u00f3n Almacenamiento.<\/li>
- Importaci\u00f3n: Flume, Sqoop.<\/li>
- Integraci\u00f3n de datos.<\/li>
- Programaci\u00f3n: R y Python.<\/li><\/ul><\/li>
- Aplicaci\u00f3n de herramientas para la visualizaci\u00f3n de datos:
- Datos no estructurados: Fuentes, tipolog\u00eda.<\/li>
- Inteligencia artificial en el an\u00e1lisis de datos.<\/li>
- Cluster de m\u00e1quinas: Informaci\u00f3n distribuida y redundante.<\/li>
- Herramientas de visualizaci\u00f3n de datos: QlikView, QlikSense, Tableau, Power BI, Domo, Pentaho, MicroStrategy, Business Objects, RJMetrics, Klipfolio, entre otras.<\/li>
- Tendencias de visualizaci\u00f3n de datos.<\/li><\/ul><\/li><\/ul>
[\/vc_column_text] [\/vc_accordion_tab] [vc_accordion_tab title=\u00bb5075. Big Data aplicado\u00bb] [vc_column_text]<\/p>
Resultados de aprendizaje y criterios de evaluaci\u00f3n:<\/h5>
1. Gestiona soluciones a problemas propuestos, utilizando sistemas de almacenamiento y herramientas asociadas al centro de datos.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se ha caracterizado el proceso de dise\u00f1o y construcci\u00f3n de soluciones en sistemas de almacenamiento de datos.<\/li>
- b) Se han determinado los procedimientos y mecanismos para la ingesti\u00f3n de datos.<\/li>
- c) Se ha determinado el formato de datos adecuado para el almacenamiento.<\/li>
- d) Se han procesado los datos almacenados.<\/li>
- e) Se han presentado los resultados y las soluciones al cliente final en una forma f\u00e1cil de interpretar.<\/li><\/ul><\/li><\/ul>
2. Gestiona sistemas de almacenamiento y el amplio ecosistema alrededor de ellos facilitando el procesamiento de grandes cantidades de datos sin fallos y de forma r\u00e1pida.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se ha determinado la importancia de los sistemas de almacenamiento para depositar y procesar grandes cantidades de cualquier tipo de datos r\u00e1pidamente.<\/li>
- b) Se ha comprobado el poder de procesamiento de su modelo de computaci\u00f3n distribuida.<\/li>
- c) Se ha probado la tolerancia a fallos de los sistemas.<\/li>
- d) Se ha determinado que se pueden almacenar tantos datos como se desee y decidir c\u00f3mo utilizarlos m\u00e1s tarde.<\/li>
- e) Se ha visualizado que el sistema puede crecer f\u00e1cilmente a\u00f1adiendo m\u00f3dulos.<\/li><\/ul><\/li><\/ul>
3. Genera mecanismos de integridad de los datos, comprobando su mantenimiento en los sistemas de ficheros distribuidos y valorando la sobrecarga que conlleva en el tratamiento de los datos.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se ha valorado la importancia de la calidad de los datos en los sistemas de ficheros distribuidos.<\/li>
- b) Se ha valorado que a mayor volumen de tratamiento de datos corresponde un mayor peligro relacionado con la integridad de los datos.<\/li>
- c) Se ha reconocido que los sistemas de ficheros distribuidos implementan una suma de verificaci\u00f3n para la comprobaci\u00f3n de los contenidos de los archivos.<\/li>
- d) Se ha reconocido el papel del servidor en los procesos previos a la suma de verificaci\u00f3n.<\/li><\/ul><\/li><\/ul>
4. Realiza el seguimiento de la monitorizaci\u00f3n de un sistema, asegurando la fiabilidad y estabilidad de los servicios que se proveen.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han aplicado herramientas de monitorizaci\u00f3n eficiente de los recursos.<\/li>
- b) Se han recogido m\u00e9tricas, procesamiento y visualizaci\u00f3n de los datos.<\/li>
- c) Se han generado alertas para detectar un riesgo o mal funcionamiento.<\/li>
- d) Se ha comprobado que las herramientas usadas ofrecen un rendimiento elevado con rapidez.<\/li>
- e) Se ha comprobado la fiabilidad de los datos seg\u00fan respuestas.<\/li>
- f) Se ha analizado la estabilidad de servicios.<\/li><\/ul><\/li><\/ul>
5. Valida las t\u00e9cnicas de Big Data para transformar una gran cantidad de datos en informaci\u00f3n significativa, facilitando la toma de decisiones de negocios.<\/p>
Criterios de evaluaci\u00f3n:<\/strong><\/p>
- a) Se han seleccionado gran cantidad de datos estructurados y no estructurados para reforzar la funci\u00f3n de BI.<\/li>
- b) Se ha realizado la limpieza y transformaci\u00f3n de datos en base a los objetivos predeterminados.<\/li>
- c) Se ha comprobado que el Big Data multiplica la relevancia y la utilidad del BI para el negocio.<\/li>
- d) Se han conjugado dentro de un modelo de empresa datos de clientes, financieros de ventas, de productos, de marketing, de redes sociales, de la competencia, entre otros, para extraer un an\u00e1lisis valioso y efectivo para el negocio.<\/li>
- e) Se ha evaluado e interpretado la informaci\u00f3n extra\u00edda de los datos y su influencia en el triunfo de diferentes negocios.<\/li>
- f) Se ha simulado la implantaci\u00f3n de un modelo de Inteligencia de negocios BI.<\/li><\/ul><\/li><\/ul>
Contenidos:<\/h5>
- Gesti\u00f3n de soluciones con sistemas de almacenamiento y herramientas del centro de datos para la resoluci\u00f3n de problemas:
- Almacenamiento de datos masivo.<\/li>
- Procesamiento de datos.<\/li>
- Anal\u00edtica de Big Data en los ecosistemas de almacenamiento.<\/li>
- Big Data y Cloud.<\/li><\/ul><\/li>
- Gesti\u00f3n de sistemas de almacenamiento y ecosistemas Big Data:
- Computaci\u00f3n distribuida. Computaci\u00f3n paralela.<\/li>
- Sistemas de almacenamiento distribuidos. Tolerancia a fallos.<\/li>
- Herramientas:
- Map Reduce.<\/li>
- Pig, Hive, Flume.<\/li>
- Sqoop, Oozie.<\/li>
- Automatizaci\u00f3n de Jobs.<\/li>
- Consultas Pig y Hive.<\/li>
- Otras herramientas.<\/li><\/ul><\/li><\/ul><\/li>
- Generaci\u00f3n de mecanismos de Integridad de los datos. Comprobaci\u00f3n de mantenimiento de sistemas de ficheros:
- Calidad de los datos.<\/li>
- Comprobaci\u00f3n de la integridad de datos de los sistemas de ficheros distribuidos. Sumas de verificaci\u00f3n.<\/li>
- Movimiento de datos entre clusters. Actualizaci\u00f3n y migraci\u00f3n. Metadatos.<\/li><\/ul><\/li>
- Monitorizaci\u00f3n, optimizaci\u00f3n y soluci\u00f3n de problemas:
- Gesti\u00f3n de soluciones con sistemas de almacenamiento y herramientas del centro de datos para la resoluci\u00f3n de problemas:
- Aplicaci\u00f3n de t\u00e9cnicas de integraci\u00f3n, procesamiento y an\u00e1lisis de informaci\u00f3n:
- Caracterizaci\u00f3n de lenguajes de programaci\u00f3n:
- Inteligencia Artificial D\u00e9bil:
- Caracterizaci\u00f3n de la Inteligencia Artificial fuerte y d\u00e9bil:
- Caracterizaci\u00f3n de sistemas de Inteligencia Artificial: