En este módulo tendrás una visión global de la IA y los campos de aplicaciones. Se explicarán qué técnicas existen, los algoritmos de búsqueda, algoritmos evolutivos, Machine Learning… Y las aplicaciones Pre-procesamiento del lenguaje natural, tokenización, etc.

Se estudia  cómo implementar la planificación automática con el lenguaje de definición del dominio de planificación PDDL (gramática, analizador del lenguaje, estructuras de almacenamiento etc.)

Se diseñan sistemas robotizados con el simulador Coppelia Sim. Se ve lógica borrosa y soft computing, y elaboración de sistemas expertos con Clips.

En el módulo de MIA se utiliza el lenguaje de programación Python con el servicio Google Colab que permite escribir y ejecutar código arbitrario de Python en el navegador.

Se utiliza el lenguaje de programación Python y el servicio Google Colab para resolver todo tipo de problemas de aprendizaje automático, aplicando técnicas y algoritmos muy diversos.

Se evalúa la calidad de los resultados con medidas cuantitativas. De esta forma, se puede elegir el mejor algoritmo y los valores óptimos para sus parámetros de configuración.

¿Qué algoritmos aprenderemos?

1. Para problemas de clasificación, se aplican clasificadores lineales, k-NN, clasificadores bayesianos, árboles de decisión, y métodos de conjunto como RandomForest y AdaBoost.
2. Para problemas de regresión, se utiliza regresión lineal, regresión basada en árboles de decisión, entre otros.
3. Para aprendizaje no supervisado, se utilizan diversos algoritmos de clustering como k-Means, DBSCAN DBSCAN y clustering jerárquico. Se complementa con técnicas para reducción de la dimensionalidad como PCA (análisis de componentes principales).
4. Deep learning con redes neuronales multinivel para problemas de clasificación y de regresión.

El primer aprendizaje será el tratamiento y limpieza de grandes volúmenes de datos utilizando R (tidy,dplyr, stringr, readr, purr) y Python (numpy, pandas).

A continuación hay que aplicar técnicas de reducción de dimensionalidad para convertir un conjunto de datos de dimensiones elevadas en un conjunto de datos de dimensiones menores, asegurando que la información que proporciona en similar en ambos casos. Se utilizarán técnicas  como PCA, t-SNE y LDA en conjunto a la aplicación de técnicas clásicas de Machine Learning como árboles (j48,CART, ID3), métodos bayesianos, máquinas de vectores de soporte, etc. Y otros métodos más avanzados que utilizan bagging o boosting (XGBoost, AdaBoost, GBM, RF).

Se verán técnicas de convergencia digital y tecnológica, es que capaz de integrar todos los elementos tecnológicos  de la computación y la información en un objetivo:

• NLTK, Whoosh, TextBlob y Spacy para procesamiento de lenguaje natural.
• BautifulSoup y RE para la extracción de contenidos y datos de páginas web o webscraping.
• Gensim, word2vec, Elmo, Glove y Fasttext para análisis semántico.
• openCV para procesamiento de imágenes.
• Redes neuronales y los modelos preentrenados para análisis de gramáticas, para supercompresión de datos, clasificación de imágenes, para la  segmentación de imágenes y reconocimiento de objetos etc.

Finalmente se tratarán los sistemas de aprendizaje o Deep Learning con las herramientas más utilizadas: Tensorflow y keras.

La creciente digitalización de nuestras sociedades está generando grandes volúmenes de datos. Los sistemas de Big Data (BD) están diseñados para procesar estos datos y obtener información relevante de ellos. Hoy en día existen aplicaciones de los sistemas BD en todos los sectores económicos y es por tanto un sector en continuo auge en el mercado laboral. Este módulo profesional contiene la formación necesaria para desempeñar las funciones de integrar, procesar y analizar la información de grandes volúmenes de datos, aplicando herramientas y técnicas de BD para su visualización, valoración y presentación de resultados en la toma de decisiones de las empresas y organizaciones. Las funciones antes citadas incluye aspectos como: