Temario: Curso de Inteligencia Artificial

Capítulo 1: Introducción a la Inteligencia Artificial

• ¿Qué es la Inteligencia Artificial (IA)?
• Historia y evolución de la IA.
• Aplicaciones de la IA en la vida cotidiana.
• Tipos de IA: débil, fuerte y superinteligencia.
• Ética y desafíos en la IA.

Capítulo 2: Fundamentos Matemáticos y Estadísticos

• Álgebra lineal para IA: vectores, matrices y operaciones.
• Cálculo diferencial e integral: gradientes y optimización.
• Probabilidad y estadística: distribuciones, teorema de Bayes.
• Introducción a la teoría de la información.

Capítulo 3: Aprendizaje Automático (Machine Learning)

• ¿Qué es el Machine Learning (ML)?
• Tipos de aprendizaje: supervisado, no supervisado y por refuerzo.
• Proceso de un proyecto de ML: recopilación de datos, entrenamiento y evaluación.
• Herramientas y frameworks populares (Scikit-learn, TensorFlow, PyTorch).

Capítulo 4: Redes Neuronales y Deep Learning

• Introducción a las redes neuronales artificiales.
• Estructura de una red neuronal: capas, neuronas y funciones de activación.
• Conceptos de Deep Learning: redes convolucionales (CNN) y redes recurrentes (RNN).
• Aplicaciones de Deep Learning: visión por computadora, procesamiento de lenguaje natural (NLP).

Capítulo 5: Procesamiento de Lenguaje Natural (NLP)

• Introducción al NLP y sus desafíos.
• Técnicas básicas: tokenización, stemming y lematización.
• Modelos de lenguaje: n-gramas, TF-IDF, Word2Vec.
• Aplicaciones: chatbots, traducción automática y análisis de sentimientos.

Capítulo 6: Visión por Computadora (Computer Vision)

• Fundamentos de la visión por computadora.
• Técnicas de procesamiento de imágenes: filtros, detección de bordes.
• Redes convolucionales (CNN) para clasificación y detección de objetos.
• Aplicaciones: reconocimiento facial, vehículos autónomos.

Capítulo 7: Aprendizaje por Refuerzo (Reinforcement Learning)

• Conceptos básicos del aprendizaje por refuerzo.
• Agentes, entornos y recompensas.
• Algoritmos clave: Q-Learning y Deep Q-Networks (DQN).
• Aplicaciones: juegos, robótica y optimización.

Capítulo 8: Big Data y IA

• Relación entre Big Data e IA.
• Técnicas para el manejo de grandes volúmenes de datos.
• Herramientas: Hadoop, Spark y bases de datos NoSQL.
• Aplicaciones de IA en análisis de datos masivos.

Capítulo 9: Ética y Responsabilidad en IA

• Sesgos en los algoritmos de IA.
• Privacidad y seguridad en sistemas de IA.
• Impacto social y laboral de la IA.
• Marcos regulatorios y buenas prácticas.

Capítulo 10: Futuro de la Inteligencia Artificial

• Tendencias actuales en IA: GPT, transformers, modelos generativos.
• IA explicable (XAI) y transparencia.
• Singularidad tecnológica y el futuro de la humanidad.
• Proyectos prácticos y oportunidades de carrera en IA.

Actividades Prácticas (Opcional)

• Proyectos guiados: creación de un chatbot, clasificación de imágenes, etc.
• Competencias de Kaggle para aplicar lo aprendido.
• Desarrollo de un portafolio de proyectos de IA.