Curso online    Inscripción gratuita

Machine Learning para desarrolladores

Aprende las herramientas y las plataformas más utilizadas en la construcción, modelado y evaluación de aplicaciones de Inteligencia Artificial.

Machine Learning

La Inteligencia Artificial (IA) es una de las disciplinas que más rápidamente van a influir en la transición hacia una nueva sociedad y una nueva economía. De hecho, el mercado mundial de IA se valoró en el año 2109 en 23.000 millones de euros y se prevé que se multiplique por 10 en 2027.

A medida que el impacto de la IA va en aumento, las empresas se ven en la necesidad de comprender su papel como fuerza disruptiva, su potencialidad y sus aplicaciones como motor para la creación de valor.

La proliferación de datos masivos, complejos y heterogéneos, el abaratamiento de los costes de almacenamiento y computación, así como la aparición de nuevas y potentes herramientas, hacen que la IA esté al alcance de cualquier compañía.

Ante esta nueva realidad, las personas que se dedican al desarrollo de aplicaciones tienen una gran oportunidad para formarse e introducirse en el campo de la Inteligencia Artificial para su uso como palanca de negocio.

¿Qué vas a aprender?

El objetivo de este curso es conocer las herramientas más utilizadas en la construcción de aplicaciones de IA: R, Python y las plataformas de desarrollo que simplifican el modelado y evaluación de las soluciones.

Está dirigido a profesionales que desean obtener una perspectiva práctica y de aplicación de las nuevas técnicas de Inteligencia Artificial a través de casos concretos en diferentes sectores empresariales y sociales, con el claro objetivo de obtener una ventaja competitiva y aportar valor.

De esta forma, los asistentes podrán:

  • Conocer las herramientas más representativas del mercado que se están utilizando actualmente en el mundo para el desarrollo de aplicaciones de IA.
  • Identificar soluciones a problemas de negocio mediante diferentes técnicas de IA.
  • Practicar de forma sencilla y gratuita la programación aplicada a problemas de negocio concretos.
  • Recorrer un amplio abanico de casos de uso correspondientes a muchos segmentos empresariales.
  • Resolver dudas técnicas sobre la implementación de soluciones e interactuar con expertos en la materia.
  • Averiguar cómo integrar soluciones de IA dentro del esquema general de procesos de las compañías.
  • Aprender a gestionar proyectos de IA para su aplicación posterior en sus empresas o instituciones.
  • Plazo de admisiones hasta el 5 de octubre
  • Plazas limitadas
  • Inicio curso: 6 de octubre
  • Fin curso: 15 de diciembre
  • Certificado emitido por la EOI
  • Curso 100% online
  • Aprox. 50 horas para completar
  • Nivel avanzado
  • Idioma español

Equipo docente

Juan Ignacio de Arcos

Juan Ignacio de Arcos

Director del curso. Ingeniero Superior Industrial por la ETSII de Sevilla y PMP por el Project Management Institute. Director Académico de los Programas Ejecutivos de Big Data & Business Analytics, Inteligencia Artificial & Deep Learning y Machine Learning e Inteligencia Artificial en Andalucía y Canarias para la Escuela de Organización Industrial y asesora empresas tecnológicas de nueva creación en Andalucía dentro de los espacios Coworking y Transformación Digital de la propia EOI.

Javier Abascal

Javier Abascal

Trabaja actualmente como Privacy Data Engineer en Privitar (Londres). Su carrera profesional se ha centrado en una mezcla entre consultor de negocios y tecnológico tanto en grandes compañías como en start-ups. En su trabajo ha podido tratar con PTB de información y realizar multitud de procesamiento de ellos, entre ellos para la famosa compañía Facebook.

David Gálvez

David Gálvez

Profesor de la Universidad de Sevilla en el Departamento de Estadística e Investigación Operativa. Director de Data Science e IA de Agilia Center y fundador de la compañía de desarrollo de algoritmos de toma de decisiones empresariales Avocado Labs Decision Making S.L.

Andrés González

Andrés González

Ingeniero de Telecomunicaciones y ha desarrollado su carrera profesional desde sus inicios en el ámbito tecnológico en empresas multinacionales y del sector financiero. Actualmente es Chief Technology Officer y socio cofundador de CleverData.io, startup tecnológica centrada en sacar partido de los datos para ofrecer valor al negocio. En ella lidera un equipo de profesionales que desarrollan sistemas predictivos a medida basados en Machine Learning.

Pedro Muñoz

Pedro Muñoz

CEO y Data Scientist en WhiteBoxᴹᴸ. Su stack tecnológico abarca varias ramas del Machine Learning entre las que se encuentran Computer Vision o NLP, teniendo especial importancia el Reinforcement Learning, área en la que es campeón de España de la AWS Deepracer. Entre sus clientes se encuentran importantes empresas españolas como Iberdrola o Ferrovial, así como varias startups de San Francisco.

David A. Cañones

David A. Cañones

Comenzó su carrera profesional en el mundo de los Datos en 2015 en Grupo Servinform, donde participó como uno de los primeros Data Scientists de la compañía en proyectos de optimización de procesos, así como en proyectos de I+D en el sector Salud. En 2017 dio el salto a Madrid para trabajar en Kernel Analytics y Pragsis Bidoop, participando en proyectos de analítica avanzada en el sector de las telecomunicaciones y energético. En 2019 creó WhiteBoxᴹᴸ, su propio proyecto de consultoría, especializado en analítica predictiva y contando entre sus clientes con empresas como Ferrovial, Iberdrola o Vodafone. Profesor en el programa de Data & Analytics de Ironhack.

Mario Rivas

Mario Rivas

Doctorado en Ingeniería Informática (Deep learning) por la UCA, Master en Ingeniera química por la UCA, Master en Innovación por la EOI e Ingeniero Informático Superior por la UCA. Actualmente compatibiliza su trabajo como Ingeniero de I+D en la empresa Itelligent con su docencia en la Universidad de Cádiz. Mario cuenta con amplia experiencia en el desarrollo de plataformas de datos que requieren el uso de modelos de PLN, Inteligencia Artificial y técnicas de Big Data.

Wolfram Rozas

Wolfram Rozas

Economista cuantitativo. En IBM es Business Development Executive en Cognitive Solutions y lidera la industria de Energy & Utilities. Director Académico en la EOI de los programas ejecutivos de Big Data & Business Analytics y de Inteligencia Artificial & Deep Learning en Madrid. Es ponente habitual en Escuelas de Negocios y Universidades en seminarios sobre Big Data, Machine Learning o Deep Learning.

¿A quién va dirigido?

Dirigido a personas autónomas y profesionales de empresas del sector TIC andaluz cuya actividad principal es el desarrollo de software.

Para el correcto desarrollo del curso es necesario disponer de los siguientes conocimientos previos:

  • Programación (definiciones, invocaciones, funciones, listas, condicionales…), con experiencia práctica programando (con especial énfasis en Python y/o R). La lectura de código no debe representar un problema.

  • Conveniente tener conocimientos básicos de matemáticas y especialmente álgebra (variables, coeficientes, ecuaciones lineales, logaritmos, derivadas, gráficos de funciones…).

No son necesarios conocimientos previos de Machine Learning.

Contenido del curso

Lenguaje de programación R

  • R y RSudio
  • Instalación
  • Fuentes de datos
  • Librerías
  • Primeros pasos con R
  • R dataframe
  • Gráficos y visualización

Lenguaje de programación Python

  • Introducción a Python y a Jupyter Notebook
  • Instalación y puesta a punto del entorno
  • Introducción a Numpy: Instalacion y uso
  • Introducción a Pandas: Instalación y uso
  • Introducción a SciPy: Instalación y uso
  • Introducción a Scikit-Learn: Instalacion y uso

Frameworks: PyTorch, Tensorflow, Keras

  • Descripción de cada uno de los frameworks
  • Instalación de librerías
  • Casos de uso para Deep Learning

Machine Learning Supervisado

  • Los conceptos básicos de ML
  • La importancia de los datos en cualquier proyecto de ML
  • Las fases de un proyecto de ML
  • El formato de los datos
  • Algoritmos supervisados más usados
  • Cómo hacer modelos de ML sin tener que programar
  • Cómo hacer modelos de ML programando
  • Cómo evaluar el rendimiento de un modelo supervisado

Machine Learning No Supervisado

  • Algoritmos de segmentación (clustering) para segmentar una cartera de clientes
  • Modelado de tópicos para encontrar temas en miles de documentos
  • Análisis de la cesta de la compra para diseñar ofertas de productos
  • Detección de anomalías para la prevención de fraude

Sesión 1 | 6 de octubre de 9:00 a 14:00 horas

  • Apertura Institucional
  • Charlas Magistrales sobre el estado del arte en IA
  • Introducción a la IA
  • IA, ML y Algoritmos: definiciones y relaciones
  • El mapa del Machine Learning
  • Métodos de ML supervisados:clasificación, regresión
  • Métodos de ML no supervisados: clusters, reducción de dimensión
  • Métodos de ML basados en redes neuronales y Deep Learning: Perceptrones, autoencoders, RNN y CNN
  • Métodos de ML ensemble: Bootstrap, Boosting, bagging, stacking
  • Herramientas: Lenguajes de programación (Python, R), software interfaz (BigML, TensorFlow, AWS)

Sesión 2 | 20 de octubre de 17:00 a 20:00 horas

  • R en la práctica
  • Manipulación con dataframes avanzada
  • Machine Learning con R

Sesión 3 | 3 de noviembre de 17:00 a 20:00 horas

  • Python en la práctica
  • Práctica 1: Desarrollo de un recomendador de moda desde información textual a información visual mediante CNN
  • Práctica 2: Desarrollo de un sistema de búsqueda de recursos turísticos basada en Deep Learning (embeddings) utilizando textos informales (comentarios).

Sesión 4 | 17 de noviembre de 17:00 a 20:00 horas

  • Frameworks en la práctica (I)

Sesión 5 | 20 de noviembre de 17:00 a 20:00 horas

  • Frameworks en la práctica (II)

Sesión 6 | 10 de diciembre de 17:00 a 20:00 horas

  • Casos de uso de Machine Learning en diversas industrias

Sesión 7. Clausura | 15 de diciembre

  • El nacimiento de la Empresa Cognitiva
  • Reinforcement Learning (RL) y Redes Adversariales (GAN)