• Definición de  IA – Machine Learning y Deep Learning.
• La neurona biológica y la neurona artificial.
• Arquitectura de las Redes Neuronales.
• Aprendizaje en las Redes Neuronales.
• Funciones de activación, Funciones de costo.
• Optimización de parámetros: Gradiente de Descenso.

• Algoritmo BackPropagation y Feed Forward.
• Frameworks de trabajo: Keras y Tensor Flow.
• Construyendo una red neuronal artificial.
• Entrenamiento y ajuste en redes neuronales artificiales.
• Evaluación y Mejora en el aprendizaje de redes neuronales artificiales.
• Ejemplos de Aplicaciones de Redes Neuronales Artificiales
• Desarrollo de Caso Aplicado

• CNN: Redes neuronales convolucionales.
• CNN para Clasificación.
• Arquitectura CNN. Convolución y Rectified Linear Unit (ReLU).
• Capa de Reducción o pooling.
• Flatenning o vectorización de salidas.
• Desarrollo de Caso Aplicado

• RNN: Redes neuronales recurrentes.
• Procesos no markovianos o dependencia temporal. Series temporales.
• Arquitecturas de memoria recurrente.
• Exploding Gradients y Vanishing Gradients.
• Redes LSTM (Long Short – Term Memory).
• Desarrollo de Caso Aplicado

• Definición de  Autoencoders
• Sectores de aplicación de Autoencoders
• Definición de  Boltzman Machine
• Sectores de aplicación de Boltzman Machine

Técnicas básicas de Text mining  

• Taller: Análisis de textos por frecuencia. Implementación de nube de palabras con Python e interpretación. 
• Taller: Análisis de textos por secuencia. Implementación de Bigramas con Python e interpretación. 

 Técnicas de preprocesamiento de textos 

• Análisis de textos por frecuencia: 

• Taller: Técnica visual “Cloud words” (Python). Pros y contras de la técnica. 
• Taller: Técnica tabular basada en recuento simple “Bag of words” (Python). Pros y contras de la técnica.  
• Taller: Técnica tabular basada en recuento con pesos “TF-IDF” (Python). 

• División de textos: 

• Taller: Tokenization de textos (Python). Pros y contras de la técnica. 

• Eliminación de textos comunes y reducciones: 

• Taller: Eliminación de “Stop words” (Python). 
• Taller: Reducción de textos con la técnica “Stemming” (Python). 
• Taller: Reducción de textos con la técnica “Lemmatization” (Python). 

• Codificación de textos 

• Taller: Codificación de textos basado en “Word embeddings (Python). 

 Procesamiento de lenguaje natural 

• Taller: Aprendizaje No supervisado basado en Topic Modeling: Latent Semantic Analysis (LSA) con Python. 
• Taller: Aprendizaje No supervisado basado en Topic Modeling: Latent Dirichlet Analysis (LDA) con Python. 
• Taller: Implementación de un proyecto de análisis de sentimiento con Python. 

• Introducción a las series de tiempo
• Modelos de series de tiempo con RNN y LSTM
• Pre-procesamiento y entrenamiento del modelo
• Desarrollo del modelo
• Evaluación de modelos y predicciones
• Desarrollo de Caso Aplicado

• Cloud Computing + IA
• Introducción al Cognitive Services: Voz, Languaje y Visión
• Explore IA Services in Microsoft Azure
• Explore IA Services in GCP
• Explore IA Services in Microsoft AWS