Inteligencia artificial aplicada a la empresa. IFCT0019.

Este Manual es el más adecuado para impartir la especialidad formativa IFCT0019 "Inteligencia artificial aplicada a la empresa" y cumple fielmente con los Conocimientos / Capacidades cognitivas y prácticas de su Programa formativo. Puede solicitar gratuitamente las soluciones a todas las actividades y al examen final en el email [email protected] Capacidades que se adquieren con este Manual: Aplicar en empresas conocimientos acerca de la inteligencia artificial, sus diversas ramas y más específicamente aquellas relacionadas con Big Data, Deep Learning y los algoritmos relacionados con estas nuevas tecnologías. Índice: Introducción 7 Introducción a la inteligencia artificial 9 1. Definición e historia de la inteligencia artificial. 10 1.1. Concepto general de inteligencia artificial. 10 1.2. Diferencia entre automatización, digitalización e inteligencia artificial. 12 1.3. Objetivos de la IA en entornos empresariales. 15 1.4. Breve evolución histórica de la IA. 17 1.5. Etapas principales en el desarrollo de la inteligencia artificial. 19 1.6. Del enfoque simbólico a los modelos basados en datos. 21 1.7. Hitos tecnológicos más relevantes en la evolución de la IA. 23 1.8. La IA en la empresa: de promesa tecnológica a herramienta operativa. 25 1.9. Mitos y realidades sobre la inteligencia artificial. 28 1.10. Ventajas, limitaciones y expectativas realistas. 30 2. Identificación de las ramas de la IA y sus algoritmos. 33 2.1. Principales ramas de la inteligencia artificial. 33 2.2. Machine Learning como rama aplicada de la IA. 35 2.2.1. Deep Learning y redes neuronales. 37 2.3. Procesamiento del lenguaje natural. 39 2.4. Visión por computador. 40 2.5. Sistemas expertos y representación del conocimiento. 42 2.6. Robótica inteligente y automatización avanzada. 45 2.7. IA generativa y modelos fundacionales. 47 2.8. Algoritmos de clasificación. 50 2.9. Algoritmos de regresión. 53 2.10. Algoritmos de agrupamiento. 55 2.11. Algoritmos de recomendación. 57 2.12. Algoritmos de búsqueda, optimización y heurísticas. 60 2.13. Criterios para elegir una técnica de IA en función del problema empresarial. 63 3. Uso del Machine/Deep Learning. 67 3.1. Qué es aprender a partir de datos. 67 3.2. Diferencia entre Machine Learning y Deep Learning. 69 3.3. Tipos de aprendizaje automático. 71 3.4. Fases de un proyecto de Machine Learning. 73 3.5. Recogida, limpieza y preparación de datos. 75 3.6. Selección de variables y construcción del conjunto de datos. 77 3.7. Entrenamiento, validación y prueba. 79 3.8. Métricas básicas de evaluación de modelos. 80 3.9. Problemas frecuentes: sobreajuste, infraajuste y sesgos. 84 3.10. Casos de uso empresariales de Machine Learning. 88 3.11. Casos de uso empresariales de Deep Learning. 89 4. Conocimiento acerca del Big data como el cambio en la IA. 92 4.1.1. Qué se entiende por Big Data. 92 4.1.2. Las características del Big Data. 95 4.1.3. Relación entre Big Data e inteligencia artificial. 98 4.2. Por qué el crecimiento del dato ha impulsado la IA actual. 100 4.3. Fuentes de datos en la empresa. 103 4.4. Datos estructurados, semiestructurados y no estructurados. 105 4.5. Calidad del dato y gobernanza. 107 4.6. Infraestructuras y ecosistemas de datos. 110 4.7. Analítica descriptiva, predictiva y prescriptiva. 114 4.8. Big Data en la toma de decisiones empresariales. 115 4.9. Riesgos asociados al tratamiento masivo de datos. 118 4.10. Privacidad, seguridad y cumplimiento normativo. 120 4.11. Ejemplos empresariales de integración entre Big Data e IA. 123 5. Caso práctico de la unidad. 127 6. Resumen de la unidad. 128 Actividades de autoevaluación 129 Test de autoevaluación 130 Aplicación del algoritmo de inteligencia artificial 132 1. Uso en el Machine Learning: modelos supervisados. 133 1.1. Qué es el aprendizaje supervisado. 133 1.2. Estructura de un problema supervisado. 134 1.3. Variables de entrada y variable objetivo. 137 1.4. Modelos de clasificación. 140 1.5. Modelos de regresión. 143 1.6. Árboles de decisión. 145 1.7. Random Forest. 148 1.8. Máquinas de soporte vectorial. 151 1.9. K vecinos más cercanos. 153 1.10. Regresión lineal y regresión logística. 156 1.11. Naive Bayes. 158 1.12. Evaluación de modelos supervisados. 161 1.13. Matriz de confusión, precisión, recall y F1. 163 1.14. Aplicaciones empresariales de los modelos supervisados. 166 1.15. Errores habituales en proyectos de predicción empresarial. 168 2. Uso en el Machine learning: modelos no supervisados. 173 2.1. Qué es el aprendizaje no supervisado. 173 2.2. Agrupamiento o clustering. 176 2.3. K-means y otros métodos de agrupación. 179 2.4. Reducción de dimensionalidad. 182 2.5. Detección de anomalías. 184 2.6. Reglas de asociación. 187 2.7. Segmentación de clientes y patrones de comportamiento. 189 2.8. Uso empresarial del análisis exploratorio automatizado. 192 2.9. Ventajas y limitaciones del aprendizaje no supervisado. 194 2.10. Interpretación de resultados en entornos reales de negocio. 197 3. Aprendizaje por refuerzo 201 3.1. Concepto de agente, entorno, estado y acción. 201 3.2. Sistema de recompensas. 203 3.2.1. Diferencias entre aprendizaje supervisado, no supervisado y por refuerzo. 206 3.3. Estrategias de exploración y explotación. 209 3.4. Política y función de valor. 211 3.5. Ejemplos sencillos de aprendizaje por refuerzo. 214 3.6. Limitaciones prácticas del aprendizaje por refuerzo en la empresa. 216 4. Modelos profundos (Deep learning). 219 4.1. Fundamentos del aprendizaje profundo. 219 4.2. Concepto y estructura de una red neuronal artificial. 222 4.3. Proceso de entrenamiento de redes neuronales. 225 4.4. Funciones de activación. 228 4.5. Retropropagación y ajuste de pesos. 230 4.6. Redes neuronales convolucionales. 231 4.7. Redes neuronales recurrentes y secuenciales. 233 4.8. Transformadores y modelos actuales. 236 4.9. Aplicaciones empresariales del Deep Learning. 238 4.10. Ventajas y necesidades de infraestructura. 241 4.11. Riesgos de opacidad e interpretabilidad. 244 5. Asimilación de ejemplos con Weka/Orange. 247 5.1. Presentación de Weka y Orange como herramientas de aprendizaje. 247 5.2. Entorno de trabajo. 250 5.3. Importación de conjuntos de datos. 253 5.4. Preparación básica de datos en Weka. 256 5.5. Preparación básica de datos en Orange. 259 5.6. Ejemplo práctico de clasificación. 261 5.7. Ejemplo práctico de regresión. 263 5.8. Ejemplo práctico de clustering. 265 5.9. Visualización e interpretación de resultados. 266 5.10. Comparación entre ambas herramientas. 269 5.11. Traslado de los resultados a un contexto empresarial. 271 6. Caso práctico de la unidad. 274 7. Resumen de la unidad. 275 8. Actividades de autoevaluación. 276 9. Test de autoevaluación. 277 Resumen del módulo 279 Test de evaluación final 280 Glosario de términos 283