Impulsa tu Empresa con IA: Algoritmos, Productividad, Seguridad y Cumplimiento Normativo

Informática y programación Online 250 horas
Impulsa tu Empresa con IA: Algoritmos, Productividad, Seguridad y Cumplimiento Normativo

74078

Informática y programación

Online

Objetivos del Curso

  • Conocer todas las nociones y características de las IA y su aplicación directa en algoritmos.
  • Dotar a los profesionales y equipos de una pyme de las competencias prácticas y normativas necesarias para integrar herramientas de inteligencia artificial generativa en su operativa diaria (administración, operaciones, marketing y atención al cliente) de forma eficiente, garantizando la confidencialidad de los datos internos y el estricto cumplimiento del Reglamento Europeo de Inteligencia Artificial (AI Act).

Contenidos del Curso

Módulo 1. Nociones y antecedentes de la Inteligencia Artificial

Unidad 1: Nociones y antecedentes.
1. Nociones y antecedentes. En la Antigüedad.
2. Leonardo da Vinci: Autómata Cavaliere y el león mecánico.
3. Nociones.
3.1. Norbert Wiener, Warren McCulloch y Walter Pitts.
4. Alan Turing.
4.1. Premio Loebner y los Chatbots.
5. Reconocimiento.
6. Ajedrez.
6.1. Microprocesadores y Deep Blue.
7. Lenguaje Natural: fases 1 y 2.
8. Lenguaje Natural: fases 3 y 4.
9. ¿Inteligencia Artificial o programa informático?
10. Nuevo auge.


Módulo 2. Características de la Inteligencia Artificial

Unidad 1: Características de la IA.
1. Características de la IA.
1.1. Situaciones en las que podemos aplicar la IA.
1.2. Características comunes de la Inteligencia Artificial.
2. Las redes neuronales.
2.1. Imita el cerebro humano.
2.2. Ventajas de las redes neuronales.
3. Machine Learning (ML). Supervisado y sin supervisión.
3.1. Machine Learning (ML). Semisupervisado y uso de refuerzo.

4. Automatización de procesos.
5. Función 24x7.
6. Precisión absoluta.
7. Gestión de datos abundantes.
7.1. Hablemos más de datos.
7.2. Datos estructurados vs no estructurados.
8. Retos. Datos y personal.
8.1. Retos. Coste y sof tware

Módulo 3. Símbolos y métodos numéricos en IA

Unidad 1: Símbolos y métodos numéricos
1. Símbolos y métodos numéricos. Introducción a la Inteligencia Artificial débil.
1.1. Introducción. Inteligencia Artificial fuerte.
1.2. Introducción. Sistemas expertos y lenguajes modernos.
2. Sistemas expertos.
2.1. Sistemas expertos. Clasificación.
2.2. Sistemas expertos. Funcionamiento.
2.3. Sistemas expertos. Primera y segunda generación.
2.4. Sistemas expertos. Tercera generación y lógica difusa.
2.5. Sistemas expertos. Tareas.
2.6. Caja negra y caja de cristal.
2.7. Caja negra y caja de cristal. Ejemplos y conclusiones.
3. Lógica proposicional.
3.1. Lenguaje de la representación del conocimiento.
3.2. Sintaxis de la lógica proposicional.
3.3. Semántica de la lógica proposicional.
4. Tablas de verdad.
4.1. Inferencia o razonamiento.
5. Lenguajes de desarrollo de la IA.
5.1. Lenguajes de desarrollo de la IA. LISP y PROLOG 

5.2. Funcionamiento de LISP y PROLOG.

Módulo 4. Fórmulas y funciones aplicadas en IA

Unidad 1: Fórmulas y funciones.
1. Introducción. Lógica proposicional.
1.1. Introducción. Lógica de predicados.
1.2. Introducción. Otros modelos de lógica.
2. Lógica proposicional. Elementos.
2.1. Conectores.
2.2. Fórmulas bien formadas.
3. Lógica de predicados. Lógica de primer orden.
3.1. Componentes.
3.2. Formulas Bien Formadas (FBF).
3.3. Alfabeto de la lógica de primer orden.
3.4. Alfabeto de la lógica de primer orden.
3.5. Oraciones del lenguaje de primer orden.
3.6. Semántica de primer orden.
3.7. Interpretación de un lenguaje de primer orden.
3.8. Verdad en una interpretación.
3.9. Modelos y satisfacibilidad.
4. Sistemas deductivos. Objetivo.
4.1. Hilbert y su sistema.
4.2. Reglas de Inferencia.
4.3. Teorema de la deducción.
4.4. Sistemas formales y la incompletitud de Gödel.
4.5. Teorema de Gödel sobre la incompletitud de los
sistemas formales.
4.6. Conclusión.

Módulo 5. Algoritmos

Unidad 1: Algoritmos.
1. Introducción. Algoritmos I.
1.1. Introducción. Algoritmos II.
2. Aprendizaje automático supervisado. Contexto.
2.1. Redes neuronales artificiales.
2.2. Algoritmos de clasificación.
2.3. Árboles de decisión.
2.4. Algoritmos de regresión.
3. Aprendizaje automático NO supervisado. Contexto.
3.1. Aprendizaje por refuerzo (Reinforcement Learning).
3.2. Algoritmos genéticos.
3.3. Algoritmos de clustering.
3.4. Reducción de dimensionalidad.
4. Minería de datos. Contexto.
4.1. Relación entre minería de datos e IA.
4.2. Algoritmos de detección de anomalías.
4.3. Algoritmos de minería de datos.
4.4. Algoritmos de selección de características.
4.5. Algoritmos de agrupamiento difuso (Fuzzy Clustering).
5. Procesamiento de imágenes y voz. Contexto.
5.1. Reducción de ruido en imágenes mediante algoritmos de filtrado.
5.2. Algoritmos de análisis de sentimientos.
5.3. Algoritmos de detección de objetos en imágenes.
5.4. Algoritmos de reconocimiento de voz.
6. Procesamiento del lenguaje natural y predicción. Contexto.
6.1. Algoritmos de procesamiento del lenguaje natural.
6.2. Algoritmos de predicción de series temporales.
6.3. Algoritmos de optimización de redes neuronales.

Módulo 6. Algoritmos y aplicaciones de negocio (Caso Geolocalización)

Unidad 1: Algoritmos y aplicaciones de negocio (caso geolocalización).
1. Introducción. ¿Qué son los algoritmos y por qué son importantes para los negocios?
1.1. Ejemplos de algoritmos utilizados en los negocios.
1.2. Introducción a la geolocalización y su importancia en el ámbito empresarial.
2. Maneras de mejorar los negocios con algoritmos I.
2.1. Maneras de mejorar los negocios con algoritmos II.
2.2. Utilización de algoritmos en la toma de decisiones empresariales.
2.3. Aplicaciones de algoritmos en la gestión de datos y análisis de información empresarial.
2.4. Algoritmos de Inteligencia Artificial y su impacto en los negocios.
2.5. Algoritmos de optimización y su aplicación en la gestión de recursos empresariales.
2.6. Algoritmos en la planificación y gestión de proyectos empresariales.
3. Desafíos y conclusiones. Desafíos en la implementación de algoritmos en los negocios.
3.1. ¿Cuáles son las oportunidades que brindan los algoritmos en los negocios y cómo las empresas pueden aprovecharlas?
4. Algoritmos y aplicaciones de geolocalización. Conceptos fundamentales de los algoritmos de geolocalización.
4.1. Tipos de algoritmos de geolocalización utilizados en el mundo empresarial.
4.2. Ejemplos de aplicaciones de negocio que utilizan la geolocalización.
4.3. Herramientas y plataformas de geolocalización disponibles para las empresas.
5. Beneficios de la geolocalización para el ámbito empresarial: ahorro de costes, aumento de la eficiencia, mejora de la toma de decisiones.
5.1. Desafíos y limitaciones de la geolocalización en el ámbito empresarial: privacidad, precisión de los datos, acceso a la tecnología.
6. Tendencias y perspectivas futuras. Tendencias y perspectivas futuras de la geolocalización en el mundo empresarial.
6.1. Conclusiones.

Módulo 7. Sistemas basados en conocimiento

Unidad 1: Sistemas basados en conocimiento.
1. Introducción a los sistemas basados en conocimiento. Definición de sistemas basados en conocimiento.
1.1. Diferencias entre sistemas basados en conocimiento y sistemas expertos.
1.2. Ejemplos de aplicaciones de sistemas basados en conocimiento.
1.3. Ventajas y desventajas de los sistemas basados en conocimiento.
1.4. Tendencias y futuro de los sistemas basados en conocimiento.
2 Representación del conocimiento. Tipos de conocimiento: declarativo, procedimental y heurístico.
2.1. Métodos de representación del conocimiento.
2.2. Selección del método de representación adecuado para el problema a resolver.
2.3. Transformación de conocimiento en una forma utilizable por el sistema.
2.4. Modelos de conocimiento híbridos.
3. Adquisición de conocimiento. Métodos para adquirir conocimiento.
3.1. Herramientas de apoyo a la adquisición de conocimiento.
3.2. Procesos de validación y verificación de la calidad del conocimiento adquirido.
3.3. Incorporación de feedback para mejorar la calidad del conocimiento.
3.4. Métodos de transferencia de conocimiento.
4. Implementación y evaluación de sistemas basados en conocimiento. Diseño e implementación de sistemas basados en conocimiento.
4.1. Evaluación del desempeño de los sistemas basados en conocimiento.
4.2. Mantenimiento y actualización de los sistemas basados en conocimiento.
4.3. Integración de sistemas basados en conocimiento con otros sistemas de IA.
4.4. Diseño y evaluación de interfaces de usuario para sistemas basados en conocimiento.
5. Aplicaciones específicas de sistemas basados en conocimiento. Aplicaciones en la medicina.
5.1. Aplicaciones en la gestión del conocimiento empresarial.
5.2. Aplicaciones en la robótica y la automatización.
5.3. Aplicaciones en la educación

Módulo 8. Motores de inferencia

Unidad 1: Motores de inferencia.
1. Conceptos fundamentales de los motores de inferencia.
1.1. ¿Qué son los motores de inferencia?
1.2. Funciones de los motores de inferencia en la Inteligencia Artificial.
1.3. Ventajas y desventajas de los motores de inferencia en la Inteligencia Artificial.
2. Modelos de inferencia en la Inteligencia Artificial.
2.1. Tipos de motores de inferencia.
2.2. Modelos de inferencia en la Inteligencia Artificial.
2.3. Diferencias entre los modelos de inferencia en la Inteligencia Artificial.
3. Modelos de inferencia específicos.
3.1. Modelos de inferencia basados en reglas.
3.2. Modelos de inferencia probabilística.
3.3. Modelos de inferencia basados en redes neuronales.
3.4. Modelos de inferencia basados en lógica difusa.
3.5. ¿Qué es el razonamiento basado en casos y cómo se relaciona con los motores de inferencia?
4. Representación del conocimiento en los motores de inferencia.
4.1. ¿Cómo se representa el conocimiento en los motores de inferencia?

4.2. Lenguajes de representación del conocimiento en los motores de inferencia.
4.3. Métodos para adquirir conocimiento y alimentar los motores de inferencia. Parte I.
4.4. Métodos para adquirir conocimiento y alimentar los motores de inferencia. Parte II.
5. Aplicaciones y tendencias de los motores de inferencia.
5.1. Tendencias de los motores de inferencia.
5.2. Ejemplos de motores de inferencia utilizados en la Inteligencia Artificial.
5.3. Aplicaciones de los motores de inferencia en la Inteligencia Artificial.
5.4. Tendencias actuales en el desarrollo de los motores de inferencia.
5.5. Desafíos en el desarrollo de los motores de inferencia en la Inteligencia Artificial.
5.6. Futuro de los motores de inferencia en la Inteligencia Artificial.
5.7. Conclusiones sobre los motores de inferencia en la Inteligencia Artificial

Módulo 9. Motores de inferencia

Unidad 1: Patrones.
1. Patrones en el aprendizaje automático supervisado.
1.1. Introducción a los patrones en el aprendizaje automático supervisado.
1.2. Ejemplos de patrones en conjuntos de datos etiquetados.
1.3. Métodos de detección de patrones en conjuntos de datos.
1.4. Interpretación de patrones encontrados en modelos supervisados.
1.5. Ejemplos de aplicaciones de aprendizaje automático supervisado que utilizan patrones.
2. Patrones en el aprendizaje automático no supervisado.
2.1. Introducción a los patrones en el aprendizaje automático no supervisado.

2.2. Métodos de agrupamiento (clustering) y detección de anomalías.
2.3. Ejemplos de patrones en conjuntos de datos noetiquetados.
2.4. Interpretación de patrones encontrados en modelos no supervisados.
2.5. Ejemplos de aplicaciones de aprendizaje automático no supervisado que utilizan patrones.
3. Patrones en el procesamiento del lenguaje natural.
3.1. Introducción a los patrones en el procesamiento del lenguaje natural.
3.2. Ejemplos de patrones lingüísticos en textos.
3.3. Métodos de detección de patrones lingüísticos.
3.4. Ejemplos de aplicaciones de procesamiento del lenguaje natural que utilizan patrones.
4. Patrones en la visión por computadora.
4.1. Introducción a los patrones en la visión por computadora.
4.2. Ejemplos de patrones visuales en imágenes y videos.
4.3. Métodos de detección de patrones visuales.
4.4. Ejemplos de aplicaciones de visión por computadora que utilizan patrones.
5. Patrones en la robótica y la automatización.
5.1. Introducción a los patrones en la robótica y la automatización.
5.2. Ejemplos de patrones en tareas robóticas y de automatización.
5.3. Métodos de detección de patrones en tareas robóticas y de automatización.
5.4. Ejemplos de aplicaciones de robótica y automatización que utilizan patrones.

Módulo 10. Patrones en la Inteligencia Artificial

Unidad 1: Reglas y restricciones.
1. Ética y responsabilidad en la IA y los algoritmos.
1.1. Responsabilidad y accountability en la IA y los algoritmos.
1.2. Ética en el diseño de la IA y los algoritmos.
1.3. La necesidad de diversidad e inclusión en el desarrollo de la IA y los algoritmos.
1.4. Evaluación de impacto ético en la IA y los algoritmos.
1.5. La importancia de la ética en la IA y los algoritmos en la toma de decisiones empresariales y organizativas.
2. Sesgos y discriminación en la IA y los algoritmos.
2.1. Sesgos en los algoritmos y cómo evitarlos.
2.2. Discriminación en la IA y los algoritmos.
2.3. Privacidad y seguridad en la IA y los algoritmos.
3. Regulaciones y gobernanza en la IA y los algoritmos.
3.1. Regulaciones y leyes sobre la IA y los algoritmos.
3.2. Transparencia y explicabilidad en la IA y los algoritmos.
3.3. Gobernanza de la IA y los algoritmos.
4. Impacto de la IA y los algoritmos en diferentes sectores.
4.1. Impacto de la IA y los algoritmos en el empleo y el mercado laboral.
4.2. La IA y los algoritmos como ejemplo en la atención médica y la medicina.
4.3. La IA y los algoritmos en la toma de decisiones políticas y públicas.
5. Futuro de la IA y los algoritmos.
5.1. Futuro de la IA y los algoritmos: tendencias y perspectivas.
5.2. La influencia de la Inteligencia Artificial y los algoritmos en la forma en que nos comunicamos y nos relacionamos con los demás.
5.3. El potencial de la IA y los algoritmos para amplificar la desinformación y la propaganda.
5.4. El papel de la IA y los algoritmos en la creación de trabajos y la automatización del trabajo humano.

Módulo 11. La PYME inteligente: productividad y seguridad con IA, cumplimiento normativo

Unidad 1. Fundamentos de IA 
•    Introducción a la Inteligencia Artificial generativa y automatización de procesos en el entorno empresarial (LLMs, asistentes virtuales y herramientas de apoyo diario). 
•    Mapa de herramientas de IA aplicadas a pymes (atención al cliente, marketing digital, redacción comercial y optimización de tareas administrativas). 
•    Criterios básicos de uso: cómo identificar procesos mejorables y elegir la herramienta adecuada según las necesidades y tamaño de la empresa. 
Unidad 2. IA en la empresa 
•    Integración operativa de la inteligencia artificial en los distintos departamentos de la pyme (administración, operaciones y gestión comercial).
•    Análisis de impacto en la eficiencia, reducción de costes operativos y optimización de recursos internos.
•    Casos de uso prácticos para la transformación digital del negocio a escala corporativa.
Unidad 3. Reglamento Europeo de IA
•    Contexto y entrada en vigor del Reglamento Europeo de Inteligencia Artificial (AI Act): obligaciones prácticas para las empresas y proveedores de servicios. 
•    Clasificación de los sistemas de IA: identificación de usos prohibidos y sistemas de riesgo bajo/mínimo (el escenario más habitual en la operativa general de una pyme). 
•    Obligaciones de transparencia (etiquetado de contenidos comerciales o de atención al cliente generados por IA) y gobernanza interna. 
•    El artículo 4 del AI Act: la obligación de la alfabetización en IA dentro de la organización. 
Unidad 4. Riesgos y uso responsable 
•    Identificación de sesgos algorítmicos, limitaciones técnicas y prevención de "alucinaciones" en los resultados generados por la IA.
•    Establecimiento de protocolos de supervisión humana obligatoria (human-in-the-loop) en los procesos críticos del negocio.
•    Buenas prácticas corporativas para un uso seguro, ético y alineado con la reputación de la pyme.
Unidad 5. Protección de datos y seguridad 
•    Protección del secreto comercial, propiedad intelectual y confidencialidad de los datos de clientes frente al uso de herramientas de IA en la nube. 
•    Diferencias clave entre versiones gratuitas y corporativas/de pago de modelos de IA (políticas de privacidad, uso de datos para entrenamiento y seguridad corporativa). 
•    Evaluación de riesgos tecnológicos y medidas de ciberseguridad básicas aplicadas al puesto de trabajo en la pyme. 
Unidad 6. IA ética y responsable 
•    Principios éticos fundamentales aplicados al despliegue de tecnologías inteligentes en el tejido empresarial.
•    Responsabilidad corporativa, mitigación de impactos negativos y salvaguarda de los derechos de clientes y empleados.
•    Transparencia comercial y rendición de cuentas (accountability) en el uso de sistemas automatizados.
Unidad 7. IA generativa y prompting
•    Optimización de tareas comerciales, de marketing y administrativas mediante prompts avanzados y redacción asistida. 
•    Creación de flujos de trabajo automatizados para la gestión de correos electrónicos, redacción de presupuestos, actas de reuniones y respuestas frecuentes a clientes. 
•    Casos prácticos y talleres de análisis básico de datos de ventas o inventario, y creación de contenidos corporativos con asistencia de IA. 
Unidad 8. Aplicación por áreas 
•    Despliegue sectorial y funcional de la inteligencia artificial adaptado a las áreas específicas de la pyme (marketing y ventas, administración, soporte técnico y recursos humanos).
•    Talleres de casos prácticos orientados a resolver los retos operativos característicos de cada departamento.
Unidad 9. Implantación en la empresa 
•    Fases metodológicas para el diseño e implantación de un plan interno de adopción de IA en la pyme.
•    Gestión del cambio organizativo, superación de resistencias internas y pautas para la formación continua de los equipos de trabajo.

Módulo 12. Casos prácticos