Introducción a la Inteligencia Artificial

1. Conceptos clave: entrenamiento, validación y testeo.

2. Tipos de aprendizaje: supervisado, no supervisado y por refuerzo.

3. Ciclo de vida de un proyecto de ML.

1. Regresión lineal y logística.

2. Árboles de decisión y Random Forest.

3. K-Vecinos Cercanos (KNN).

1. Métricas de rendimiento (precisión, recall, F1).

2. Overfitting y técnicas de regularización.

3. Validación cruzada y optimización de hiperparámetros.

1. Conceptos básicos y funcionamiento.

2. Neuronas, capas, funciones de activación.

3. Entrenamiento de redes neuronales.

1. Redes neuronales convolucionales (CNN).

2. Redes neuronales recurrentes (RNN).

3. Ejemplos prácticos y aplicaciones.

1. Generative Adversarial Networks (GANs).

2. Transformers y atención.

3. Uso de modelos preentrenados (transfer learning).

1. ¿Qué es el PLN y para qué sirve?

2. Tokenización, stemming y lematización.

3. Aplicaciones cotidianas (chatbots, asistentes virtuales).

1. Análisis de sentimientos y clasificación de textos.

2. Reconocimiento de entidades nombradas (NER).

3. Traducción automática y resumen automático.

1. Word embeddings (Word2Vec, GloVe).

2. Modelos basados en Transformers (BERT, GPT).

3. Implementación básica de chatbots.

1. Industria 4.0 y automatización inteligente.

2. Aplicaciones en medicina, finanzas y marketing.

3. Casos de éxito reales.

1. IA Generativa.

2. Inteligencia Artificial Explicable (XAI).

3. Edge Computing y la IA distribuida.

1. Desafíos técnicos y regulatorios.

2. Inteligencia Artificial General (AGI) y su posible impacto.

3. Cómo prepararse para trabajar con IA.

A continuación tienes los enlaces de las principales herramientas de IA explicadas en el vídeo.