Curso en Fundamentos de IA y Machine Learning
Aprende los fundamentos de IA y machine learning con una base técnica sólida
Porque aprender no debería esperar. Ni tu futuro tampoco.
Financia tu curso a través de
Klarna
PayPal
Sabadell
En el Curso en Fundamentos de IA y Machine Learning iniciaremos un primer acercamiento hacia el mundo de la Inteligencia Artificial y el Machine Learning. En este curso veremos brevemente el origen del Machine Learning, y las diferentes categorías en las que podemos clasificar los algoritmos. Durante el curso profundizaremos en los algoritmos de regresión, y conoceremos los diferentes ecosistemas cloud que podemos encontrarnos a la hora de trabajar con nuestros modelos. Todo esto, acompañado en todo momento por numerosos ejemplos prácticos abordados en Python con la librería Scikit-learn.
Este curso forma parte del Master en Data Science y Big Data. Si quieres ampliar tu formación, consulta el programa completo.
Este curso forma parte del
Máster en data science
.
Si quieres ampliar tu formación, consulta el programa completo.
Máster en data science
A quién va dirigido
El Curso en Fundamentos de IA y Machine Learning proporciona formación específicamente orientada a los siguientes perfiles:
- Ingenieros que tengan por objetivo una actualización de sus conocimientos y el desarrollo de nuevas competencias dentro de la Inteligencia Artificial
- Programadores que tengan por objetivo ampliar sus conocimientos y capacidades en el mundo de la ciencia de datos para su desarrollo profesional
- Analistas de datos con experiencia que quieran dar el salto a los aspectos más profundos de la tecnología
Qué aprenderás
Al finalizar el Curso en Fundamentos de IA y Machine Learning serás perfectamente capaz de:
- Aprender a entrenar y evaluar algoritmos de regresión, realizando la correcta preparación de los datos
- Iniciarse en la interpretación de los resultados de los modelos de regresión entrenados
Plan de estudios
Resumen
En esta clase se presentan los fundamentos de la Inteligencia Artificial, Machine Learning y Deep Learning, diferenciando sistemas predictivos y generativos. Se explican los enfoques supervisado y no supervisado, detección de anomalías y casos reales. Además, se introduce la IA generativa, modelos fundacionales, LLMs y conceptos clave como prompt, embeddings y RAG, con ejemplos prácticos como ChatGPT, Claude o Copilot. Finalmente, se revisan herramientas y librerías para experimentar, incluyendo Google Colab, Python, Scikit-learn y Hugging Face.
Objetivos
-
Comprender los fundamentos de la Inteligencia Artificial, Machine Learning y Deep Learning, y distinguir entre sistemas predictivos y generativos.
-
Identificar y diferenciar los enfoques de Machine Learning supervisado y no supervisado, incluyendo regresión, clasificación, clustering y detección de anomalías.
-
Conocer los conceptos básicos de redes neuronales y Deep Learning, y su diferencia respecto a ML clásico.
-
Introducir la IA generativa, modelos fundacionales y LLMs, comprendiendo conceptos clave como prompt, embeddings y RAG.
-
Familiarizarse con herramientas y librerías prácticas para experimentar con IA y ML, incluyendo Google Colab, Python, Scikit-learn, Pandas, NumPy, Matplotlib y Hugging Face.
Temario
- Bienvenida a la clase
- Bienvenida a la clase
- Qué es IA hoy en día
- Introducción a la Inteligencia Artificial
- Un poco de Historia
- IA simbólica vs Machine Learning vs Deep Learning
- Narrow AI vs AGI
- Sistemas predictivos vs sistemas generativos
- Machine Learning clásico
- Enfoque analítico
- Primeros conceptos
- Enfoque supervisado (regresión, clasificación)
- Enfoque No supervisado (clustering, reducción dimensional)
- Aprendizaje por refuerzo
- Detección de anomalías
- Aplicaciones y casos reales de Machine Learning
- Introducción al Deep Learning
- Deep Learning: Redes neuronales
- Casos reales de Deep Learning
- Introducción a IA Generativa
- Introducción
- Qué es un modelo fundacional
- Qué es un LLM
- Algunos ejemplos
- Conceptos clave
- Herramientas prácticas
- Google Colab
- Librerías de python
- Hugging Face
- OpenAI - API
- Primeros pasos en un entorno de trabajo de IA
- Primeros pasos con las principales librerías de python
- NumPy
- Pandas
- Matplotlib
- Primeros pasos con Google Colab
- Importar un fichero desde local en Colab - parte 1
- Importar un fichero desde local en Colab - parte 2
- Primeros pasos con Kaggle - parte 1
- Primeros pasos con Kaggle - parte 2
Resumen
En esta clase se aborda la metodología moderna de Machine Learning, basada en CRISP-DM actualizado, cubriendo desde el entendimiento del negocio y análisis descriptivo de los datos hasta el modelado, evaluación y conceptualización del despliegue. Se profundiza en algoritmos de regresión (lineal simple, múltiple, polinómica y regularización Ridge/Lasso), incluyendo conceptos clave como overfitting y underfitting. Además, se presentan las principales métricas de evaluación (MAE, MSE, RMSE, R²) y su interpretación, así como aspectos de interpretabilidad de los modelos, incluyendo coeficientes, importancia de variables y una introducción conceptual a SHAP. La clase combina teoría, ejemplos prácticos y visualizaciones para que los alumnos comprendan cómo construir y evaluar modelos de regresión de forma crítica..
Objetivos
-
Comprender la metodología moderna para desarrollar modelos de Machine Learning, desde el entendimiento del negocio y análisis de datos hasta la evaluación y despliegue conceptual.
-
Aplicar y diferenciar algoritmos de regresión (lineal simple, múltiple, polinómica y regularizada), identificando riesgos como overfitting y underfitting y entendiendo su interpretación.
-
Evaluar modelos de regresión mediante métricas adecuadas (MAE, MSE, RMSE, R²) y conocer conceptos básicos de interpretabilidad, incluyendo la importancia de variables y una introducción conceptual a SHAP.
Temario
- Bienvenida a la clase
- Bienvenida a la clase
- Metodología moderna (CRISP-DM)
- Introducción a CRISP-DM
- Comprensión del problema
- Entendimiento y análisis de los datos
- Preparación de los datos
- Modelado
- Evaluación
- Despliegue
- Modelado en base a Regresión
- Qué es un problema de regresión
- Modelado según CRISP - DM en un problema de regresión
- Algoritmos de regresión
- Regresión lineal simple
- Ejemplo de regresión lineal simple con python - parte 1
- Ejemplo de regresión lineal simple con python - parte 2
- Regresión múltiple
- Ejemplo de regresión lineal múltiple con python
- Regresión Polinómica
- Overfitting vs underfitting
- Regularización: Ridge y Lasso
- Evaluación y Métricas
- Proceso de evaluación y métricas comunes
- MAE, MSE, RMSE y R²: métricas de evaluación en regresión
- Interpretabilidad
- Interpretación de los coeficientes
- Importancia de variables
- Breve introducción a SHAP
- Caso práctico: Predicción de la prima de seguro con regresión lineal múltiple (Metodología CRISP-DM)
- Parte 1. Análisis Exploratorio y Visual de un dataset
- Parte 2. Predicción con Regresión Lineal Múltiple - Escenario 1
- Parte 3. Predicción con Regresión Lineal Múltiple - Escenarios 2 y 3
Resumen
En esta clase se presenta, de forma conceptual e introductoria, el ciclo completo de una solución de Inteligencia Artificial, desde la gestión de datos y el entrenamiento de modelos hasta su despliegue, monitorización y gobernanza. Asimismo, se ofrece una visión general de los principales ecosistemas de Machine Learning en la nube —AWS, Google Cloud y Azure— revisando sus servicios clave para datos, entrenamiento de modelos y uso de modelos fundacionales. Finalmente, se introduce la arquitectura moderna de soluciones de IA generativa, incluyendo LLM, bases de datos vectoriales y enfoques RAG. Estas temáticas se abordan con un enfoque panorámico, ya que serán tratadas en mayor profundidad en módulos específicos del programa.
Objetivos
-
Comprender el ciclo completo de vida de una solución de Inteligencia Artificial, desde los datos y el entrenamiento hasta el despliegue, la monitorización y la gobernanza.
- Conocer, a nivel conceptual, los principales ecosistemas de Machine Learning en la nube (como Amazon Web Services, Google Cloud y Microsoft Azure) y los servicios más relevantes que ofrecen para desarrollar soluciones de IA.
- Entender la arquitectura básica de soluciones modernas de IA generativa, incluyendo el papel de los modelos fundacionales, las bases de datos vectoriales y los enfoques basados en RAG.
- Ser capaz de diseñar, a nivel básico y conceptual, la arquitectura de una solución de IA en la nube, identificando los principales componentes (ingesta de datos, almacenamiento, procesamiento, modelo y consumo), el flujo de información y los servicios cloud adecuados en función del caso de uso.
Temario
- Bienvenida a la clase
- Bienvenida a la clase
- El ciclo completo de una solución IA
- El ciclo completo de una solución IA
- Arquitectura moderna de una solución en la Nube
- Qué es el Cloud Computing
- Beneficios del Cloud Computing
- Modelos de Servicios
- Tipos de Nube
- Algunas aplicaciones
- Modelo de arquitectura en la nube
- Ejemplo de arquitectura en Google Cloud
- Amazon Web Services
- AWS
- Ecosistema AWS: Destacados en IA y ML
- Amazon S3 (almacenamiento)
- Amazon SageMaker (ML)
- Sage Maker Studio
- Bedrock (Modelos fundacionales)
- Google Cloud
- Google Cloud
- Ecosistema Google Cloud: Destacados en IA y ML
- BigQuery
- Vertex AI
- Gemini Enterprise
- AutoML
- Azure
- Azure
- Ecosistema Azure: Destacados en IA y ML
- Azure ML
- Azure OpenAI
- Copilot stack
- Comparación de las 3 soluciones cloud vistas
- Ejemplo de arquitectura cloud: Prima de Seguro
- Arquitectura moderna de GenAI
- Arquitectura moderna de GenAI
- RAG
- Base de Datos Vectorial
- API calls
- Seguridad y gobernanza
- Ejemplo de arquitectura Gen AI: Prima de Seguro
- Cierre
El proyecto busca que los/as alumnos/as sean capaces de diseñar de forma integral y crítica una solución de IA aplicada a un caso real, combinando modelos predictivos y componentes de IA generativa, evaluando riesgos, arquitectura cloud y métricas de éxito, y demostrando capacidad de pensamiento estratégico, reflexión crítica y comunicación efectiva de sus propuestas.
Opiniones del Curso en Fundamentos de IA y Machine Learning
Orlando Hernández Jiménez
Consultant, Data Scientist and Trainer in BI, ECM, BigData, ML & Blockchain
Todos los objetivos claros en combinación con dedicación y esfuerzo, darán un extraordinario y satisfactorio resultado. Así que a seguir con los siguientes objetivos #iebs.
Arantxa Martínez Capitán
Técnico BPO en Integra HCM
En el Postgrado en Business Intelligence & BD he trabajado con herramientas como Alteryx, RapidMiner, MySQL y Microsoft Power BI. Con ellas he ido encajando piezas hasta crear el puzle completo mediante el desarrollo de casos prácticos reales.
Juan Manuel Hernández Espinosa
Senior Petroleum Economist & Data Scientist
¡He disfrutado mucho este viaje! Un logro más, ahora es el momento de aplicar todos los aprendizajes y aprovecharlos en todos los aspectos profesionales!, Gracias IEBS Business School.
Roberto Esteves
Gerente General en Masapp
Solamente pasaba para compartirles un pequeño éxito, haber terminado el postgrado en el IEBS Business School en "Data Science y Machine Learning", esto me sirve para poder seguir dando mejores capacitaciones.
Resumen
del Curso en Fundamentos de IA y Machine Learning
Duración
1 mes
Inicio
26 Noviembre
Modalidad
Online e ininterrumpido
Precio
485€
510 U$S
Financia tu curso a través de
Klarna
PayPal
Sabadell
Incluye
Diploma IEBS y bolsa de empleo
Valoración
4.9/5 de valoración por los alumnos
No enseñamos el futuro.
Te ayudamos a crearlo.
Formación relacionada
Curso de Innovación en Estrategia Digital y Automatización a través de la IA
Curso en IA Generativa y Cloud Computing
Curso en IA Aplicada a Social Media
Curso de creación de narrativas con ChatGPT
Curso en IA aplicada al Customer experience
Curso en Creación de productos Audiovisuales con IA Generativa y Runway
