Gestión del dato en ciudades inteligentes (Programa detallado)
Objetivo:
- Entender los conceptos clave en la gestión de datos.
- Valorar las plataformas open source y licenciadas para la gestión, almacenamiento y analítica de datos.
- Gestionar los datos relativos a seguridad y movilidad ciudadana y conocer en qué consisten las técnicas de análisis de imágenes en tiempo real y reconocimiento facial.
- Comprender qué es la inteligencia artificial y sus vertientes como Machine Learning, Deep Learning, ChatGPT o técnicas de Procesamiento Natural del Lenguaje.
- Entrenar modelos de datos y la depuración y estadística clave para ello.
- Evaluar el rendimiento de los modelos de Machine learning.
- Comprender los algoritmos más utilizados en Machine Learning tanto para casos de clasificación, regresión o clusterización.
- Diseñar y modelar soluciones de inteligencia artificial.
Requisitos:
No se precisan requisitos previos, aprenderá todos los conceptos desde cero.
Programa del curso
1.- Introducción y contexto de la gestión del dato en municipios
Objetivo
- Entender que es una ciudad inteligente y el BigData.
- Profundizar en conceptos de gestión de datos.
- Entender los enfoque Data Warehouse y Data Lake para el almacenamiento de datos.
- Conocer las diferentes plataformas Open Source y licenciadas y los parámetros clave.
Contenido
- Introducción y contexto de la gestión del dato en municipios
- ¿Qué una ciudad inteligente (Smart city)?
- ¿Qué es el BigData?
- Conceptos clave en la gestión de los datos
- Extracción, analítica y almacenamiento de datos
- Plataformas open-source y licenciadas más extendidas
- Resumen
2.- Seguridad y movilidad ciudadana
Objetivo
- Comprender cómo realizar el análisis de imágenes.
- Entender las técnicas de reconocimiento facial.
- Profundizar en la gestión del tráfico de vehículos, personas y aparcamientos.
Contenido
- Seguridad y movilidad ciudadana
- Análisis de imagen en tiempo real
- Reconocimiento facial
- Gestión del tráfico de vehículos, personas y aparcamientos
- Ejemplos de soluciones implantadas
- Resumen
3.- Conceptos clave de IA
Objetivo
- Conocer las diferencias entre machine learning, inteligencia artificial y deep learning.
- Entender las diferentes vertientes de la inteligencia artificial.
- Diferenciar entre aprendizaje supervisado y no supervisado.
- Comprender las redes neuronales convolucionales enfocadas en imágenes.
- Detallar qué es el NLP, semántica IA y ChatGPT así como sus aplicaciones.
Contenido
- Conceptos clave de IA
- ¿Qué es Machine Learning y Deep Learning?
- Machine Learning, inteligencia artificial y Deep Learning
- Aprendizaje supervisado
- Aprendizaje no supervisado
- ¿Qué es una neurona y el modelo perceptrón?
- ¿Qué son las redes neuronales?
- Introducción a las redes neuronales convolucionales (CNN)
- Tratamiento de imágenes - ¿Qué son los filtros de imagen y los kernels?
- Tratamiento de imágenes - Capas convolucionales en una CNN
- Tratamiento de imágenes - Capas pooling en una CNN
- ¿Qué es el Procesamiento del Lenguaje Natural (NLP)?
- Aplicaciones Procesamiento del Lenguaje Natural (NLP)
- ¿Qué es la semántica en el entorno IA?
- ¿Qué es ChatGPT y para qué podemos usarlo?
- Resumen
4.- Entrenamientos de algoritmos de IA, modelos y métodos de evaluación de calidad
Objetivo
- Entender conceptos clave en la depuración de datos para poder entrenar algoritmos de inteligencia artificial.
- Evaluar rendimiento de modelos de inteligencia artificial.
Contenido
- Entrenamientos de algoritmos de IA, modelos y métodos de evaluación de calidad
- Datos necesarios para la depuración y entrenamiento de modelos IA
- Conceptos estadísticos de calidad de los datos
- Evaluación de rendimiento de modelos - Métricas de Clasificación
- Evaluación de rendimiento de modelos - Métricas de Regresión
- ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
- Resumen
5.- Algoritmos y arquitecturas de soluciones de inteligencia artificial
Objetivo
- Profundizar en los algoritmos de inteligencia artificial.
- Diseñar y modelar soluciones de inteligencia artificial.
Contenido
- Algoritmos y arquitecturas de soluciones comerciales y open source
- Algoritmos Machine Learning para Clasificación
- Algoritmo Machine Learning Regresión
- Algoritmo Machine Learning K-Means
- Fases de modelado en inteligencia artificial
- Arquitectura y diseño de soluciones de IA (open source y comerciales)
- Resumen