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

  1. Introducción y contexto de la gestión del dato en municipios
    1. ¿Qué una ciudad inteligente (Smart city)?
    2.  ¿Qué es el BigData?
    3. Conceptos clave en la gestión de los datos
    4. Extracción, analítica y almacenamiento de datos
    5. Plataformas open-source y licenciadas más extendidas
    6. 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

  1. Seguridad y movilidad ciudadana
    1. Análisis de imagen en tiempo real
    2. Reconocimiento facial
    3. Gestión del tráfico de vehículos, personas y aparcamientos
    4. Ejemplos de soluciones implantadas
    5. 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

  1. Conceptos clave de IA
    1. ¿Qué es Machine Learning y Deep Learning?
    2. Machine Learning, inteligencia artificial y Deep Learning
    3. Aprendizaje supervisado
    4. Aprendizaje no supervisado
    5. ¿Qué es una neurona y el modelo perceptrón?
    6. ¿Qué son las redes neuronales?
    7. Introducción a las redes neuronales convolucionales (CNN)
    8. Tratamiento de imágenes - ¿Qué son los filtros de imagen y los kernels?
    9. Tratamiento de imágenes - Capas convolucionales en una CNN
    10. Tratamiento de imágenes - Capas pooling en una CNN
    11. ¿Qué es el Procesamiento del Lenguaje Natural (NLP)?
    12. Aplicaciones Procesamiento del Lenguaje Natural (NLP)
    13. ¿Qué es la semántica en el entorno IA?
    14. ¿Qué es ChatGPT y para qué podemos usarlo?
    15. 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

  1. Entrenamientos de algoritmos de IA, modelos y métodos de evaluación de calidad
    1. Datos necesarios para la depuración y entrenamiento de modelos IA
    2. Conceptos estadísticos de calidad de los datos
    3. Evaluación de rendimiento de modelos - Métricas de Clasificación
    4. Evaluación de rendimiento de modelos - Métricas de Regresión
    5. ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
    6. 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

  1. Algoritmos y arquitecturas de soluciones comerciales y open source
    1. Algoritmos Machine Learning para Clasificación
    2. Algoritmo Machine Learning Regresión
    3. Algoritmo Machine Learning K-Means
    4. Fases de modelado en inteligencia artificial
    5. Arquitectura y diseño de soluciones de IA (open source y comerciales)
    6. Resumen