Cursos de certificaciones internacionales

Cursos de certificaciones internacionales

Artificial Intelligence Certified Associate

Esta certificación valida la experiencia y el conocimiento en una descripción general de alto nivel de la Inteligencia Artificial esencial, proporciona una validación concreta de las partes principales de la IA, incluidos los enfoques de aprendizaje, las áreas funcionales para las que se utilizan los sistemas de IA y una introducción completa a las redes neuronales, ¿cómo existen?, ¿cómo funcionan?, y ¿cómo se pueden utilizar para procesar información?

Acerca del ente certificador ITCertificate

Es un proveedor global líder en programas de certificacióny evaluación.

Los profesionales alcanzan su máximo potencial con programas de acreditación.

Nuestros capacitadores, dedican tiempo a la consultoría y aportan experiencia a su enseñanza.

ITCertificate Education controla el desarrollo de múltiples programas educativos y certificaciones internacionales

Los expertos académicos son un grupo selecto de IT que pasan por un extenso conjunto de revisiones, pruebas, capacitaciones y entrevistas por pares antes de ser aceptados.

A quien esta dirigido

Metodología

  • Las clases se dictan llevando un Caso de Estudio Empresarial lo cual nos permite desarrollar el modelo metodológico con ejercicios prácticos reales que se utilizan en un ambiente empresarial en donde los estudiantes aplican los conocimientos específicos.  Al finalizar el curso cada estudiante debe hacer entrega de los laboratorios realizados con su respectiva documentación.

Perfil del Profesor

Los profesores son Ingenieros de Sistemas o afines con certificaciones internacionales vigentes.  Son profesionales con experiencia Docente y Corporativa lo cual garantiza el conocimiento y el manejo de los temas dictados.

Acerca del examen

Contenido temático

  1. ¿Qué es IA?

1.1. Pensando Humanamente.

1.2. Pensando Racionalmente.

1.3. Actuando Humanamente.

1.4. Actuando Racionalmente.

1.5. Actuar Humanamente: La prueba de Turing.

1.6. Pensando Humanamente: Modelado cognitivo.

1.7. Pensar racionalmente: Leyes del pensamiento.

1.8. Comportamiento racional.

1.9. Agentes racionales

1.10. Fundamentos de la IA.

1.11. Historia de la IA.

1.12. Renacimiento de las redes neuronales

1.13. ¿Qué puede hacer la IA?

1.14. Campos de la IA.

  1. Métodos de Búsqueda en la IA

2.1. Resolución de problemas. 

2.2. Estrategia de resolución de    problemas.

2.3. Medición de desempeño.

2.4. Algoritmos de Búsqueda de Árboles.

2.5. Implementación: Estados Vs. Nodos.

2.6. Búsqueda de Árbol.

2.7. Estrategias de Búsqueda.

2.8. Estrategias de Búsqueda  Desinformada.

2.9. Búsqueda en amplitud.

2.10. Búsqueda de Costo Uniforme.

2.11. Búsqueda en profundidad.

2.12. Estrategias de Búsqueda Informada (Heurística).

2.13. Mejor búsqueda primero.

2.14. Búsqueda A*.

2.15. Búsqueda de adversarios.

2.16. ¿Qué tipo de juegos?

  1. El Algoritmo Minimax

3.1. Ejemplo de Minimax.

3.2. Valor de Minimax.

3.3. Las propiedades del Algoritmo  Minimax.

3.4. Algoritmo PODA A-B.

  1. Máquinas de Estado Finito

4.1. Etiquetado Morfosintáctico – Cadenas de Markov.

4.2. Procesamiento de Lenguaje Natural.

  1. Agentes de IA

5.1. ChatBots.

5.2. Redes Neuronales Artificiales.

    1. Red Neuronal Artificial (RNA)

    6.1. Historia.

    6.2. ANN y Neuronales Biológicas.

    6.3. Analogías.

    6.4. Aplicaciones de las RNA. 

    6.5. Propiedades.

    6.6. Cuando considerar las Redes Neuronales.

    6.7. Perceptrón.

    6.8. Redes Neuronales Artificiales RNA.

    6.9. ¿Cómo funciona una red neuronal  multicapa?

    6.10. Tipos de Redes.

    6.11. Definición de una Topología de Red.

    6.12. Aprendizaje de la RNA.

    6.13. Algoritmo de Aprendizaje de la RNA.

    6.14. Algoritmo de Retropropagación.

    6.15. Backpropagation.

  1. 6.17. Aprendizaje Profundo.

    6.18. El aprendizaje profundo es típicamente.

    6.19. Áreas de aplicación.

  1. Redes Profundas vs Poco Profundas

7.1. Enfoque Tradicional de Aprendizaje Automático Supervisado.

7.2. Justificación Biológica.

7.3. Entrenamiento no Supervisado.

7.4. Aprendizaje de Funciones sin Supervisión.

7.5. Representaciones distribuidas.

7.6. Representación Local.

7.7. Representaciones Jerárquicas.

  1. Modelos Descriptivos vs Generativos

8.1. Modelo Discriminativo+Generativo 

  – Aprendizaje Semi-Supervisado.

8.2. Máquinas de Boltzmann  Restringidas (RBR)

8.3. Función de Activación.



  1. Procedimiento de Entrenamiento

9.1. Divergencia Constractiva.

9.2. Representación de Características.

9.3. Clasificadores Automáticos.

9.4. Estrategias de Entrenamiento.

  1. Construyendo Redes Profundas

10.1. Entrenamiento de un Codificador 

Automático profundo, a partir de RBM Apilados.

10.2. Redes Neuronales de Convulsión (CNN)

10.3. Redes Neuronales Recurrentes (RNN)

10.4. Aprendizaje Profundo para PLN.

10.5. Vectores de Palabras.

10.6. Vectores de Palabras de Distribución.

10.7. Modelo Neuronal Word Embeddings.

10.8. Clasificadores Automáticos Recursivos.

10.9. Entrenamiento Semi-Supervisado.

10.10. Desventajas del Aprendizaje  Profundo.