IA y Big Data

1. INTRODUCCIÓN 2. LOS PRIMEROS AUTÓMATAS Y EL ENGAÑO DEL “TURCO” 3. LOS PIONEROS DE LA LÓGICA Y LA COMPUTACIÓN 3.1. Turing 3.2. El nacimiento de la Inteligencia Artificial 3.3. Dartmouth (1956) 4. DÉCADAS DE 1960 Y 1970: LA IA SIMBÓLICA Y EL AUGE DE LOS PRIMEROS SISTEMAS 4.1. IA simbólica: Definición y principios 4.2. Primeros sistemas y avances clave 4.3. Eliza (1966) 4.4. El auge de los sistemas expertos (1970s) 4. []

Inteligencia Artificial, Big Data, Machine Learning…son términos que aparecen continuamente en los medios y forman parte de nuestras vidas haciendo que nos plateemos la pregunta “son las maquina más inteligentes que nosotros?” Un rasgo de la inteligencia es la capacidad de aprender y las maquinas no aprenden, al menos, no en el sentido humano de ‘aprender’. Las maquinas aprenden mediante algoritmos matemáticos: nosotros proporcionamos datos de entrada y datos de salida, y las maquinas generan un modelo que, ajustándose a los datos, es capaz de generar una salida correcta si le proporcionamos una entrada nueva similar a los anteriores. []

1. Módulo Profesional 2: Sistemas de Aprendizaje Automático. 2. Resultados de aprendizaje, criterios de evaluación y contenidos 2.1. RA1: Caracteriza la Inteligencia Artificial fuerte y débil determinando usos y posibilidades. 2.1.1. Criterios de evaluación 2.1.2. Contenidos 2.2. RA2: Determina técnicas y herramientas de sistemas de aprendizaje automático (Machine Learning), testeando su aplicabilidad para la resolución de problemas 2.2.1. Criterios de evaluación 2.2.2. Contenidos 2. []

1. Acceso 2. Duración 3. ¿Qué voy a aprender y hacer? 4. Al finalizar mis estudios, ¿qué puedo hacer? 5. ¿Cuáles son las salidas profesionales? 6. ¿Cuáles son las profesiones reguladas a las que se accede con este programa? 7. Plan de formación 8. Real Decreto 279 / 2021 9. Decreto 10. JIMV 11. Enlaces externos 1. Acceso Los títulos que dan acceso a este Curso de Especialización son los siguientes: []

1. Métodos de regresión 1.1. Regresión lineal 1.1.1. Ejercicio 1.1.2. Ejercicio 1. Métodos de regresión 1.1. Regresión lineal El modelo más conocido es la regresión lineal, donde se busca predecir un valor Y = f (X) a partir de unos datos de entrada X y asumiendo que la distribución de los datos es lineal, es decir: donde los valores Xjβj pueden ser, bien representaciones lineales, bien polinómicas. []

1. Clasificación de las metodologías y técnicas fundamentales del aprendizaje automático 1.1. Clasificación por tipo de aprendizaje 1.1.1. Aprendizaje supervisado 1.1.2. Aprendizaje no supervisado 1.1.3. Aprendizaje por refuerzo 1.2. Clasificación por tipo de tarea 1.2.1. Métodos lineales de regresión 1.2.2. Métodos lineales de clasificación 1. Clasificación de las metodologías y técnicas fundamentales del aprendizaje automático Con el paso de los años, la investigación en inteligencia artificial y machine learning ha ido enriqueciéndose a base de desarrollar y perfeccionar metodologías para diferentes campos. []

1. Introducción 1. Introducción Si bien se considera que el término inteligencia artificial se acuña en la década de 1950 y más concretamente en la primera conferencia relativa a esta disciplina, celebrada en Darmouth en 1956, desde la antigüedad el ser humano ha especulado con la posibilidad de crear máquinas dotadas de inteligencia. Así, ya Aristóteles (384–322 a. de C.) estudió la posibilidad de construir un sistema hidráulico que imitara el comportamiento del cerebro humano. []

1. Flujo de trabajo en Orange.Canvas y widgets 2. Mas sobre flujos de trabajo 3. Carga de ficheros en Orange 4. Anexos 4.1. Función gaussiana 4.2. Box Plot 4.3. Superstore Sales 5. Referencias 1. Flujo de trabajo en Orange.Canvas y widgets Antes de crear un flujo de trabajo borramos el gráfico anterior pinchando con el botón derecho en el icono correspondiente y seleccionando Remove. La información que hemos cargado es una base de datos de características de flores de iris formada por 150 muestras. []

1. El entorno de trabajo de Orange 2. Referencias 1. El entorno de trabajo de Orange Orange consta de una interfaz de canvas en la que el usuario coloca las unidades computacionales de Orange, conocidas como widgets, y crea un flujo de trabajo de análisis de datos. Los widgets ofrecen funcionalidades básicas como leer los datos, mostrar una tabla de datos, seleccionar funciones, entrenar predictores, comparar algoritmos de aprendizaje, visualizar elementos de los datos, etc. []

1. Instalación de Orange 1.1. Pip 1.1.1. Tutorial de venv en Python: Instalación y Uso 1.1.2. Instalación con Pip 1.1.3. Verificar la Instalación 1.2. Windows 2. Referencias 1. Instalación de Orange Orange es compatible con macoOSs, Windows y Linux, y también se puede instalar desde el repositorio Python Package Index (pip install Orange3). La última versión de Orange se puede descargar desde la página web de Orange (https://orangedatamining. []