Inteligencia Artificial Aplicada — Intermedio

🎯 Objetivo del curso

Hacer que el sistema piense, decida y aprenda. Cómo integrar modelos de IA, desde lo simple hasta redes neuronales, en todo el ciclo del sistema.

📌 Programa Sintético

Conceptos: IA, Machine Learning, Deep Learning. Datos: recolección, limpieza, etiquetado, preparación, aumento. Algoritmos clásicos: regresión, clasificación, agrupamiento, anomalías. Redes neuronales: estructura, funcionamiento, entrenamiento. Visión artificial: imágenes, detección, reconocimiento. IA en dispositivos: modelos livianos, optimización, ejecución local. Integración con sistema IoT. Proyecto final: modelo inteligente funcional.

🧩 Proyecto del nivel

Desarrollo e integración de un modelo de IA funcional en un sistema IoT real: detección de anomalías en señal de sensor, entrenado en cloud y ejecutándose en dispositivo embebido, con pipeline completo de datos.

Unidad 1 (Sem 1-2): IA, ML, DL y datos. Unidad 2 (Sem 3-4): Algoritmos clásicos. Unidad 3 (Sem 5-6): Redes neuronales y visión. Unidad 4 (Sem 7-8): Edge AI e integración.

Unidad 1 — ML para Series Temporales (Semanas 1-2)

• Feature engineering: rolling stats, FFT, lag features
• ARIMA, Prophet, XGBoost para séries temporales
• Lab: predictor de consumo con XGBoost

Unidad 2 — Evaluación de Modelos (Semanas 3-4)

• Métricas: accuracy, precision, recall, F1, RMSE, MAE
• Cross-validation y validación temporal
• Overfitting y técnicas de regularización
• Lab: comparativa sistemática de 5 modelos para mismo problema

Unidad 3 — Deep Learning para IoT (Semanas 5-6)

• LSTM: memoria a largo plazo para series temporales
• CNN 1D: patrones locales en señales
• Autoencoder: detección de anomalías sin etiquetas
• Lab: detector de anomalías con autoencoder LSTM

Unidad 4 — Despliegue y MLOps Básico (Semanas 7-8)

• MLflow: tracking de experimentos
• Modelo como API: FastAPI + modelo serializado
• Proyecto final: pipeline ML completo con tracking y API

Bienvenido a Inteligencia Artificial Aplicada — Nivel Intermedio.

Este nivel profundiza en algoritmos de ML para datos de series temporales, la preparación de datos a escala y la evaluación de modelos.

Semana 1:
– Series temporales en IoT: el tipo de dato más común
– Características de series temporales: tendencia, estacionalidad, ruido
– Feature engineering para series temporales
– Ventanas deslizantes: cómo convertir series en ejemplos de ML