Módulo 1. Fundamentos de IA

• 1.1. Introducción.
• 1.2. Tipos de IA.
• 1.3. Ramas principales.
• 1.4. Aplicaciones y casos empresariales.

Módulo 2. Matemáticas para IA

• 2.1. Álgebra lineal.
• 2.2. Cálculo.
• 2.3. Probabilidad y estadística.
• 2.4. Matemática discreta.

Módulo 3. Python

• 3.1. Fundamentos.
• 3.2. Librerías.

Módulo 4. Machine Learning

• 4.1. Introducción.
• 4.2. Algoritmos supervisados.
• 4.3. Algoritmos no supervisados.
• 4.4. Evaluación y selección.

Módulo 5. Deep Learning

• 5.1. Redes neuronales.
• 5.2. Mejora del rendimiento.
• 5.3. Evaluación y optimización práctica.

Módulo 6. Computer Vision

• 6.1. Procesamiento de imágenes.
• 6.2. Detección de objetos.
• 6.3. Segmentación.
• 6.4. GAN.

Módulo 7. Natural Language Processing

• 7.1. Preprocesamiento y representación de texto.
• 7.2. Clasificación.
• 7.3. Named Entity Recognition.
• 7.4. Question Answering.

Módulo 8. Reinforcement Learning

• 8.1. Fundamentos.
• 8.2. Q-Learning y DQN.
• 8.3. Policy Gradient.

Módulo 9. Cloud Computing

• 9.1. Cloud para IA.
• 9.2. Servicios cloud de Machine Learning.

Módulo 10. Large Language Models

• 10.1. Funcionamiento de los LLM.
• 10.2. Generación y traducción.
• 10.3. Question Answering y extracción de conocimiento.

Módulo 11. Investigación avanzada

• 11.1. IA neuro-simbólica.
• 11.2. Explainable AI.
• 11.3. Federated Learning.
• 11.4. Meta-Learning y Few-Shot Learning.

Módulo 12. Comunicación y documentación

• 12.1. Comunicación de proyectos.
• 12.2. Documentación de sistemas.
• 12.3. Consideraciones éticas.

Módulo opcional. Agentes para desarrolladores

• Funcionamiento de agentes.
• Casos prácticos.
• Desarrollo práctico con agentes.