Curso Online (IFCT155PO) Introducción a la Inteligencia Artificial y los algoritmos - 180 h - 7,2 créditos ECTS. Diploma emitido por la UNED (DRED art. 83 LOU) con créditos ECTS.
740,00€
CIFV.- Centro Internacional de Formación Virtualpublica convocatoria del Curso Online: (IFCT155PO) Introducción a la Inteligencia Artificial y los algoritmos - 180 h - 7,2 créditos ECTS
Diploma emitido por la UNED (DRED art. 83 LOU) con créditos ECTS.
Plazas limitadas
Modalidad de enseñanza-aprendizaje: 100% Online.
Baremable y Puntuable
Diploma emitido por la UNED (DRED art. 83 LOU) con 7,2 créditos ECTS (European Credit Transfer System) de validez académica y profesional en toda Europa.
Válido para sumar méritos tanto en el sector público como privado, puede ser incluido como mérito baremable en oposiciones, concursos-oposición, bolsas de empleo o promociones internas y en procesos de selección de personal de empresas, asociaciones, colegios oficiales, etc
Incluye: Orientación laboral para la búsqueda y mejora de la empleabilidad en dicho ámbito profesional + Bolsa de Empleo (opcional).
Organizado e impartidopor CIFV.- Centro Internacional de Formación Virtual. Formación y Empleo.
Comienzo:Realizado el pago de la matrícula se le asignará de manera automática una de las plazas y en un plazo máximo de 24 horas recibirá sus credenciales personales de acceso al curso a través de correo electrónico.
Los contenidos se dividen en 10 Unidades Didácticas. A tu ritmo, con tutorías personalizadas.
El curso IFCT155PO - Introducción a la Inteligencia Artificial y los Algoritmos ofrece diversas oportunidades profesionales en el ámbito de la tecnología y la informática, sumarás méritos para, entre otros, los siguientes perfiles profesionales:
Desarrollador/a de algoritmos de IA para aplicaciones empresariales.
Analista de datos e inteligencia artificial, interpretando información para la toma de decisiones.
Especialista en machine learning, optimizando modelos predictivos.
Consultor/a en transformación digital, asesorando empresas en la implementación de IA.
Docente o formador/a en inteligencia artificial, impartiendo cursos y capacitaciones.
Este curso es esencial para quienes buscan especializarse en el uso de algoritmos y técnicas de IA en diversos sectores.
Contarás con:
Contenidos actualizados y de calidad.
Precio bonificado. En CIFV.-Centro Internacional de Formación Virtual ponemos a tu alcance una formación profesional de calidad. Gracias a nuestra política de precios bonificados, ofrecemos una matrícula reducida que beneficia directamente a nuestro alumnado, facilitándoles el acceso a programas formativos de Especialización Profesional homologados, certificados y/o acreditados. Esta iniciativa no está vinculada a ningún tipo de subvención externa, forma parte de nuestro compromiso por una formación de calidad y accesible.
Casos prácticos reales.
Orientación laboral personalizada.
Recursos Multimedia Educativos.Acceso a tu expediente de estudiante CIFV por tiempo indefinido, podrás acceder a tu Perfil de Estudiante CIFV y descargar tus certificados de los Cursos de Especialización Profesional CIFV que hayas superado cada vez que lo necesites. Esta herramienta te permitirá gestionar y visualizar tus logros académicos de manera organizada y eficiente, reforzando así tu desarrollo profesional y académico.
Inclusión en Bolsa de Empleo por tiempo indefinido (opcional).
El Carnet de Estudiante CIFV, con dicho Carnet tendrás acceso a descuentos exclusivos para estudiantes de CIFV , descuentos en productos de empresas con las que CIFV mantiene convenios de colaboración (opcional).
Posibilidad de pago fraccionado de la matrícula en 3 cuotas sin intereses a través de PayPal.
Requisitos y conocimientos previos: No se requiere nivel académico previo, pero al ser en modalidad online es necesario poseer conocimientos básicos de informática, así como habilidades básicas de comunicación lingüística que permitan el aprendizaje y el seguimiento de la formación.
OBJETIVOS
Objetivo general
• Conocer todas las nociones y características de las IA y su aplicación
directa en algoritmos.
Objetivos específicos
• Conocer la diferencia entre Inteligencia Artificial y programa
informático.
• Repasar varios acontecimientos históricos que marcaron los inicios
de la hoy conocida como Inteligencia Artificial.
• Conocer diferentes autores, sus proyectos y la importancia histórica
de sus trabajos científicos.
• Entender cómo funciona una IA y de qué forma aprende imitando el
comportamiento humano.
• Conocer las características que tienen en común todas las
Inteligencias Artificiales.
• Comprender cuales son los retos principales que traen estas
características.
• Aprender los símbolos, y su relación con los métodos y técnicas
empleados en la Inteligencia Artificial.
• Entender la programación lógica y como se forman sus expresiones
básicas.
• Conocer los sistemas expertos y su importancia como antecedentes
de otros sistemas de IA actuales.
• Conocer dos de los lenguajes empleados en la construcción de
sistemas expertos y la lógica proposicional: LISP y PROLOG.
• Comprender las diferencias y similitudes entre la lógica
proposicional y la lógica de predicados, así como otros modelos de
lógica.
• Dominar los elementos, conectores y fórmulas bien formadas de la
lógica proposicional.
• Aprender los conceptos y componentes de la lógica de predicados de
primer orden, incluyendo el alfabeto, las oraciones del lenguaje de
primer orden, la semántica y la interpretación.
• Comprender los sistemas deductivos y su objetivo, así como el
sistema de Hilbert y las reglas de inferencia.
• Desarrollar habilidades en la aplicación de la lógica deductiva y en la
construcción de demostraciones.
• Comprender la importancia de la lógica en diversas áreas,
incluyendo la filosofía, la informática y las ciencias formales.
• Aplicar los conocimientos adquiridos en la resolución de problemas y
situaciones concretas.
• Comprender los fundamentos teóricos de los algoritmos de
aprendizaje automático supervisado y no supervisado, así como sus
fortalezas y debilidades en diferentes situaciones y escenarios.
• Aprender cómo implementar y aplicar redes neuronales artificiales,
árboles de decisión, algoritmos de clasificación y algoritmos de
regresión para resolver problemas de clasificación y predicción.
• Familiarizarse con los conceptos de aprendizaje por refuerzo,
algoritmos genéticos, algoritmos de clustering y reducción de
dimensionalidad, y aprender cómo aplicarlos en diferentes
situaciones, como en robótica o en la toma de decisiones en tiempo
real.
• Comprender los algoritmos de procesamiento de imágenes y voz,
como la reducción de ruido en imágenes, análisis de sentimientos,
detección de objetos en imágenes y reconocimiento de voz, y
aprender a aplicarlos en diferentes situaciones.
• Aprender a aplicar algoritmos de procesamiento del lenguaje natural
y predicción, como el procesamiento del lenguaje natural y la
predicción de series temporales, y aprender a optimizar las redes
neuronales para mejorar su rendimiento.
• Comprender qué son los algoritmos y su importancia para los
negocios.
• Conocer ejemplos de algoritmos utilizados en el mundo empresarial.
• Aprender cómo los algoritmos pueden mejorar la eficiencia y
productividad en los negocios.
• Identificar los desafíos de la implementación de algoritmos en los
negocios y cómo superarlos.
• Conocer los beneficios y desafíos de la geolocalización en el ámbito
empresarial.
• Explorar las tendencias y perspectivas futuras de la geolocalización
en el mundo empresarial y cómo aprovecharlas para mejorar el
rendimiento empresarial.
Comprender la definición de sistemas basados en conocimiento y las
diferencias entre estos y los sistemas expertos.
• Conocer ejemplos de aplicaciones de sistemas basados en
conocimiento en distintos campos, como la medicina, la gestión
empresarial, la robótica y la educación.
• Identificar las ventajas y desventajas de los sistemas basados en
conocimiento.
• Aprender acerca de los diferentes tipos de conocimiento
(declarativo, procedimental y heurístico) y los métodos de
representación del conocimiento (reglas, marcos, redes semánticas,
ontologías, entre otros).
• Conocer los procesos y herramientas para adquirir y validar
conocimiento, así como los métodos para transferir conocimiento de
sistemas existentes a nuevos sistemas.
• Comprender los conceptos fundamentales de los motores de
inferencia y su función en la Inteligencia Artificial.
• Identificar las ventajas y desventajas de los motores de inferencia
en la Inteligencia Artificial.
• Conocer los diferentes tipos y modelos de inferencia utilizados en la
Inteligencia Artificial y sus diferencias.
• Comprender los modelos de inferencia específicos, como los
modelos basados en reglas, probabilísticos, basados en redes
neuronales y lógica difusa.
• Analizar las aplicaciones actuales y las tendencias en el desarrollo
de los motores de inferencia, así como los desafíos y el futuro de
esta tecnología en la Inteligencia Artificial.
• Identificar patrones en diferentes tipos de datos y en diferentes
áreas de la Inteligencia Artificial, desarrollando habilidades críticas
para analizar y comprender problemas complejos.
• Proporcionar conocimientos fundamentales sobre técnicas de
aprendizaje automático, incluyendo tanto enfoques supervisados
como no supervisados, para detectar patrones y construir modelos
predictivos.
• Interpretar los resultados obtenidos de los modelos de aprendizaje
automático, comprendiendo cómo se detectan patrones y cómo se
aplican estos patrones en la toma de decisiones.
• Resolver problemas complejos en una variedad de campos de la
Inteligencia Artificial.
• Desarrollar aplicaciones prácticas de Inteligencia Artificial que
utilicen patrones, construyendo soluciones a problemas reales y
contribuyendo al desarrollo de la tecnología de la Inteligencia
Artificial.
• Comprender la importancia de la ética y la responsabilidad en el
desarrollo y aplicación de la Inteligencia Artificial y los algoritmos.
• Adquirir conocimientos y habilidades técnicas necesarias para
diseñar, desarrollar y evaluar sistemas de Inteligencia Artificial y
algoritmos de manera ética y responsable.
• Desarrollar habilidades para identificar y mitigar sesgos y
discriminación en los sistemas de Inteligencia Artificial y algoritmos.
• Ser capaz de evaluar los sistemas y aplicaciones para asegurar que
cumplan con los estándares éticos y legales.
• Evaluar el impacto de la Inteligencia Artificial y los algoritmos en
diferentes sectores, como el empleo, la educación, la atención
médica, la agricultura, la energía y el medio ambiente.
TUTORIZACIÓN
La enseñanza es dirigida e impartida por expertos en el área, brindando acompañamiento y asistencia constante a los estudiantes.
METODOLOGÍA
El planteamiento metodológico consiste en la realización del Curso a través del Campus Virtual del CIFV.-Centro Internacional de Formación Virtual. Formación y Empleo, con un enfoque eminentemente teórico-práctico, contará en este Campus con los materiales del temario para su seguimiento, así como con recursos de carácter complementario, enlaces web de interés, bibliografía recomendada y cuestionarios de autoevaluación para el alumnado. Todo ello quedará recogido y presentado en su aula virtual.
Esta metodología se basa en:
- Aprendizaje dinámico y teórico-práctico con tutorías personalizadas.
-Con contenidos actualizados permanentemente.
-Con práctica y docencia teórica orientada a la resolución de problemas y dudas a través de la plataforma.
-Y tecnologías para la teleformación de última generación.
ÍNDICE DE CONTENIDOS
Unidad 1: Nociones y antecedentes.
1. Nociones y antecedentes. En la Antigüedad.
2. Leonardo da Vinci: Autómata Cavaliere y el león mecánico.
3. Nociones.
3.1. Norbert Wiener, Warren McCulloch y Walter Pitts.
4. Alan Turing.
4.1. Premio Loebner y los Chatbots.
5. Reconocimiento.
6. Ajedrez.
6.1. Microprocesadores y Deep Blue.
7. Lenguaje Natural: fases 1 y 2.
8. Lenguaje Natural: fases 3 y 4.
9. ¿Inteligencia Artificial o programa informático?
10. Nuevo auge
Unidad 2: Características de la IA.
1. Características de la IA.
1.1. Situaciones en las que podemos aplicar la IA.
1.2. Características comunes de la Inteligencia
Artificial.
2. Las redes neuronales.
2.1. Imita el cerebro humano.
2.2. Ventajas de las redes neuronales.
3. Machine Learning (ML). Supervisado y sin supervisión.
3.1. Machine Learning (ML). Semisupervisado y uso
de refuerzo.
4. Automatización de procesos.
5. Función 24x7.
6. Precisión absoluta.
7. Gestión de datos abundantes.
7.1. Hablemos más de datos.
7.2. Datos estructurados vs no estructurados.
8. Retos. Datos y personal.
8.1. Retos. Coste y software.
Unidad 3: Símbolos y métodos numéricos
1. Símbolos y métodos numéricos. Introducción a la
2.4. Sistemas expertos. Tercera generación y lógica
difusa.
2.5. Sistemas expertos. Tareas.
2.6. Caja negra y caja de cristal.
2.7. Caja negra y caja de cristal. Ejemplos y
conclusiones.
3. Lógica proposicional.
3.1. Lenguaje de la representación del conocimiento.
3.2. Sintaxis de la lógica proposicional.
3.3. Semántica de la lógica proposicional.
4. Tablas de verdad.
4.1. Inferencia o razonamiento.
5. Lenguajes de desarrollo de la IA.
5.1. Lenguajes de desarrollo de la IA. LISP y PROLOG.
5.2. Funcionamiento de LISP y PROLOG.
Unidad 4: Fórmulas y funciones.
1. Introducción. Lógica proposicional.
1.1. Introducción. Lógica de predicados.
1.2. Introducción. Otros modelos de lógica.
2. Lógica proposicional. Elementos.
2.1. Conectores.
2.2. Fórmulas bien formadas.
3. Lógica de predicados. Lógica de primer orden.
3.1. Componentes.
3.2. Formulas Bien Formadas (FBF).
3.3. Alfabeto de la lógica de primer orden.
3.4. Alfabeto de la lógica de primer orden.
3.5. Oraciones del lenguaje de primer orden.
3.6. Semántica de primer orden.
3.7. Interpretación de un lenguaje de primer orden.
3.8. Verdad en una interpretación.
3.9. Modelos y satisfacibilidad.
4. Sistemas deductivos. Objetivo.
4.1. Hilbert y su sistema.
4.2. Reglas de Inferencia.
4.3. Teorema de la deducción.
4.4. Sistemas formales y la incompletitud de Gödel.
4.5. Teorema de Gödel sobre la incompletitud de los
sistemas formales.
4.6. Conclusión.
Unidad 5: Algoritmos.
1. Introducción. Algoritmos I.
1.1. Introducción. Algoritmos II.
2. Aprendizaje automático supervisado. Contexto.
2.1. Redes neuronales artificiales.
2.2. Algoritmos de clasificación.
2.3. Árboles de decisión.
2.4. Algoritmos de regresión.
3. Aprendizaje automático NO supervisado. Contexto.
3.1. Aprendizaje por refuerzo (Reinforcement
Learning).
3.2. Algoritmos genéticos.
3.3. Algoritmos de clustering.
3.4. Reducción de dimensionalidad.
4. Minería de datos. Contexto.
4.1. Relación entre minería de datos e IA.
4.2. Algoritmos de detección de anomalías.
4.3. Algoritmos de minería de datos.
4.4. Algoritmos de selección de características.
4.5. Algoritmos de agrupamiento difuso (Fuzzy
Clustering).
5. Procesamiento de imágenes y voz. Contexto.
5.1. Reducción de ruido en imágenes mediante
algoritmos de filtrado.
5.2. Algoritmos de análisis de sentimientos.
5.3. Algoritmos de detección de objetos en imágenes.
5.4. Algoritmos de reconocimiento de voz.
6. Procesamiento del lenguaje natural y predicción. Contexto.
6.1. Algoritmos de procesamiento del lenguaje
natural.
6.2. Algoritmos de predicción de series temporales.
6.3. Algoritmos de optimización de redes neuronales.
Unidad 6: Algoritmos y aplicaciones de negocio (caso
geolocalización).
1. Introducción. ¿Qué son los algoritmos y por qué son
importantes para los negocios?
1.1. Ejemplos de algoritmos utilizados en los
negocios.
1.2. Introducción a la geolocalización y su importancia
en el ámbito empresarial.
2. Maneras de mejorar los negocios con algoritmos I.
2.1. Maneras de mejorar los negocios con algoritmos
II.
2.2. Utilización de algoritmos en la toma de decisiones
empresariales.
2.3. Aplicaciones de algoritmos en la gestión de datos
y análisis de información empresarial.
2.4. Algoritmos de Inteligencia Artificial y su impacto
en los negocios.
2.5. Algoritmos de optimización y su aplicación en la
gestión de recursos empresariales.
2.6. Algoritmos en la planificación y gestión de
proyectos empresariales.
3. Desafíos y conclusiones. Desafíos en la implementación de
algoritmos en los negocios.
3.1. ¿Cuáles son las oportunidades que brindan los
algoritmos en los negocios y cómo las empresas
pueden aprovecharlas?
4. Algoritmos y aplicaciones de geolocalización. Conceptos
fundamentales de los algoritmos de geolocalización.
4.1. Tipos de algoritmos de geolocalización utilizados
en el mundo empresarial.
4.2. Ejemplos de aplicaciones de negocio que utilizan
la geolocalización.
4.3. Herramientas y plataformas de geolocalización
disponibles para las empresas.
5. Beneficios de la geolocalización para el ámbito
empresarial: ahorro de costes, aumento de la eficiencia,
mejora de la toma de decisiones.
5.1. Desafíos y limitaciones de la geolocalización en el
ámbito empresarial: privacidad, precisión de los
datos, acceso a la tecnología.
6. Tendencias y perspectivas futuras. Tendencias y
perspectivas futuras de la geolocalización en el mundo
empresarial.
6.1. Conclusiones.
Unidad 7: Sistemas basados en conocimiento.
1. Introducción a los sistemas basados en conocimiento.
Definición de sistemas basados en conocimiento.
1.1. Diferencias entre sistemas basados en
conocimiento y sistemas expertos.
1.2. Ejemplos de aplicaciones de sistemas basados en
conocimiento.
1.3. Ventajas y desventajas de los sistemas basados
en conocimiento.
1.4. Tendencias y futuro de los sistemas basados en
conocimiento.
2 Representación del conocimiento. Tipos de conocimiento:
declarativo, procedimental y heurístico.
2.1. Métodos de representación del conocimiento.
2.2. Selección del método de representación
adecuado para el problema a resolver.
2.3. Transformación de conocimiento en una forma
utilizable por el sistema.
2.4. Modelos de conocimiento híbridos.
3. Adquisición de conocimiento. Métodos para adquirir
conocimiento.
3.1. Herramientas de apoyo a la adquisición de
conocimiento.
3.2. Procesos de validación y verificación de la calidad
del conocimiento adquirido.
3.3. Incorporación de feedback para mejorar la
calidad del conocimiento.
3.4. Métodos de transferencia de conocimiento.
4. Implementación y evaluación de sistemas basados en
conocimiento. Diseño e implementación de sistemas basados
en conocimiento.
4.1. Evaluación del desempeño de los sistemas
basados en conocimiento.
4.2. Mantenimiento y actualización de los sistemas
basados en conocimiento.
4.3. Integración de sistemas basados en conocimiento
con otros sistemas de IA.
4.4. Diseño y evaluación de interfaces de usuario para
sistemas basados en conocimiento.
5. Aplicaciones específicas de sistemas basados en
conocimiento. Aplicaciones en la medicina.
5.1. Aplicaciones en la gestión del conocimiento
empresarial.
5.2. Aplicaciones en la robótica y la automatización.
5.3. Aplicaciones en la educación.
Unidad 8: Motores de inferencia.
1. Conceptos fundamentales de los motores de inferencia.
1.1. ¿Qué son los motores de inferencia?
1.2. Funciones de los motores de inferencia en la
Inteligencia Artificial.
1.3. Ventajas y desventajas de los motores de
inferencia en la Inteligencia Artificial.
2. Modelos de inferencia en la Inteligencia Artificial.
2.1. Tipos de motores de inferencia.
2.2. Modelos de inferencia en la Inteligencia Artificial.
2.3. Diferencias entre los modelos de inferencia en la
Inteligencia Artificial.
3. Modelos de inferencia específicos.
3.1. Modelos de inferencia basados en reglas.
3.2. Modelos de inferencia probabilística.
3.3. Modelos de inferencia basados en redes
neuronales.
3.4. Modelos de inferencia basados en lógica difusa.
3.5. ¿Qué es el razonamiento basado en casos y cómo
se relaciona con los motores de inferencia?
4. Representación del conocimiento en los motores de
inferencia.
4.1. ¿Cómo se representa el conocimiento en los
motores de inferencia?
4.2. Lenguajes de representación del conocimiento en
los motores de inferencia.
4.3. Métodos para adquirir conocimiento y alimentar
los motores de inferencia. Parte I.
4.4. Métodos para adquirir conocimiento y alimentar
los motores de inferencia. Parte II.
5. Aplicaciones y tendencias de los motores de inferencia.
5.1. Tendencias de los motores de inferencia.
5.2. Ejemplos de motores de inferencia utilizados en
la Inteligencia Artificial.
5.3. Aplicaciones de los motores de inferencia en la
Inteligencia Artificial.
5.4. Tendencias actuales en el desarrollo de los
motores de inferencia.
5.5. Desafíos en el desarrollo de los motores de
inferencia en la Inteligencia Artificial.
5.6. Futuro de los motores de inferencia en la
Inteligencia Artificial.
5.7. Conclusiones sobre los motores de inferencia en
la Inteligencia Artificial.
Unidad 9: Patrones.
1. Patrones en el aprendizaje automático supervisado.
1.1. Introducción a los patrones en el aprendizaje
automático supervisado.
1.2. Ejemplos de patrones en conjuntos de datos
etiquetados.
1.3. Métodos de detección de patrones en conjuntos
de datos.
1.4. Interpretación de patrones encontrados en
modelos supervisados.
1.5. Ejemplos de aplicaciones de aprendizaje
automático supervisado que utilizan patrones.
2. Patrones en el aprendizaje automático no supervisado.
2.1. Introducción a los patrones en el aprendizaje
automático no supervisado.
2.2. Métodos de agrupamiento (clustering) y
detección de anomalías.
2.3. Ejemplos de patrones en conjuntos de datos no
etiquetados.
2.4. Interpretación de patrones encontrados en
modelos no supervisados.
2.5. Ejemplos de aplicaciones de aprendizaje
automático no supervisado que utilizan patrones.
3. Patrones en el procesamiento del lenguaje natural.
3.1. Introducción a los patrones en el procesamiento
del lenguaje natural.
3.2. Ejemplos de patrones lingüísticos en textos.
3.3. Métodos de detección de patrones lingüísticos.
3.4. Ejemplos de aplicaciones de procesamiento del
lenguaje natural que utilizan patrones.
4. Patrones en la visión por computadora.
4.1. Introducción a los patrones en la visión por
computadora.
4.2. Ejemplos de patrones visuales en imágenes y
videos.
4.3. Métodos de detección de patrones visuales.
4.4. Ejemplos de aplicaciones de visión por
computadora que utilizan patrones.
5. Patrones en la robótica y la automatización.
5.1. Introducción a los patrones en la robótica y la
automatización.
5.2. Ejemplos de patrones en tareas robóticas y de
automatización.
5.3. Métodos de detección de patrones en tareas
robóticas y de automatización.
5.4. Ejemplos de aplicaciones de robótica y
automatización que utilizan patrones.
Unidad 10: Reglas y restricciones.
1. Ética y responsabilidad en la IA y los algoritmos.
1.1. Responsabilidad y accountability en la IA y los
algoritmos.
1.2. Ética en el diseño de la IA y los algoritmos.
1.3. La necesidad de diversidad e inclusión en el
desarrollo de la IA y los algoritmos.
1.4. Evaluación de impacto ético en la IA y los
algoritmos.
1.5. La importancia de la ética en la IA y los
algoritmos en la toma de decisiones empresariales y
organizativas.
2. Sesgos y discriminación en la IA y los algoritmos.
2.1. Sesgos en los algoritmos y cómo evitarlos.
2.2. Discriminación en la IA y los algoritmos.
2.3. Privacidad y seguridad en la IA y los algoritmos.
3. Regulaciones y gobernanza en la IA y los algoritmos.
3.1. Regulaciones y leyes sobre la IA y los algoritmos.
3.2. Transparencia y explicabilidad en la IA y los
algoritmos.
3.3. Gobernanza de la IA y los algoritmos.
4. Impacto de la IA y los algoritmos en diferentes sectores.
4.1. Impacto de la IA y los algoritmos en el empleo y
el mercado laboral.
4.2. La IA y los algoritmos como ejemplo en la
atención médica y la medicina.
4.3. La IA y los algoritmos en la toma de decisiones
políticas y públicas.
5. Futuro de la IA y los algoritmos.
5.1. Futuro de la IA y los algoritmos: tendencias y
perspectivas.
5.2. La influencia de la Inteligencia Artificial y los
algoritmos en la forma en que nos comunicamos y
nos relacionamos con los demás.
5.3. El potencial de la IA y los algoritmos para
amplificar la desinformación y la propaganda.
5.4. El papel de la IA y los algoritmos en la creación
de trabajos y la automatización del trabajo humano.
SISTEMA DE EVALUACIÓN
El alumnado resolverá satisfactoriamente los ejercicios propuestos por su tutora.
Obtendrás dos Diplomas:
Diploma emitido, certificado y acreditado por CIFV.-Centro Internacional de Formación Virtual. Formación y Empleo. Superada la formación podrás descargarte de manera inmediata tu Diploma desde el aula virtual del curso.
Diploma emitido por la UNED (DRED art. 83 LOU) con créditos ECTS (European Credit Transfer System),se te enviará por correo electrónico en un plazo máximo de 4 semanas desde el momento en que haya finalizado el curso.
BOLSA DE EMPLEO
El alumnado de las acciones formativas organizadas o impartidas por CIFV tiene la posibilidad de formar parte de su Bolsa de Empleo (interna y externa). El objetivo principal de esta bolsa de empleo indefinida y especializada en el ámbito profesional del presente Curso de Especialización Profesional es proporcionar un impulso significativo al desarrollo profesional de los estudiantes de CIFV.
Las personas que pertenecen a dicha bolsa tienen acceso a publicaciones de ofertas de empleo internas de CIFV y de organizaciones afines a nuestro Centro facilitándoles de este modo a nuestro alumnado el trabajo de búsqueda de empleo o mejora de su empleabilidad. El acceso será por tiempo indefinido; desde el inicio de la formación, si te interesa este servicio gratuito, envía tu CV actualizado a info@cifv.es tras matricularte. Te enviaremos las claves personales de acceso a la Bolsa de Empleo.
MATRÍCULA.
740€.Posibilidad de pago en 3 plazos sin intereses a través de Paypal.
Realizado el pago de la matrícula se te asignará automáticamente tu plaza y en 24 horas máximo recibirás a través de correo electrónico sus credenciales personales de acceso al curso.
Pregunta frecuente:¿El importe de la matrícula es solo el pago único indicado o hay un coste más adicional?: Es solo el pago único indicado.
Pago 100% Seguro con Protocolo de Seguridad SSL.
Pregunta frecuente:¿matrícula es solo el pago único indicado o hay un coste más adicional?: Es solo el pago único indicado.
Teléfono: 646 28 43 61, también servicio WhatsApp.
Atención presencial: Sede del Área de Coordinación del Centro Internacional de Formación Virtual. Ubicación: Plaza de el Berrocal , 1, 1º planta (junto a Clínica Biomed y enfrente del Campus Universitario del Carmen). Huelva capital.
