Curso: Python para Inteligencia Artificial (Próximamente)
Duración: 6 semanas Ideal para: Personas sin experiencia previa en programación.
Contenido del Curso:
1. Semana 1: Introducción a Python
o Variables, operadores y estructuras de control (if, for, while).
o Ejercicios prácticos: Creación de un programa que calcule el promedio de números ingresados por el usuario.
2. Semana 2: Funciones y Manipulación de Cadenas
o Creación y uso de funciones personalizadas.
o Métodos para manipular cadenas: búsqueda, reemplazo, división y concatenación.
o Ejercicio práctico: Programa para validar contraseñas seguras.
3. Semana 3: Listas, Diccionarios y Manejo de Archivos
o Operaciones básicas con listas y diccionarios.
o Lectura y escritura en archivos (archivos de texto y CSV).
o Proyecto práctico: Crear un sistema básico de inventarios.
4. Semana 4: Introducción a Numpy y Pandas
o Manipulación de matrices con Numpy.
o Procesamiento de datos tabulares con Pandas (filtrado, agrupación).
o Ejercicio práctico: Análisis de datos de ventas en un archivo CSV.
5. Semana 5: Visualización de Datos con Matplotlib
o Creación de gráficos básicos: líneas, barras y tortas.
o Personalización de gráficos (colores, etiquetas, leyendas).
o Ejercicio práctico: Gráfico interactivo de evolución de ventas a lo largo del tiempo.
6. Semana 6: Proyecto Final
o Título: «Análisis de Datos Simples con Python».
o Tareas:
Cargar y procesar un dataset público (ejemplo: datos climáticos).
Crear visualizaciones para resumir hallazgos clave.
o Entrega: Archivo de código con comentarios y presentación de gráficos generados.
Formato:
Videos tutoriales.
Ejercicios interactivos.
Foros de soporte para dudas.
Curso: Conceptos Básicos de Machine Learning (Próximamente)
Duración: 6 semanas Ideal para: Personas que desean una introducción práctica al aprendizaje automático.
Contenido del Curso:
1. Semana 1: Introducción a Machine Learning
o Conceptos básicos: ¿Qué es ML? ¿Cómo funciona?
o Áreas de aplicación: salud, finanzas, marketing, etc.
o Caso práctico: Identificación de un problema real que pueda resolverse con ML.
2. Semana 2: Recolección y Limpieza de Datos
o Tipos de datos: numéricos, categóricos y textos.
o Herramientas para limpiar y preparar datos (Pandas).
o Ejercicio práctico: Preparar un dataset con datos de clientes para análisis.
3. Semana 3: Algoritmos Supervisados
o Introducción a regresión lineal y logística.
o Implementación básica con scikit-learn.
o Caso práctico: Predecir precios de viviendas con regresión lineal.
4. Semana 4: Algoritmos No Supervisados
o Introducción a clustering (agrupación) y reducción de dimensionalidad (PCA).
o Implementación básica con scikit-learn.
o Caso práctico: Agrupación de clientes según patrones de compra.
5. Semana 5: Validación de Modelos y Métricas Básicas
o Validación cruzada: concepto y uso.
o Métricas: precisión, recall, y F1-score.
o Ejercicio práctico: Evaluación de un modelo predictivo para clasificación de correos spam.
6. Semana 6: Proyecto Final
o Título: «Construcción de un Modelo Predictivo Básico».
o Tareas:
Seleccionar un dataset público (ejemplo: Iris o Titanic).
Entrenar un modelo con datos procesados.
Evaluar y ajustar el modelo para mejorar resultados.
o Entrega: Notebook con código, gráficos y conclusiones explicadas.
Formato:
Lecturas interactivas.
Videos tutoriales.
Ejercicios prácticos con datasets públicos.
Curso: Redes Neuronales Básicas (Próximamente)
Nivel: Avanzado (Disponible en unos meses). Duración: 8 semanas. Objetivo: Introducir los conceptos fundamentales de redes neuronales y sus aplicaciones prácticas. Ideal para personas con conocimientos básicos de programación y matemáticas.
Contenido Detallado:
1. Semana 1: Fundamentos de Redes Neuronales
o ¿Qué es una red neuronal?
o Componentes básicos: capas, nodos, pesos y sesgos.
o Ejemplos visuales de cómo las redes «aprenden».
2. Semana 2: Perceptrón Simple
o Concepto de perceptrón: la base de las redes neuronales.
o Ejemplo práctico: Clasificación binaria con un perceptrón.
o Implementación básica en Python.
3. Semana 3: Redes Neuronales Multicapa (MLP)
o Introducción a redes con múltiples capas.
o Explicación del concepto de «forward propagation».
o Caso práctico: Clasificación de datos simples con MLP.
4. Semana 4: Función de Activación
o ¿Por qué las funciones de activación son clave?
o Tipos comunes: Sigmoid, ReLU, y tanh.
o Ejercicios: Cómo la función de activación afecta a la salida de la red.
5. Semana 5: Backpropagation y Optimización
o Concepto de retropropagación: ajuste de pesos.
o Introducción al gradiente descendente.
o Caso práctico: Implementación de una red neuronal pequeña con aprendizaje automático.
6. Semana 6: Ajustes y Evaluación de Modelos
o Métricas comunes: precisión, recall, F1-score.
o Cómo evitar el sobreajuste (overfitting).
o Caso práctico: Evaluación de un modelo en un dataset pequeño.
7. Semana 7: Introducción a Frameworks de IA
o Herramientas clave: TensorFlow y PyTorch.
o Creación de una red neuronal simple con TensorFlow.
8. Semana 8: Proyecto Final
o Diseñar, entrenar y evaluar una red neuronal para resolver un problema específico (clasificación de imágenes, predicción de datos, etc.).
o Presentación del proyecto en forma de reporte y visualización de resultados.
Formato del Curso:
Videos explicativos con ejemplos visuales.
Guías paso a paso en PDF para implementación práctica.
Soporte técnico en foros para dudas y comentarios.
Nota: Este curso incluirá material para descargar, como datasets pequeños y scripts de código base.
Botón: «Próximamente: Inscribite para ser el primero en acceder
Nuestra Visión
Imaginamos un mundo donde la inteligencia artificial sea un motor de cambio positivo, accesible para todos y utilizada con responsabilidad para mejorar la calidad de vida y preservar nuestro entorno.
Nuestra Misión
Promover el desarrollo ético y colaborativo de la inteligencia artificial, mediante la investigación, la innovación y la educación, integrando a personas de diversos campos y fomentando una comunidad inclusiva donde todos puedan contribuir y aprender
Neuro
La Inteligencia Artificial se refiere al desarrollo de sistemas informáticos capaces de realizar tareas que normalmente requerirían inteligencia humana. Implica la creación de algoritmos y modelos que permiten a las máquinas aprender, razonar, percibir y tomar decisiones.
Generalmente, existen dos tipos de IA: IA Estrecha o Débil, que está diseñada para realizar tareas específicas, y IA General o Fuerte, que posee un nivel de inteligencia similar al humano y puede manejar una amplia gama de tareas.
Neuro