▪ Unidad 1: introducción y evolución de la ia y el ml
◦ Para comenzar En esta lección introductoria descubrirás por qué la Inteligencia Artificial (IA) y el Aprendizaje Automático (Machine Learning, ML) han transformado la industria moderna. Verás un recorrido por los conceptos esenciales de la unidad: qué es la IA, para qué sirve el ML, y qué hitos históricos han marcado su evolución. También te plantearemos preguntas sencillas para que compruebes tus conocimientos básicos antes de adentrarte en los próximos temas.
◦ Concepto de IA y ML Esta lección ofrece una introducción exhaustiva a los conceptos clave de la Inteligencia Artificial (IA) y el Aprendizaje Automático (Machine Learning, ML), dos disciplinas que están transformando todos los ámbitos industriales y sociales. Se abordan definiciones, taxonomías, relaciones jerárquicas, los principales tipos de aprendizaje, ciclos de vida de proyectos industriales, aspectos éticos, métricas, y casos industriales representativos. Al finalizar, comprenderás cómo identificar las aplicaciones, ventajas y limitaciones de estos enfoques, integrando capacidades analíticas, técnicas y reflexivas imprescindibles para el profesional moderno.
◦ Hitos históricos de la IA En esta lección analizaremos los hitos históricos clave que han marcado la evolución de la Inteligencia Artificial (IA), desde sus orígenes conceptuales hasta las tendencias más recientes. A través de un recorrido cronológico y temático, descubrirás cómo la interacción entre avances científicos, limitaciones tecnológicas y el contexto social y económico han dado forma a los paradigmas actuales de la IA. Cada capítulo te permitirá entender el papel de los hitos, sus protagonistas y su repercusión en las aplicaciones industriales, preparándote para evaluar críticamente los desafíos y oportunidades de la IA en el presente y el futuro.
◦ De la IA simbólica a la estadística En esta lección, exploraremos la transición histórica y técnica de la inteligencia artificial simbólica, basada en reglas explícitas e interpretables, hacia los métodos estadísticos y de aprendizaje automático fundamentados en grandes volúmenes de datos. Analizaremos por qué la industria migró de la lógica manual a los algoritmos que aprenden de la experiencia, repasando ejemplos reales, ventajas, retos técnicos y el surgimiento de enfoques híbridos neuro-simbólicos. Aprenderás cómo ambos paradigmas coexisten y se complementan en aplicaciones industriales modernas, y cómo evaluar su idoneidad según requisitos de explicabilidad, escalabilidad y contexto operativo.
◦ Panorama general y tendencias actuales En esta lección exploraremos el estado actual de la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML) en la industria, analizando las tecnologías, arquitecturas y tendencias que están definiendo el presente y futuro cercano. Abordaremos el impacto de los modelos fundacionales y multimodales, la influencia del hardware, y cómo la regulación y la sostenibilidad se han convertido en factores clave. Además, revisaremos el auge de los enfoques neuro-simbólicos, la transformación organizacional necesaria para adoptar IA con éxito, y casos prácticos reales de aplicaciones industriales. Al finalizar la lección, tendrás una perspectiva clara sobre la evolución de la IA, las principales oportunidades y retos en su integración industrial, y cómo anticipar los cambios regulatorios, tecnológicos y sociales que se avecinan.
◦ Ejercicio práctico de libre expresión escrita En esta lección tendrás la oportunidad de aplicar, analizar y reflexionar de manera creativa sobre los grandes conceptos estudiados en la unidad. Las actividades están diseñadas para que puedas vincular la teoría con tu experiencia, sector o intereses profesionales, integrando aspectos técnicos, históricos y éticos de la inteligencia artificial y el aprendizaje automático. El objetivo es demostrar tu comprensión profunda y avanzar en tu desarrollo crítico en IA industrial.
◦ Role playing y estado de avance En esta lección de revisión consolidarás los conceptos fundamentales estudiados en la unidad. Repasarás definiciones clave, hitos históricos, tipos de IA y su aplicación industrial, a través de actividades de memoria activa y simulación de situaciones reales. El objetivo es que refuerces la comprensión y seas capaz de argumentar y aplicar los conocimientos adquiridos.
◦ Evaluación de la unidad Pon a prueba tus conocimientos sobre la historia, fundamentos, paradigmas y tendencias actuales de la Inteligencia Artificial y el Aprendizaje Automático. Al finalizar, tendrás una visión clara de tus áreas de dominio y los conceptos que requieren refuerzo antes de avanzar en el curso.
▪ Unidad 2: evolución y tendencias del ml y deep learning
◦ Para comenzar En esta lección introductoria descubrirás de forma clara y visual por qué la inteligencia artificial y el aprendizaje automático son motores clave de la transformación industrial actual. Se explorarán los avances recientes, sus aplicaciones prácticas y los desafíos a considerar en la adopción de estas tecnologías. Al finalizar, tendrás una visión global que te preparará para adentrarte en profundidad en los contenidos de la unidad.
◦ Avances recientes en ML En esta lección exploraremos los hitos que han impulsado la evolución del aprendizaje automático (Machine Learning, ML) entre 2023 y 2025. Analizaremos los factores convergentes que han acelerado el desarrollo del ML: modelos fundacionales multimodales, mejoras en eficiencia de cómputo, nuevas arquitecturas como MoE, técnicas avanzadas de compresión y cuantización, hardware especializado, despliegue en la periferia (edge) y el impacto regulatorio y ambiental.
◦ Aplicaciones industriales del ML En esta lección analizaremos cómo el aprendizaje automático (Machine Learning, ML) ha revolucionado sectores industriales en los últimos años. A través de casos reales, métricas de negocio y análisis técnico, descubrirás cómo la IA se ha integrado en fábricas, hospitales, refinerías y empresas de logística. Profundizaremos en factores críticos como la elección del modelo, la calidad de los datos, la infraestructura y las mejores prácticas de gobernanza.
◦ Tendencias en deep learning En esta lección, exploraremos las tendencias más recientes del deep learning aplicadas a la industria. Analizaremos las nuevas arquitecturas como los modelos fundacionales multimodales, técnicas de eficiencia como MoE y FlashAttention-3, avances en compresión (NF4/NVFP4 y QLoRA) y nuevas fronteras en generación multimodal, hardware especializado, neuro-simbiosis y sostenibilidad.
◦ Factores de adopción y retos Esta lección analiza a fondo los factores que impulsan o dificultan la adopción del aprendizaje automático y la inteligencia artificial en entornos industriales. Explorarás de manera integral el mapa de elementos técnicos, organizativos, regulatorios, económicos y culturales que determinan el éxito real de la IA más allá de prototipos o pilotos exitosos en laboratorio.
◦ Ejercicio práctico de libre expresión escrita En esta lección tendrás la oportunidad de aplicar todo lo aprendido sobre los avances recientes en aprendizaje automático, sus aplicaciones industriales y los factores de adopción y sostenibilidad. Mediante actividades de redacción abierta, podrás demostrar tu comprensión y analizar tendencias clave relacionándolas con casos empresariales reales.
◦ Role playing y estado de avance Esta lección te permite repasar los conceptos clave, los avances recientes y los retos de la evolución del aprendizaje automático y el deep learning en entornos industriales. Pondrás en práctica tus aprendizajes asumiendo el rol de ingeniero/a en una simulación de conversación técnico-estratégica enfocada en la resolución de problemas reales conforme a los estándares del sector.
◦ Evaluación de la unidad En esta lección pondrás a prueba tus conocimientos sobre los avances recientes en aprendizaje automático y deep learning, su impacto industrial y los principales factores que potencian o frenan su adopción.
▪ Unidad 3: fundamentos de redes neuronales (i)
◦ Para comenzar En esta lección de introducción, descubrirás qué son las redes neuronales artificiales, por qué revolucionan la industria y cuáles serán los pilares que exploraremos en la unidad. Repasaremos brevemente su evolución, dónde se usan hoy y qué conceptos clave conviene dominar.
◦ Estructura básica de una red neuronal En esta lección estudiarás la estructura fundamental de las redes neuronales artificiales, desde el funcionamiento interno de la neurona artificial hasta la organización jerárquica en capas. Analizaremos cómo los datos se transforman al pasar de entrada a salida, el impacto de pesos y sesgos, y el papel de las funciones de activación.
◦ Capas, pesos y funciones de activación En esta lección nos adentramos en la estructura interna de las redes neuronales: conocerás qué son las capas y sus diferentes tipos, cómo los pesos y sesgos almacenan el “conocimiento” del modelo, y el papel crucial de las funciones de activación tanto en su significado matemático como industrial.
◦ Proceso de entrenamiento y retropropagación En esta lección, exploraremos en profundidad cómo aprenden las redes neuronales artificiales en el contexto industrial: desde el flujo completo de entrenamiento supervisado, la retropropagación del gradiente y la optimización de los pesos, hasta estrategias de regularización y buenas prácticas industriales.
◦ Regularización y optimización Exploraremos cómo las técnicas de regularización y optimización son fundamentales para garantizar que los modelos sean precisos, eficientes y robustos. Se cubrirán desde los métodos clásicos hasta estrategias de vanguardia como SAM y Lion.
◦ Ejercicio práctico de libre expresión escrita Este ejercicio te permite profundizar y reforzar los conocimientos adquiridos sobre las redes neuronales artificiales aplicadas en entornos industriales. Tendrás la oportunidad de analizar problemas reales y explicar conceptos esenciales con tus propias palabras.
◦ Role playing y estado de avance Esta lección de repaso te permitirá consolidar los conceptos clave aprendidos en la unidad a través de actividades interactivas como tarjetas didácticas y una simulación de role play industrial.
◦ Evaluación de la unidad En esta evaluación demostrarás tu comprensión sobre los fundamentos de redes neuronales artificiales y sus aplicaciones industriales, así como el diseño y optimización de arquitecturas.
▪ Unidad 4: fundamentos de redes neuronales (ii)
◦ Para comenzar En esta lección introductoria descubrirás el impacto de las arquitecturas de redes neuronales en el sector industrial, centrándonos en cómo las CNN, LSTM y autoencoders resuelven retos diversos.
◦ Redes convolucionales: arquitectura y uso Exploraremos las redes neuronales convolucionales (CNN), la arquitectura que revolucionó la visión artificial industrial. Aprenderás sus componentes clave, técnicas de optimización para reducir latencia e integración con sistemas como PLC y SCADA.
◦ Redes recurrentes y LSTM Descubrirás por qué las redes recurrentes (RNN), las LSTM y las GRU son fundamentales para procesar secuencias y series temporales en la industria. Aprenderás su anatomía, cómo funcionan sus compuertas y sus aplicaciones industriales reales.
◦ Redes profundas y autoencoders Analizaremos cómo los autoencoders (AE) permiten comprimir información y detectar anomalías en aplicaciones industriales. Veremos cómo la profundidad y la codificación automática se combinan para soluciones eficientes y auditables.
◦ Selección de la red adecuada Aprende a elegir, justificar y optimizar la arquitectura de red neuronal más adecuada según el problema industrial, los datos disponibles, las restricciones de hardware y la regulación vigente.
◦ Ejercicio práctico de libre expresión escrita Tendrás la oportunidad de aplicar de forma original los conceptos clave sobre las arquitecturas fundamentales de redes neuronales, analizando escenarios industriales reales y justificando decisiones tecnológicas.
◦ Role playing y estado de avance Consolidarás los conceptos clave mediante tarjetas de memorización y un ejercicio interactivo de role play simulando una situación real dentro de una planta industrial.
◦ Evaluación de la unidad Pon a prueba tus conocimientos sobre arquitecturas de redes neuronales industriales, compresión de modelos, integración con hardware y cumplimiento regulatorio.
▪ Unidad 5: ejercicios prácticos con keras/tensorflow
◦ Para comenzar Descubrirás las bases y el alcance de la unidad dedicada a las aplicaciones industriales del aprendizaje automático con Keras y TensorFlow, familiarizándote con los escenarios reales de producción.
◦ Implementación de una red densa con Keras Aprenderás a construir una red neuronal densa (MLP) para predecir fenómenos críticos. Abarcaremos desde la selección de datos hasta la cuantización a INT8 y el despliegue en dispositivos industriales.
◦ Construcción de una CNN para clasificación Explorarás el diseño, entrenamiento y despliegue de una CNN para inspección visual industrial, incluyendo técnicas de data augmentation, transfer learning y explicabilidad con Grad-CAM.
◦ Modelado de secuencias con RNN y LSTM Aborda el diseño e implementación de redes recurrentes para el análisis de series temporales industriales, permitiendo anticipar fallos críticos y optimizar el mantenimiento.
◦ Técnicas de optimización e hiperparámetros Explorarás las estrategias para entrenar modelos robustos, seleccionando optimizadores, schedulers y técnicas de regularización para reducir latencia y consumo energético.
◦ Evaluación y mejora del rendimiento Aprenderás a evaluar y monitorear modelos mediante métricas técnicas (AUC, recall, latencia) y descubrirás cómo transformar resultados en indicadores de negocio y cumplimiento normativo.
◦ Proyecto integrado: desarrollo end-to-end Unificarás los tres dominios (datos tabulares, visión y señales temporales) en un único pipeline integrado de extremo a extremo, desde la captación del dato hasta el despliegue seguro en borde.
◦ Ejercicio práctico de libre expresión escrita Consolidarás tus conocimientos diseñando y justificando soluciones de IA industrial multimodal, vinculando decisiones técnicas con resultados de negocio.
◦ Role playing y estado de avance Repasarás los conceptos clave mediante tarjetas de memorización y una simulación de defensa técnico-operativa ante escenarios realistas.
◦ Evaluación de la unidad Pon a prueba tu aprendizaje sobre la aplicación de Keras y TensorFlow cubriendo casos de datos tabulares, visión, series temporales y proyectos multimodales.
▪ Evaluación final
◦ Evaluación final Esta evaluación final mide tu dominio sobre los conceptos fundamentales, la arquitectura y la aplicación industrial de la inteligencia artificial y el aprendizaje automático revisados a lo largo de todo el curso.