Curso Superior de Procesamiento de Lenguaje Natural (NLP) con Deep Learning
100% Online
300 horas
360€
Matricularme
Curso Superior de Procesamiento de Lenguaje Natural (NLP) con Deep Learning
    Curso Superior de Procesamiento de Lenguaje Natural (NLP) con Deep Learning

    Curso Superior de Procesamiento de Lenguaje Natural (NLP) con Deep Learning

    100% Online
    300 horas
    360€
    Matricularme
    Seguridad y confianza en tus pagos online.

    Presentación

    Este Curso de Procesamiento de Lenguaje natural (NLP) con Deep Learning te dará una visión completa de cómo utilizar el procesamiento de lenguaje natural (PLN) mediante técnicas avanzadas de deep learning. Abarca desde los conceptos básicos de inteligencia artificial, machine learning y deep learning, hasta la implementación práctica de modelos en Python. Además, entenderás la relación entre IA y Big Data, sistemas expertos, algoritmos de clustering y clasificación, redes neuronales y estrategias de aprendizaje profundo. También sabrás cómo llevar a cabo el desarrollo y aplicación de chatbots utilizando librerías como NLTK y herramientas como TensorFlow y Keras pudiendo enfrentar desafíos reales en la industria de la IA y el PLN.
    Qs World University Rankings

    Universidades colaboradoras

    Para qué te prepara
    El Curso de Procesamiento de lenguaje natural (NLP) con Deep Learning te prepara para desarrollar y aplicar modelos de inteligencia artificial en diversos dominios, centrados en el procesamiento de lenguaje natural. Aprenderás a utilizar herramientas avanzadas como TensorFlow y Keras para crear redes neuronales, así como a implementar algoritmos de machine learning. También estarás capacitado/a para desarrollar chatbots y aplicar técnicas de PLN.
    Objetivos
    - Comprender los fundamentos de la inteligencia artificial y su evolución. - Diferenciar entre machine learning y deep learning. - Implementar algoritmos de clustering y clasificación. - Desarrollar sistemas de recomendación. - Construir y entrenar redes neuronales profundas. - Aplicar técnicas de PLN en Python. - Desarrollar y desplegar chatbots efectivos.
    A quién va dirigido
    Este Curso de Procesamiento de lenguaje natural (NLP) con Deep Learning está pensado para estudiantes y profesionales de informática, ingeniería y campos relacionados que deseen especializarse en inteligencia artificial y procesamiento de lenguaje natural. También es adecuado para desarrolladores de software y científicos/as de datos que buscan ampliar sus conocimientos.
    Salidas Profesionales
    Al completar este Curso de Procesamiento de lenguaje natural (NLP) con Deep Learning, estarás preparado para optar a roles en ingeniería de inteligencia artificial, ciencia de datos, desarrollo de software, ingeniería de sistemas de recomendación y desarrollo de chatbots. Entre otros, en empresas de tecnología, finanzas, salud y telecomunicaciones.
    Temario

    MÓDULO 1. INTELIGENCIA ARTIFICIAL (IA), MACHINE LEARNING (ML) Y DEEP LEARNING (DL)

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

    1. Introducción a la inteligencia artificial
    2. Historia
    3. La importancia de la IA

    UNIDAD DIDÁCTICA 2. TIPOS DE INTELIGENCIA ARTIFICIAL

    1. Tipos de inteligencia artificial

    UNIDAD DIDÁCTICA 3. ALGORITMOS APLICADOS A LA INTELIGENCIA ARTIFICIAL

    1. Algoritmos aplicados a la inteligencia artificial

    UNIDAD DIDÁCTICA 4. RELACIÓN ENTRE INTELIGENCIA ARTIFICIAL Y BIG DATA

    1. Relación entre inteligencia artificial y big data
    2. IA y Big Data combinados
    3. El papel del Big Data en IA
    4. Tecnologías de IA que se están utilizando con Big Data

    UNIDAD DIDÁCTICA 5. SISTEMAS EXPERTOS

    1. Sistemas expertos
    2. Estructura de un sistema experto
    3. Inferencia: Tipos
    4. Fases de construcción de un sistema
    5. Rendimiento y mejoras
    6. Dominios de aplicación
    7. Creación de un sistema experto en C#
    8. Añadir incertidumbre y probabilidades

    UNIDAD DIDÁCTICA 6. FUTURO DE LA INTELIGENCIA ARTIFICIAL

    1. Futuro de la inteligencia artificial
    2. Impacto de la IA en la industria
    3. El impacto económico y social global de la IA y su futuro

    UNIDAD DIDÁCTICA 7. INTRODUCCIÓN AL MACHINE LEARNING

    1. Introducción
    2. Clasificación de algoritmos de aprendizaje automático
    3. Ejemplos de aprendizaje automático
    4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
    5. Tipos de algoritmos de aprendizaje automático
    6. El futuro del aprendizaje automático

    UNIDAD DIDÁCTICA 8. EXTRACCIÓN DE ESTRUCTURA DE LOS DATOS: CLUSTERING

    1. Introducción
    2. Algoritmos

    UNIDAD DIDÁCTICA 9. SISTEMAS DE RECOMENDACIÓN

    1. Introducción
    2. Filtrado colaborativo
    3. Clusterización
    4. Sistemas de recomendación híbridos

    UNIDAD DIDÁCTICA 10. CLASIFICACIÓN

    1. Clasificadores
    2. Algoritmos

    UNIDAD DIDÁCTICA 11. REDES NEURONALES Y DEEP LEARNING

    1. Componentes
    2. Aprendizaje

    UNIDAD DIDÁCTICA 12. SISTEMAS DE ELECCIÓN

    1. Introducción
    2. El proceso de paso de DSS a IDSS
    3. Casos de aplicación

    UNIDAD DIDÁCTICA 13. DEEP LEARNING CON PYTHON, KERAS Y TENSORFLOW

    1. Aprendizaje profundo
    2. Entorno de Deep Learning con Python
    3. Aprendizaje automático y profundo

    UNIDAD DIDÁCTICA 14. SISTEMAS NEURONALES

    1. Redes neuronales
    2. Redes profundas y redes poco profundas

    UNIDAD DIDÁCTICA 15. REDES DE UNA SOLA CAPA

    1. Perceptrón de una capa y multicapa
    2. Ejemplo de perceptrón

    UNIDAD DIDÁCTICA 16. REDES MULTICAPA

    1. Tipos de redes profundas
    2. Trabajar con TensorFlow y Python

    UNIDAD DIDÁCTICA 17. ESTRATEGIAS DE APRENDIZAJE

    1. Entrada y salida de datos
    2. Entrenar una red neuronal
    3. Gráficos computacionales
    4. Implementación de una red profunda
    5. El algoritmo de propagación directa
    6. Redes neuronales profundas multicapa

    MÓDULO 2. PNL, CHATBOTS E INTELIGENCIA ARTIFICIAL

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL PLN

    1. ¿Qué es PLN?
    2. ¿Qué incluye el PLN?
    3. Ejemplos de uso de PLN
    4. Futuro del PLN

    UNIDAD DIDÁCTICA 2. PLN EN PYTHON

    1. PLN en Python con la librería NLTK
    2. Otras herramientas para PLN

    UNIDAD DIDÁCTICA 3. COMPUTACIÓN DE LA SINTAXIS PARA EL PLN

    1. Principios del análisis sintáctico
    2. Gramática libre de contexto
    3. Analizadores sintácticos (Parsers)

    UNIDAD DIDÁCTICA 4. COMPUTACIÓN DE LA SEMÁNTICA PARA EL PLN

    1. Aspectos introductorios del análisis semántico
    2. Lenguaje semántico para PLN
    3. Análisis pragmático

    UNIDAD DIDÁCTICA 5. RECUPERACIÓN Y EXTRACCIÓN DE LA INFORMACIÓN

    1. Aspectos introductorios
    2. Pasos en la extracción de información
    3. Ejemplo PLN
    4. Ejemplo PLN con entrada de texto en inglés

    UNIDAD DIDÁCTICA 6. ¿QUÉ ES UN CHATBOT?

    1. Aspectos introductorios
    2. ¿Qué es un chatbot?
    3. ¿Cómo funciona un chatbot?
    4. VoiceBots
    5. Desafios para los Chatbots

    UNIDAD DIDÁCTICA 7. RELACIÓN ENTRE IA Y CHATBOTS

    1. Chatbots y el papel de la Inteligencia Artificial (IA)
    2. Usos y beneficios de los chatbots
    3. Diferencia entre bots, chatbots e IA

    UNIDAD DIDÁCTICA 8. ÁMBITOS DE APLICACIÓN CHATBOTS

    1. Áreas de aplicación de Chatbots
    2. Desarrollo de un chatbot con ChatterBot y Python
    3. Desarrollo de un chatbot para Facebook Messenger con Chatfuel
    Titulación
    Claustro
    Rafael Marín Sastre Ir a Linkedin

    Rafael Marín Sastre

    Ingeniero técnico en informática de sistemas por la Universidad de Granada (UGR).  

    Apasionado de la informática y de las nuevas tecnologías, cuenta con 10 años de experiencia y vocación en el ámbito TIC y la programación de software. Es experto en desarrollo web, programación de aplicaciones, análisis de datos, big data, ciberseguridad y diseño y experiencia de usuario (UX/UI). 

    Alan Sastre Ir a Linkedin

    Alan Sastre

    Ocupa el puesto de CTO (Chief Technology Officer) y formador. Diseña e imparte formación en diferentes áreas como desarrollo web, bases de datos, big data, business intelligence y ciencia de datos. Además, trabaja diaramente con las tecnologías del ecosistema Java, C# y Phyton.

    Dani Pérez Lima Ir a Linkedin

    Dani Pérez Lima

    Global IT support manager de una multinacional con más de 20 años de experiencia en el mundo IT, además de un apasionado de la virtualización de sistemas y de la transmisión de conocimiento en el ámbito de la tecnología.

    José Domingo Muñoz Rodríguez Ir a Linkedin

    José Domingo Muñoz Rodríguez

    Ingeniero informático, profesor de secundaria de ASIR y coorganizador de OpenStack Sevilla con dilata experiencia en sistemas GNU/Linux. Administra clouds públicos y gestiona un cloud privado con OpenStack.

    Juan Benito Pacheco Ir a Linkedin

    Juan Benito Pacheco

    Como tech lead, ayuda a organizaciones a escalar sus servicios e infraestructura. Lleva más de 5 años programando tanto en front-end como back-end con JavaScript, Angular, Python o Django, entre otras tecnologías.

    Juan Diego Pérez Jiménez Ir a Linkedin

    Juan Diego Pérez Jiménez

    Profesor de Ciclos Formativos de Grado Superior de Informática. Más de 10 años creando páginas web y enseñando cómo hacerlas, cómo usar bases de datos y todo lo relacionado con la informática.

    Solicitar información