España

Puede solicitar gratuitamente las soluciones a todas las actividades en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:Aplicar los procedimientos de despliegue e integración del componente en un entorno de tecnología orientada a componentes, según especificaciones técnicas de la arquitectura.

Tapa blanda

Español

Editorial Tutor Formación

Tutor Formacion

Despliegue y Puesta En Funcionamiento De Componentes Software. Uf1291.

Puede solicitar gratuitamente las soluciones a todas las actividades en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:Construir elementos software a partir de las especificaciones de necesidades y con las condiciones de desarrollo de la tecnología de componentes utilizada.

Implementación e integración De Elementos Software Con Tecnologías Basadas En Componentes. Uf1290.

Puede solicitar gratuitamente las soluciones a todas las actividades en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:Identificar las características y arquitecturas de las tecnologías de desarrollo, orientadas a componentes para la creación y modificación de elementos software integrados en estos entornos, según estándares y normalizaciones existentes.

Diseño De Elementos Software Con Tecnologías Basadas En Componentes. Uf1289.

Puede solicitar gratuitamente las soluciones a todas las actividades en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:Utilizar las técnicas y estándares utilizadas en el desarrollo, distribución e implantación de manejadores de dispositivos (drivers), para la integración de periféricos en el sistema informático según especificaciones técnicas y funcionales dadas.

Tapa dura

Desarrollo De Componentes Software Para El Manejo De Dispositivos (Drivers). Uf1287.

Puede solicitar gratuitamente las soluciones a todas las actividades en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:- Analizar las especificaciones técnicas proporcionadas para el desarrollo a realizar, comprobando su validez y optimización.- Desarrollar elementos software destinados a la gestión de los recursos del sistema, mediante herramientas y lenguajes de programación de sistemas.

Desarrollo y Optimización De Componentes Software Para Tareas Administrativas. Uf1286.

Puede solicitar gratuitamente las soluciones a todas las actividades y al examen final en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:- Seleccionar los servidores de contenidos multimedia en función de los requisitos demandados por la organización.- Instalar, configurar e integrar el servidor de contenidos multimedia en el sistema informático.- Administrar los recursos y elementos manejados por el servidor para asegurar la continuidad del servicio, su adecuado rendimiento y las especificaciones de seguridad.- Aplicar procedimientos de auditoría y resolución de incidencias en el servicio de contenidos multimedia.

Selección, instalación, Configuración y Administración De Los Servidores Multimedia. Uf1276.

Puede solicitar gratuitamente las soluciones a todas las actividades y al examen final en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:- Seleccionar los servidores de transferencia de archivos en función de los requisitos demandados por la organización.- Instalar, configurar e integrar el servidor de transferencia de archivos en el sistema informático.- Administrar los recursos y elementos manejados por el servidor para asegurar la continuidad del servicio, su adecuado rendimiento y las especificaciones de seguridad.- Aplicar procedimientos de auditoría y resolución de incidencias en el servicio de transferencia de archivos.

Selección, instalación, Configuración y Administración De Los Servidores De Transferencia De Archivos. Uf1275.

Puede solicitar gratuitamente las soluciones a todas las actividades y al examen final en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:- Administrar los servidores de mensajería electrónica para asegurar la continuidad en el servicio según las especificaciones de seguridad.- Aplicar procedimientos de auditoría y resolución de incidencias en servicios de mensajería electrónica.

Administración y Auditoría De Los Servicios De Mensajería Electrónica. Uf1274.

Puede solicitar gratuitamente las soluciones a todas las actividades y al examen final en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:- Seleccionar los servidores de mensajería electrónica en función de las necesidades de la organización.- Instalar y configurar los servidores de mensajería electrónica en el sistema informático.

Selección, instalación y Configuración Del Software De Servidor De Mensajería Electrónica. Uf1273.

Puede solicitar gratuitamente las soluciones a todas las actividades y al examen final en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:- Administrar los contenidos gestionados por el servidor Web, los accesos realizados y el rendimiento según especificaciones de diseño normativa de la organización y legislación vigente.- Instalar, configurar y administrar el servidor de aplicaciones en el sistema informático como proveedor de datos para los servicios Web.- Seleccionar, instalar y configurar los métodos de acceso a sistemas gestores de bases de datos para utilizar sus recursos en sitios Web dinámicos.- Aplicar procedimientos de auditoría y resolución de incidencias en la explotación de un servicio Web.

Administración y Auditoría De Los Servicios Web. Uf1272.

Puede solicitar gratuitamente las soluciones a todas las actividades y al examen final en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:- Seleccionar el servidor Web, sus módulos y extensiones para verificar que cumplen los requisitos de ejecución de las aplicaciones Web dadas.- Instalar y configurar el servidor Web en el sistema informático para ofrecer funcionalidades de distribución de información.- Instalar, configurar e integrar los módulos y extensiones del servidor Web en el sistema informático.

Instalación y Configuración Del Software De Servidor Web. Uf1271.

Puede solicitar gratuitamente las soluciones a todas las actividades en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:- Evaluar las técnicas de cifrado existentes para escoger la necesaria en función de los requisitos de seguridad exigidos.- Implantar servicios y técnicas criptográficas en aquellos servicios que lo requieran según especificaciones de seguridad informática.- Utilizar sistemas de certificados digitales en aquellas comunicaciones que requieran integridad y confidencialidad según especificaciones de seguridad.- Diseñar e implantar servicios de certificación digital según necesidades de explotación y de seguridad informática.

Gestión De Servicios En El Sistema informático. Mf0490.

Sistemas Seguros De Acceso y Transmisión De Datos. Mf0489.

Puede solicitar gratuitamente las soluciones a todas las actividades en el email tutor@tutorformacion.esCapacidades que se adquieren con este Manual:- Planificar e implantar los sistemas de detección de intrusos según las normas de seguridad.- Aplicar los procedimientos de análisis de la información y contención del ataque ante una incidencia detectada.- Analizar el alcance de los daños y determinar los procesos de recuperación ante una incidencia detectada.

Gestión De incidentes De Seguridad informática. Mf0488.

Ra-Ma S.a. Editorial Y Publicaciones

(Comt0008) (Comt066po) Comercio En Internet. Optimizacion De Recursos

Curso Practico De Comercio En Internet

(Adgg010po).Comercio Electronico.(Formacion En El Empleo)

(Mf1016_2) Apoyo En La Organizacion De Intervenciones En El Ambito Institucional

(Ifcd0099) inteligencia artificial generativa y mejora de la productividad

Introducción 7Nociones y antecedentes de la inteligencia artificial 81. Conocimiento de la historia de la inteligencia artificial. 91.1. Evolución de la IA desde sus inicios. 101.2. Hitos clave en el desarrollo de la IA. 132. Definición de inteligencia artificial. 182.1. Concepto y disciplinas dentro de la IA. 192.2. Áreas de aplicación de la IA en el mundo actual. 223. Impacto de la IA en la sociedad. 273.1. Análisis de su influencia en diferentes sectores. 293.2. Implicaciones éticas de la IA. 324. Aplicación de medidas de eficiencia energética y sostenibilidad ambiental. 385. Resumen. 436. Actividades de autoevaluación. 447. Test de evaluación. 46Características de la inteligencia artificial 471. Comprensión de las capacidades de la inteligencia artificial. 481.1. Diferencias entre IA débil y fuerte. 501.2. Capacidades de aprendizaje, razonamiento y reconocimiento. 531.3. Análisis de las limitaciones de la IA. 581.4. Barreras técnicas actuales. 591.5. Desafíos éticos y sociales. 622. Evaluación de la aplicabilidad de la IA. 662.1. Casos de uso actuales y futuros. 672.2. Aplicaciones prácticas en diferentes industrias. 703. Resumen. 744. Actividades de autoevaluación. 755. Test de evaluación. 77Símbolos y métodos numéricos en IA 781. Administración de símbolos en IA. 791.1. Uso de símbolos en representaciones del conocimiento. 811.2. Relación entre símbolos y lógica en la IA. 842. Implementación de métodos numéricos en IA. 882.1. Técnicas estadísticas utilizadas en la IA. 902.2. Aplicación de álgebra lineal y cálculo en algoritmos de IA 933. Resumen. 984. Actividades de autoevaluación. 995. Test de evaluación. 101Fórmulas y funciones aplicadas en IA 1021. Aplicación de fórmulas en el desarrollo de IA. 1031.1. Uso de fórmulas matemáticas para optimizar algoritmos. 1041.2. Métodos para resolver problemas complejos. 1082. Desarrollo de funciones en IA. 1122.1. Funciones utilizadas en el entrenamiento de modelos de IA. 1142.2. Optimización y ajuste de funciones para mejorar el rendimiento. 1183. Resumen. 1244. Actividades de autoevaluación. 125Test de evaluación 127Algoritmos 1291. Diseño de algoritmos de IA. 1301.1. Principios básicos de algoritmos. 1311.2. Algoritmos de clasificación y regresión. 1352. Optimización de algoritmos. 1382.1. Métodos para mejorar la eficiencia de los algoritmos. 1402.2. Técnicas avanzadas de optimización en IA. 1443. Resumen. 1504. Actividades de autoevaluación. 1515. Test de evaluación. 153Algoritmos y aplicaciones de negocio (caso geolocalización). 1541. Aplicación de algoritmos en la geo-localización. 1551.1. Implementación de IA en sistemas de geolocalización. 1571.2. Algoritmos utilizados para mejorar la precisión en mapas y ubicaciones. 1622. Desarrollo de soluciones para negocios. 1672.1. Aplicación de IA en la industria del comercio electrónico y otros sectores. 1692.2. Análisis de casos prácticos de aplicaciones de IA en empresas. 1733. Resumen. 1804. Actividades de autoevaluación. 1815. Test de evaluación. 183Sistemas basados en conocimiento 1841. Gestión de conocimiento en IA. 1851.1. Representación de conocimiento dentro de los sistemas de IA. 1871.2. Aplicaciones de sistemas expertos y bases de conocimiento. 1922. Desarrollo de sistemas inteligentes. 1992.1. Implementación de sistemas que toman decisiones basadas en datos previos. 2012.2. Uso de reglas y procedimientos lógicos en sistemas de IA. 2053. Resumen. 2114. Actividades de autoevaluación. 212Test de evaluación 214Motores de inferencia 2151. Desarrollo de motores de inferencia en IA. 2161.1. Diseño de sistemas que utilizan inferencias lógicas. 2201.2. Integración de motores de inferencia con bases de conocimiento. 2242. Aplicación de inferencia en la toma de decisiones. 2302.1. Implementación en sistemas de diagnóstico y resolución de problemas. 2322.2. Optimización de decisiones mediante el uso de inferencias. 2373. Resumen. 2444. Actividades de autoevaluación. 2455. Test de evaluación. 247Patrones en la inteligencia artificial 2481. Identificación de patrones en IA. 2491.1. Uso de técnicas de aprendizaje automático para detectar patrones. 2511.2. Aplicaciones de identificación de patrones en imágenes, texto y otros datos. 2562. Optimización de modelos predictivos. 2632.1. Análisis de datos para predecir comportamientos futuros. 2652.2. Mejora de la precisión de los modelos mediante el ajuste de parámetros. 2703. Resumen. 2784. Actividades de autoevaluación. 279Test de evaluación 281Reglas y restricciones en algoritmos 2821. Implementación de reglas en algoritmos de IA. 2831.1. Desarrollo de algoritmos que incorporan reglas lógicas y de negocio. 2861.2. Uso de reglas para la mejora del rendimiento y la toma de decisiones. 2922. Establecimiento de restricciones en algoritmos. 3002.1. Implementación de restricciones en el proceso de toma de decisiones. 3022.2. Evaluación de los efectos de las restricciones sobre el comportamiento de los algoritmos. 3073. Resumen. 3144. Actividades de autoevaluación. 315Test de evaluación 317Resumen final 318Test de evaluación final 320Glosario 32

Introduccion A La Inteligencia Artificial Y Los Algoritmos. Ifct0141.

Introducción 5Introducción al Big data 61. Conocimiento de la evolución del Business Intelligence (BI) tradicional al Big Data. 81.1. Navegación web, geolocalización y audiencias de TV: impacto en el análisis de datos. 81.2. Cómo el Big Data resuelve problemas del tratamiento masivo de datos. 92. Identificación de las características del Big Data. 112.1. Las 4 V's: Volumen, Velocidad, Variedad y Veracidad. 112.2. Valor del dato. La importancia de la calidad y el valor que aportan los datos. 122.3. Nuevas dimensiones: escalabilidad y características adicionales de Big Data. 133. Comprensión de los nuevos paradigmas del Big Data. 153.1. Procesos en tiempo real: cómo Big Data permite la respuesta en tiempo real a eventos. 153.2. Cloud Computing: cómo la computación en la nube apoya el procesamiento y almacenamiento masivo de datos. 164. Conocimiento de las principales características de Hadoop y su revolución en el tratamiento de datos. 184.1. Introducción a Hadoop: historia y su impacto en el procesamiento de datos paralelos. 184.2. HDFS y MapReduce: principales componentes de Hadoop. 195. Resumen. 226. Autoevaluación. 23Arquitectura Big data y principales tecnologías 251. Conocimiento general del ecosistema Hadoop. 261.1. HDFS: sistema de archivos distribuido de Hadoop. 261.2. MapReduce: la tecnología clave para el procesamiento paralelo de datos en Hadoop. 272. Identificación de los lenguajes de programación en Big Data. 292.1. Java y Scala: los lenguajes más utilizados en el desarrollo de soluciones Big Data. 292.2. SQL: el papel del SQL en la gestión de bases de datos estructuradas en Big Data. 302.3. 2.3 Python: uso de Python en análisis y procesamiento de datos. 303. Comprensión de los procesos ETL (Extracción, Transformación y Carga). 333.1. Herramientas como Flume, Sqoop y HIVE: cómo se gestionan y transforman grandes volúmenes de datos. 333.2. Introducción a las mejores prácticas y herramientas en los procesos ETL. 344. Adquisición del concepto real time y bases de datos de alta disponibilidad. 364.1. Kafka, HBASE y Redis: principales tecnologías utilizadas para bases de datos en tiempo real y de alta disponibilidad. 365. Concienciación con la seguridad y gobernanza del dato. 395.1. Importancia de la seguridad en Big Data: cómo proteger los datos en entornos distribuidos. 395.2. Gobernanza de datos: gestión de la calidad y el acceso a los datos en Big Data. 406. Resumen. 427. Autoevaluación. 43Ciencia de datos e Inteligencia artificial 451. Asimilación de conceptos sobre la Ciencia de Datos y la IA. 461.1. Conceptos clave de la Ciencia de Datos: qué es y cómo se aplica Big Data en la ciencia de datos. 461.2. Relación entre Big Data e Inteligencia Artificial: cómo se interrelacionan y se complementan en el análisis de datos. 472. Conocimiento de los lenguajes de programación en Ciencia de Datos. 492.1. R y Python: herramientas clave en el análisis de datos, exploración y procesamiento. 493. Comprensión de los algoritmos supervisados. 513.1. Qué son los algoritmos supervisados: principales tipos de algoritmos y su aplicación en clasificación y predicción. 513.2. Algoritmos como regresión lineal, máquinas de soporte vectorial (SVM) y redes neuronales. 514. Comprensión de los algoritmos no supervisados. 544.1. Qué son los algoritmos no supervisados: principales técnicas y aplicaciones. 544.2. K-means, análisis de componentes principales (PCA) y otros métodos de clustering. 555. Asimilación del funcionamiento del Deep Learning y Aprendizaje por Refuerzo. 575.1. Introducción al Deep Learning: Redes neuronales profundas y su aplicación. 575.2. Aprendizaje por Refuerzo: qué es y cómo se utiliza para la toma de decisiones en IA. 586. Comprensión del procesamiento de información no estructurada. 606.1. Imágenes y textos: técnicas utilizadas en el procesamiento de datos no estructurados como imágenes, texto y audio. 606.2. Métodos de análisis y extracción de patrones. 617. Conocimiento de técnicas para la visualización de datos. 637.1. Creación de visualizaciones interactivas: herramientas como Tableau y Power BI para representar datos y resultados. 637.2. Dashboards: diseño y desarrollo de dashboards para la toma de decisiones. 648. Resumen. 679. Autoevaluación. 68Aplicaciones del Big data e impacto futuro 701. Reconocimiento de las aplicaciones del Big Data en el sector público. 711.1. OpenData: ejemplos de aplicación de Big Data en instituciones públicas para la transparencia y eficiencia. 711.2. Casos de uso en gestión pública: impacto en políticas públicas, educación y salud. 722. Reconocimiento de las aplicaciones empresariales de Big Data. 742.1. Casos de uso en la mejora de eficiencia operativa dentro de empresas. 742.2. Aplicaciones en marketing, logística, predicción de demanda y personalización. 753. Comprensión del alcance del Data for Good: Big Data para el Bien Social. 773.1. Cómo Big Data se utiliza para fines sociales: proyectos que ayudan a la comunidad, el medio ambiente y el desarrollo económico. 773.2. Ejemplos de aplicaciones de Big Data en la mejora de la salud pública y la educación. 784. Reflexión sobre el futuro del Big Data. 804.1. Nuevas tendencias emergentes: IA, procesamiento de datos en la nube y más. 804.2. Predicciones sobre cómo evolucionarán las tecnologías de Big Data e IA en los próximos años. 815. Aplicación de medidas de eficiencia energética y sostenibilidad ambiental. 835.1. Estrategias para reducir la huella de carbono en la operación de sistemas de Big Data. 835.2. Optimización de recursos en la nube para reducir el consumo energético. 846. Resumen. 867. Autoevaluación. 87Resumen 89Autoevaluación 90GLOSARIO 9

Introduccion Al Big Data E Inteligencia Artificial. Ifct0138.

Fundamentos de Inteligencia Artificial 91. Inmersión a la IA explicando sus principales modalidades. 102. Breve noción sobre los principales algoritmos de IA. 173. Análisis de los diferentes tipos de aprendizaje. 244. Fundamentos matemáticos para el entendimiento del funcionamiento de distintos algoritmos basados en IA y conceptos básicos de programación. 305. Implementación de conceptos matemáticos de IA utilizando Python como lenguaje de programación. 366. Fundamentos estadísticos básicos para el entendimiento del funcionamiento de distintos algoritmos, preprocesamiento de datos y análisis de resultados. 437. Implementación de conceptos estadísticos utilizando Python como lenguaje de programación. 498. Puesta en marcha del entorno de trabajo. 559. Detalle de los diferentes softwares y programas utilizados para la implementación de algoritmos basados en IA. 6310. Inmersión en el lenguaje Python. 7111. Resumen. 8012. Actividades tipo test. 81Exploración del conjunto de datos 831. Reconocimiento de las competencias y funciones de un Data Scientist relacionadas con la explotación, análisis y gestión de los datos en una empresa. 842. Fundamentos de la visualización de los datos de entrada del modelo. 863. Inmersión en las librerías más utilizadas en la visualización de datos. 874. Identificación de las herramientas necesarias para poder examinar los datos en función del tipo de dato. 885. Aplicación práctica de librerías de visualización de datos. 896. Fundamentos del pre-procesado de los datos de entrada del modelo. 907. Inmersión en las librerías más utilizadas en la preparación y limpieza de datos. 918. Identificación de las herramientas necesarias para la limpieza, reducción y preparación de los datos de entrada según tipo. 929. Aplicación práctica de librerías de examinación y pre-procesado de datos. 9310. Resumen. 9511. Actividades tipo test. 96Algoritmos de Machine Learning 981. Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos de ML. 992. Definición teórico-práctica de estos conceptos matemáticos. 1053. Implementación en Python de dichos conceptos matemáticos. 1114. Introducción a los modelos de ML más utilizados. 1215. Implementación en Python de estos modelos haciendo uso de las librerías más relevantes. 1296. Introducción a los conceptos de sistemas de recomendación y aprendizajes por refuerzo. 1397. Identificación del algoritmo más relevante a desarrollar según tipología y aplicabilidad. 1488. Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos. 1579. Resumen. 16510. Actividades tipo test. 166Redes neuronales 1681. Fundamentos de los conceptos matemáticos básicos para la comprensión de los distintos algoritmos basados en Redes Neuronales explicados en este módulo. 1692. Definición teórico-práctica de estos conceptos matemáticos. 1763. Desarrollo en Python de los algoritmos que implementan dichos conceptos. 1844. Identificación de los modelos basados en Redes Neuronales más utilizados según aplicación. 1955. Implementación en Python de dichos algoritmos haciendo uso de las librerías más relevantes. 2036. Identificación del algoritmo más relevante a desarrollar según tipología y aplicabilidad. 2137. Aplicabilidad en Python de diferentes casos de uso prácticos como refuerzo a la comprensión de los algoritmos. 2188. Resumen. 2269. Actividades tipo test. 227Visualización de resultados 2291. Fundamentos de la visualización de los resultados del modelo. 2302. Inmersión en las librerías más utilizadas en la visualización de los resultados de un modelo. 2313. Identificación de las herramientas necesarias para evaluación de resultados en función del modelo. 2324. Aplicación práctica de librerías de visualización de datos. 2335. Visualización del proceso de entrenamiento y búsqueda de puntos de optimización o sesgos en el modelo. 2346. Identificación de problemas como vanishing gradient o exploding gradient durante el entrenamiento de redes neuronales. 2357. Evaluación de resultados. 2367.1. Capacidad de visualización de la precisión de un modelo. 2367.2. Detección de overfitting en la validación del modelo. 2367.3. Identificación de sesgos que puedan haberse inferido de alguna de las entradas del modelo. 2378. Resumen. 2399. Actividades tipo test. 240Bases de datos en IA 2421. Inmersión al lenguaje SQL y a las bases de datos más relevantes. 2431.1. Introducción al lenguaje SQL, modelo de datos y a las bases de datos más relevantes. 2431.2. Aplicación práctica de consultas SQL, CRUD. 2441.3. Nociones básicas DBA. 2451.4. Buenas prácticas en bases de datos SQL. 2461.5. Fundamentos de bases de datos NoSQL. 2462. Introducción a las bases de datos NoSQL y comparativa con las bases de datos relacionales. 2472.1. Inmersión a las bases de datos NoSQL más relevantes. 2472.2. Aplicaciones prácticas sobre bases de datos NoSQL, CRUD. 2482.3. Nociones básicas DBA. 2492.4. Buenas prácticas en bases de datos NoSQL. 2493. Tratamiento y almacenamiento en base de datos de un dataset desde Python. 2504. Operaciones CRUD desde Python a una base de datos SQL. 2525. Resumen. 2556. Actividades tipo test. 256Auto Machine Learning 2581. Inmersión al Auto Machine Learning y a las plataformas más relevantes. 2592. Introducción al Auto ML y a los beneficios que puede proporcionar con respecto a los métodos tradicionales. 2603. Tratamiento de datos desde AWS SageMaker. 2614. Introducción a la carga y tratamiento de conjuntos de datos sobre el servicio SageMaker. 2625. Visualización de datos en SageMaker con la finalidad de obtener información sobre el conjunto de datos. 2636. Entrenamiento de modelos ML mediante AutoML. 2646.1. Aplicación práctica y entrenamiendo de modelos sobre SageMaker. 2646.2. Validación y evaluación de modelos ML sobre SageMaker. 2657. Implementación de servicios web ML. 2668. Desarrollo de servicios web seguros sobre modelos entrenados en SageMaker accesibles mediante API. 2679. Resumen. 26910. Actividades tipo test. 270Responsible AI 2721. Comprender y articular los problemas críticos, sociales, legales, políticos y éticos que surgen a lo largo del ciclo de vida de los datos. 2732. Comprender conceptos relevantes, que incluyen: ética, moralidad, responsabilidad, derechos digitales, gobernanza de datos, interacción persona-datos, investigación e innovación responsables. 2743. Identificar y evaluar problemas éticos actuales en la industria y la ciencia de datos. 2754. Aplicar el juicio crítico y la reflexividad profesionales a los problemas morales sin soluciones claras. 2765. Evaluar los problemas éticos que enfrenta en su práctica profesional actual. 2776. Identificar y aplicar soluciones éticas a esos problemas. 2787. Resumen. 2808. Actividades tipo test. 281Caso práctico en IA 2831. Análisis de los factores relevantes de un problema de IA. 2842. Técnicas y herramientas para la toma de decisiones a la h

Especialista En Inteligencia Artificial. Ifcd107.

Introducción 141. La era de los datos y la inteligencia artificial. 142. Por qué los datos son el punto de partida. 153. Las piezas del rompecabezas 15Estadística 171. Conceptos básicos de estadística. 181.1. Qué es la estadística y para qué sirve. 181.2. Población y muestra. 181.3. Observaciones, variables y valores. 191.4. Estadística descriptiva: explorar antes de modelar. 202. Tipos de variables y escalas de medida. 212.1. Por qué importa el tipo de variable. 212.2. Variables cuantitativas y cualitativas. 212.3. Escalas de medida. 222.4. Variables binarias. 232.5. Codificación de variables categóricas. 233. Medidas de tendencia central. 253.1. Qué es una medida de tendencia central. 253.2. La media aritmética. 253.3. La mediana. 263.4. La moda. 263.5. Relación entre media, mediana y moda según la forma de la distribución. 274. Medidas de dispersión. 294.1. Por qué no basta con la tendencia central. 294.2. El rango. 294.3. La varianza. 304.4. La desviación típica o desviación estándar. 304.5. El coeficiente de variación. 304.6. Los cuartiles y el rango intercuartílico. 314.7. Detección de outliers con la desviación típica. 325. Distribuciones de probabilidad básicas. 335.1. Qué es una distribución de probabilidad. 335.2. La distribución normal o gaussiana. 335.3. La distribución binomial. 345.4. La distribución de Poisson. 355.5. Distribuciones sesgadas y colas. 356. Introducción a la inferencia estadística. 376.1. De la muestra a la población. 376.2. Estimación puntual e intervalos de confianza. 376.3. Contraste de hipótesis. 386.4. El p-valor y sus limitaciones. 386.5. Correlación y causalidad. 397. Caso práctico integrador. 418. Resumen. 449. Actividades de autoevaluación. 4510. Verdadero o falso. 4611. Evaluación tipo test. 47Programación 491. Python. 501.1. Por qué Python domina la ciencia de datos. 501.2. Instalación y entorno de trabajo. 501.3. Sintaxis básica de Python. 512. R. 512.1. Qué es R y cuándo elegirlo. 512.2. El entorno RStudio. 522.3. Sintaxis básica de R. 522.4. Paquetes más importantes de R para análisis de datos 533. Otros. 543.1. SQL: el lenguaje de las bases de datos. 543.2. Scala y Spark. 553.3. Julia. 553.4. Herramientas de bajo código y no código. 563.5. Estructuras básicas de programación. 573.6. Librerías habituales para ciencia de datos. 604. Caso práctico integrador. 655. Resumen. 686. Actividades de autoevaluación. 697. Verdadero o falso. 708. Evaluación tipo test. 71ETL y preparación de datos 731. Concepto de ETL: extracción, transformación y carga. 741.1. Qué significa ETL. 741.2. El proceso ETL en la práctica. 751.3. ETL vs. ELT. 751.4. Automatización del proceso ETL. 762. Fuentes de datos: archivos, bases de datos y APIs. 782.1. La diversidad de las fuentes de datos. 782.2. Archivos planos: CSV, Excel y JSON. 782.3. Bases de datos relacionales. 792.4. APIs web. 802.5. Web scraping 812.6. Bases de datos no relacionales (NoSQL). 813. Limpieza de datos: valores nulos, duplicados y errores. 833.1. Por qué los datos reales están sucios. 833.2. Valores nulos o ausentes. 833.3. Valores duplicados. 843.4. Errores tipográficos y valores inconsistentes. 853.5. Valores imposibles y outliers. 864. Transformación y normalización de datos. 874.1. Por qué es necesario transformar los datos. 874.2. Normalización y estandarización. 874.3. Transformaciones de distribución. 884.4. Codificación de variables categóricas. 894.5. Ingeniería de características (feature engineering). 904.6. Selección de características (feature selection). 905. Integración de datos procedentes de distintas fuentes. 925.1. El reto de combinar datos heterogéneos. 925.2. Uniones (joins) entre tablas. 925.3. Concatenación de tablas. 935.4. Problemas frecuentes en la integración. 935.5. Agregaciones y pivotado. 936. Calidad del dato y trazabilidad del proceso. 956.1. Qué es la calidad del dato. 956.2. El perfil de datos (data profiling). 966.3. Trazabilidad del proceso. 966.4. Fuga de datos (data leakage). 976.5. Gobierno del dato. 987. Caso práctico integrador. 998. Resumen. 1029. Actividades de autoevaluación. 10310. Verdadero o falso. 10411. Evaluación tipo test. 105Modelos supervisados, no supervisados y semi. 1071. Introducción al aprendizaje automático. 1081.1. Qué es el aprendizaje automático. 1081.2. El proceso de aprendizaje. 1091.3. El dilema sesgo-varianza. 1091.4. Tipos de aprendizaje 1102. Modelos supervisados. 1112.1. Qué es el aprendizaje supervisado. 1112.2. División del dataset: entrenamiento, validación y test. 1112.3. Validación cruzada. 1123. Regresión y clasificación. 1143.1. Regresión lineal. 1143.2. Regresión logística. 1143.3. Árboles de decisión. 1153.4. Random Forest (bosques aleatorios). 1163.5. Gradient Boosting. 1163.6. Support Vector Machines (SVM). 1163.7. K-Nearest Neighbors (k-NN). 1174. Modelos no supervisados. 1194.1. Qué es el aprendizaje no supervisado. 1194.2. Algoritmo k-means. 1194.3. Clustering jerárquico. 1204.4. DBSCAN. 1204.5. Análisis de componentes principales (PCA). 1215. Modelos semisupervisados. 1235.1. El problema del etiquetado. 1235.2. Supuestos del aprendizaje semisupervisado. 1235.3. Técnicas de aprendizaje semisupervisado. 1245.4. Cuándo usar aprendizaje semisupervisado. 1256. Tipos de algoritmos. 1276.1. Visión de conjunto. 1276.2. Naive Bayes. 1276.3. Redes bayesianas. 1286.4. Modelos de mezcla gaussiana (GMM). 1286.5. Isolation Forest. 1296.6. Tabla comparativa de algoritmos. 1307. Evaluación básica de modelos. 1317.1. Por qué es necesario evaluar los modelos. 1317.2. Métricas para regresión. 1317.3. La matriz de confusión. 1327.4. Métricas para clasificación. 1327.5. El problema de los datasets desbalanceados. 1337.6. Ajuste de hiperparámetros. 1348. Caso práctico integrador. 1359. Resumen. 13810. Actividades de autoevaluación. 13911. Verdadero o falso. 14012. Evaluación tipo test. 141Aprendizaje reforzado 1431. Concepto de aprendizaje reforzado. 1441.1. Una forma diferente de aprender. 1441.2. El problema del crédito temporal. 1441.3. Marco formal: el proceso de decisión de Markov. 1452. Agente, entorno, estado, acción y recompensa. 1462.1. Los cinco elementos del aprendizaje reforzado. 1462.2. El agente. 1462.3. El entorno. 1472.4. El estado. 1472.5. La acción. 1482.6. La r

Machine Learning E Inteligencia Artificial. Ifcd077po.

Introducción la Inteligencia Artificial para el bien social. (IA4SG). 41. Introducción. 52. Inteligencia Artificial para el Bien Social (IA4SG). 62.1. Definición y Principios 62.2. Ámbitos de Aplicación 112.3. Tecnologías Clave. 143. Oportunidades tecnológicas de la Inteligencia Artificial y su aplicación en la ayuda a personas con discapacidad (PcD) y personas en situación de Vulnerabilidad (PV). 223.1. Desafíos y Riesgos. 223.2. Marco de gobernanza. 293.3. Buenas prácticas y consideraciones éticas. 364. Conocimiento y aplicación de Machine Learning. 434.1. Introducción al Aprendizaje Automático (Machine Learning) 434.2. Tipos de Aprendizaje Automático. 504.3. Componentes y flujo de trabajo en Machine Learning. 584.4. Principales algoritmos y modelos. 604.5. Herramientas y entornos de desarrollo. 645. Importancia del Entrenador (Coach). 686. Resumen. 717. Actividades. 72Manejar el Algoritmo IA 741. Introducción. 752. Manejo de algoritmos para poder detectar los fallos de los equipos eléctricos y electrónicos AEE. 762.1. Fundamentos de la IA. 762.2. Lógica del algoritmo. 782.3. Fuentes de datos. 802.4. Manejo de la interfaz. 823. Visión artificial. 853.1. Fundamentos de la IA. 853.2. Lógica del algoritmo. 863.3. Fuentes de datos. 883.4. Manejo de la interfaz. 904. Realidad aumentada (RA). 934.1. Fundamentos de la IA. 934.2. Lógica del algoritmo. 944.3. Fuentes de datos. 964.4. Manejo de la interfaz. 985. Actividades prácticas. 1016. Resumen. 1057. Actividades. 106Visión artificial y Realidad aumentada (RA) en la recuperación de equipos eléctricos y electrónicos AEE 1081. Introducción. 1092. Manejo del algoritmo IA para una recuperación efectiva de los equipos electrónicos. 1101.1 Principios básicos. 1102.1. Procesamiento de imágenes. 1122.2. Algoritmos de reconocimiento. 1142.3. Detección de riesgos. 1152.4. Fundamentos de la realidad aumentada. 1172.5. Principios de la RA. 1192.6. Integración y sincronización. 1212.7. Diseño de la interfaz. 1222.8. Gestión de AEE y normativa. 1242.9. Clasificación y componentes. 1262.10. Normativa de residuos. 1282.11. Trazabilidad. 1313. Resumen. 1344. Actividades. 135Manejar el algoritmo IA para la recuperación efectiva de los equipos electrónicos 1371. Introducción. 1382. Manejo del algoritmo IA para la recuperación efectiva de los equipos electrónicos. 1392.1. Lógica del algoritmo. 1392.2. Identificación y clasificación. 1412.3. Principios de detección de riesgos. 1432.4. Gestión de AEE y trazabilidad. 1442.5. Normativa básica. 1462.6. Uso de la trazabilidad. 1482.7. Manejo de la interfaz. 1492.8. Navegación. 1512.9. Uso de herramientas digitales. 1533. Resumen. 1554. Actividades. 156Resumen 158Examen final 160Glosario 163

Despliegue y Puesta En Funcionamiento De Componentes Software. Uf1291. (2025)

Implementación e integración De Elementos Software Con Tecnologías Basadas En Componentes. Uf1290. (2025)

Diseño De Elementos Software Con Tecnologías Basadas En Componentes. Uf1289. (2025)

Desarrollo De Componentes Software Para El Manejo De Dispositivos (Drivers). Uf1287. (2025)

Desarrollo y Optimización De Componentes Software Para Tareas Administrativas. Uf1286. (2025)

Selección, instalación, Configuración y Administración De Los Servidores Multimedia. Uf1276. (2025)

Selección, instalación, Configuración y Administración De Los Servidores De Transferencia De Archivos. Uf1275. (2025)

Administración y Auditoría De Los Servicios De Mensajería Electrónica. Uf1274. (2024)

Selección, instalación y Configuración Del Software De Servidor De Mensajería Electrónica. Uf1273. (2024)

Administración y Auditoría De Los Servicios Web. Uf1272. (2024)

Instalación y Configuración Del Software De Servidor Web. Uf1271. (2024)

Gestión De Servicios En El Sistema informático. Mf0490. (2024)

Sistemas Seguros De Acceso y Transmisión De Datos. Mf0489. (2024)

Gestión De incidentes De Seguridad informática. Mf0488. (2024)

(Comt0008) (Comt066po) Comercio En Internet. Optimizacion De Recursos (2025)

Curso Practico De Comercio En Internet (2025)

(Adgg010po).Comercio Electronico.(Formacion En El Empleo) (2025)

(Mf1016_2) Apoyo En La Organizacion De Intervenciones En El Ambito Institucional (2025)

(Ifcd0099) inteligencia artificial generativa y mejora de la productividad (2024)

Introduccion A La Inteligencia Artificial Y Los Algoritmos. Ifct0141. (2026)

Introduccion Al Big Data E Inteligencia Artificial. Ifct0138. (2026)

Especialista En Inteligencia Artificial. Ifcd107. (2026)

Machine Learning E Inteligencia Artificial. Ifcd077po. (2026)

Introduccion A La Inteligencia Artificial Para El Bien Social. Ifcd0191. (2026)