Se cubren los siguientes temas principales:

• Factores tecnológicos y de negocio de IA
• Beneficios y retos de IA
• Categorías de problemas de negocio que aborda la IA
• Tipos de IA (angosta, general, simbólica, no simbólica, etc.)
• Enfoques y algoritmos comunes de aprendizaje de la IA
• Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje continuo
• Aprendizaje heurístico, aprendizaje semisupervisado,  aprendizaje por refuerzo
• Diseños funcionales comunes de IA
• Visión por computadora, reconocimiento de patrones
• Robóticas, procesamiento del lenguaje natural (NLP)
• Reconocimiento del habla, comprensión del lenguaje natural (NLU)
• Integración sin fricción, integración del modelo de tolerancia a fallas
• Redes neuronales, neuronas, capas, enlaces, pesos
• Cómo entender los modelos de IA, modelos de entrenamiento y redes neuronales
• Cómo entender la manera en que existen los modelos y las redes neuronales
• Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época
• Funciones de activación (Sigmoide, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
• Tipos de células neuronales (de entrada, retroalimentada, ruidosa, escondida, probabilística, en espiga, recurrente, de memoria, de núcleo, convolucional, de grupo, de salida, de coincidencia de entrada, etc.)
• Arquitecturas fundamentales y especializadas de redes neuronales
• Perceptrón, compensación, compensación profunda, autocodificador, recurrente, memoria de corto/largo plazo
• Red convolucional profunda, máquina de aprendizaje extremo, red residual profunda
• Máquina de vector de soporte, red de Kohonen, red de Hopfield
• Red generativa adversarial, máquina en estado líquido
• Cómo construir un sistema de IA (paso a paso)
• Principios comunes de diseño de sistemas de IA y mejores prácticas de proyectos de IA