Este módulo proporciona una cobertura esencial de la inteligencia artificial y las redes neuronales. El módulo proporciona una cobertura concreta de las partes principales de IA, incluyendo enfoques de aprendizaje, áreas funcionales en las que se usan los sistemas de IA y una introducción completa a las redes neuronales, cómo existen, cómo trabajan y cómo pueden ser usadas para procesar información. El curso establece los cinco principales requerimientos de negocio para los que se utilizan los sistemas de IA y las redes neuronales, y luego mapea las prácticas individuales, los enfoques de aprendizaje, las funcionalidades y los tipos de redes neuronales a estas categorías de negocio y unos a otros, de manera que haya un entendimiento claro del propósito y del papel de cada tema que se cubre. El curso establece un proceso paso a paso para ensamblar un sistema de IA, ilustrando así cómo y cuándo necesitan ser definidos y aplicados los diferentes componentes y prácticas de los sistemas IA con las redes neuronales. Finalmente, el curso proporciona un conjunto de principios y mejores prácticas clave para los proyectos de IA.

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