Módulo 1. Entorno de Datos e Inteligencia Artificial
Módulo de nivelación y encuadre. Sitúa la IA en la organización, fija el vocabulario común, monta el entorno de trabajo en Python y presenta las arquitecturas de referencia de datos e IA en cloud sobre las que se apoyan el resto de módulos.
Créditos6 ECTS
Horas150 h
Unidades4
Sesiones12
Todos los módulos Guía docente · Rúbrica
Competencias específicas
- Comprender la evolución y alcance de la IA en organizaciones
- Identificar fases, entregables y roles de un proyecto de IA/GenAI.
- Manejar un entorno de trabajo básico en Python para análisis.
- Reconocer arquitecturas de referencia de datos e IA en Cloud.
- Relacionar RAG y LLMs con los requisitos de datos.
Resultados de aprendizaje
- Explicar las diferencias entre IA clásica, ML e IA generativa.
- Dibujar el ciclo de vida de un proyecto de IA indicando hitos.
- Configurar un notebook en Python e importar datos sencillos.
- Interpretar una arquitectura de referencia de datos/IA.
- Identificar partes críticas del ciclo para su organización.
Unidades didácticas y sesiones
| # | Sesión | Teoría | Práctica |
|---|---|---|---|
| UD1. Evolución y marco de la IA · 15 h teóricas / 20 h prácticas IA clásica vs IA generativa; ciclo de vida; roles (DS, MLE, MLOps, AI Product). | |||
| S01 | Qué es hoy la IA y qué no lo es | Presentación | Cuaderno |
| S02 | El ciclo de vida de un proyecto de IA | Presentación | Cuaderno |
| S03 | Roles, gobierno y responsabilidades en un equipo de IA | Presentación | Cuaderno |
| UD2. Fundamentos matemáticos y estadísticos para IA · 15 h teóricas / 20 h prácticas Probabilidad, estadística descriptiva, correlación. Sobreajuste vs infraajuste (visión). | |||
| S04 | Probabilidad y estadística descriptiva para IA | Presentación | Cuaderno |
| S05 | Fundamentos estadísticos imprescindibles | Presentación | Cuaderno |
| S06 | Sobreajuste e infraajuste: visión esencial | Presentación | Cuaderno |
| UD3. Entorno Python para ciencia de datos · 15 h teóricas / 25 h prácticas Notebooks, librerías base (pandas, numpy). Gestión de entornos. Exploración inicial de datos. | |||
| S07 | Entorno de trabajo reproducible en Python | Presentación | Cuaderno |
| S08 | Python para análisis: datos tabulares | Presentación | Cuaderno |
| S09 | Exploración y visualización orientada a decisión | Presentación | Cuaderno |
| UD4. Arquitecturas de referencia y visión RAG · 15 h teóricas / 25 h prácticas Data lake/lakehouse. Consumo vía APIs. Qué es RAG y por qué es clave con LLMs. | |||
| S10 | Arquitecturas de referencia de datos | Presentación | Cuaderno |
| S11 | Consumo vía APIs y arquitectura RAG | Presentación | Cuaderno |
| S12 | Evaluación del módulo y defensa | Presentación | Cuaderno |