La IA en Educación fomenta un aprendizaje adaptativo y centrado en el estudiante, promoviendo un entorno educativo más eficaz y enriquecedor. ¡Matricúlate ahora!” 

La aplicación de la Inteligencia Artificial (IA) en el ámbito educativo ha emergido como una herramienta invaluable, revolucionando la forma en la que los estudiantes acceden al conocimiento y en cómo los educadores gestionan el proceso de enseñanza. La personalización del aprendizaje se ha vuelto más accesible gracias a algoritmos inteligentes, adaptando el contenido educativo según las necesidades individuales. Esto no solo maximiza la eficacia, sino que también aborda las diferencias en el ritmo y estilo de aprendizaje. 

Por ello, TECH ha desarrollado este Máster Título Propio en Inteligencia Artificial en Educación , a través del cual se abordará, no solo los aspectos más técnicos de la IA, sino también las consideraciones éticas, legales y sociales asociadas. Además, el enfoque práctico sobre el desarrollo de proyectos de IA en el aula equipará a los docentes con habilidades tangibles para su implementación efectiva en entornos educativos.  

Asimismo, el egresado indagará en la práctica docente con IA generativa, destacando la atención a la personalización del aprendizaje y la mejora continua, aspectos clave para la adaptabilidad en el proceso educativo. Finalmente, se analizarán las tendencias emergentes en IA para Educación, asegurando que los participantes estén al tanto de las últimas innovaciones en tecnología educativa. 

De esta forma, el programa proporcionará una combinación equilibrada de conocimientos técnicos, habilidades prácticas y una perspectiva ética y reflexiva, posicionándose como líder en la formación de profesionales capaces de abordar los desafíos y oportunidades de la IA en el ámbito educativo. 

Así, TECH ha ideado una exhaustiva titulación que se basa en la metodología Relearning. Esta modalidad educativa se centra en la repetición de conceptos esenciales para garantizar una comprensión óptima. Igualmente, la accesibilidad es clave, ya que solo se precisará de un dispositivo electrónico con conexión a internet para acceder a los contenidos en cualquier momento, eliminando así la necesidad de asistir de forma presencial o ajustarse a horarios preestablecidos.

La IA facilita la retroalimentación instantánea, permitiendo a los docentes identificar áreas de mejora y brindar un apoyo personalizado”   

 

Este Máster Título Propio en Inteligencia Artificial en Educación  contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son: 

• El desarrollo de casos prácticos presentados por expertos en Inteligencia Artificial en Educación 
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información teórica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional 
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje 
• Su especial hincapié en metodologías innovadoras  
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual 
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet 

Gestionarás proyectos de IA en las aulas, desde la programación con aprendizaje automático hasta su uso en videojuegos y robótica”   

 

El programa incluye en su cuadro docente a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.  

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.  

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.  

A través de este programa 100% online, integrarás herramientas de IA generativa en la planificación, implementación y evaluación de actividades educativas"

Dominarás las tecnologías más vanguardistas de IA, como la Realidad Aumentada/Virtual, gracias a la amplia biblioteca de recursos multimedia"

El programa incluye módulos específicos, como “Ética y legislación de la IA en Educación” y “Práctica docente con IA generativa”, demostrando su compromiso con la responsabilidad y la personalización del aprendizaje. Además, la exploración de tendencias emergentes en IA para la Educación asegurará que los docentes estén preparados para integrar las últimas innovaciones, desde la Realidad Aumentada (RA) hasta el análisis predictivo, en sus prácticas pedagógicas. Esta combinación de fundamentos éticos, aplicación práctica e incorporación de tecnologías de vanguardia fomentará la adquisición, por parte de los egresados, de los conocimientos y habilidades específicas para avanzar en su carrera profesional. 

Este Máster Título Propio combina aspectos técnicos de la Inteligencia Artificial con un enfoque práctico en el desarrollo de proyectos educativos”  

Módulo 1. Fundamentos de la Inteligencia Artificial

1.1. Historia de la Inteligencia artificial 

1.1.1. ¿Cuándo se empieza a hablar de inteligencia artificial?
1.1.2. Referentes en el cine 
1.1.3. Importancia de la inteligencia artificial 
1.1.4. Tecnologías que habilitan y dan soporte a la inteligencia artificial 

1.2. La Inteligencia Artificial en juegos 

1.2.1. Teoría de Juegos 
1.2.2. Minimax y poda Alfa-Beta 
1.2.3. Simulación: Monte Carlo 

1.3. Redes de neuronas 

1.3.1. Fundamentos biológicos 
1.3.2. Modelo computacional 
1.3.3. Redes de neuronas supervisadas y no supervisadas 
1.3.4. Perceptrón simple 
1.3.5. Perceptrón multicapa 

1.4. Algoritmos genéticos 

1.4.1. Historia 
1.4.2. Base biológica 
1.4.3. Codificación de problemas 
1.4.4. Generación de la población inicial 
1.4.5. Algoritmo principal y operadores genéticos 
1.4.6. Evaluación de individuos: Fitness 

1.5. Tesauros, vocabularios, taxonomías 

1.5.1. Vocabularios 
1.5.2. Taxonomías 
1.5.3. Tesauros 
1.5.4. Ontologías 
1.5.5. Representación del conocimiento: web semántica 

1.6. Web semántica 

1.6.1. Especificaciones: RDF, RDFS y OWL 
1.6.2. Inferencia/razonamiento 
1.6.3. Linked Data 

1.7. Sistemas expertos y DSS 

1.7.1. Sistemas expertos 
1.7.2. Sistemas de soporte a la decisión 

1.8. Chatbots y Asistentes Virtuales

1.8.1. Tipos de asistentes: asistentes por voz y por texto
1.8.2. Partes fundamentales para el desarrollo de un asistente: Intents, entidades y flujo de diálogo 
1.8.3. Integraciones: web, Slack, Whatsapp, Facebook 
1.8.4. Herramientas de desarrollo de asistentes: Dialog Flow, Watson Assistant

1.9. Estrategia de implantación de IA 
1.10. Futuro de la inteligencia artificial

1.10.1. Entendemos cómo detectar emociones mediante algoritmos
1.10.2. Creación de una personalidad: lenguaje, expresiones y contenido
1.10.3. Tendencias de la inteligencia artificial
1.10.4. Reflexiones

Módulo 2. Tipos y Ciclo de Vida del Dato 

2.1. La Estadística

2.1.1. Estadística: estadística descriptiva, estadística inferencias
2.1.2. Población, muestra, individuo
2.1.3. Variables: definición, escalas de medida

2.2. Tipos de datos estadísticos

2.2.1. Según tipo

2.2.1.1. Cuantitativos: datos continuos y datos discretos
2.2.1.2. Cualitativos: datos binomiales, datos nominales y datos ordinales 

2.2.2. Según su forma 

2.2.2.1. Numérico
2.2.2.2. Texto 
2.2.2.3. Lógico

2.2.3. Según su fuente

2.2.3.1. Primarios
2.2.3.2. Secundarios

2.3. Ciclo de vida de los datos

2.3.1. Etapas del ciclo
2.3.2. Hitos del ciclo
2.3.3. Principios FAIR

2.4. Etapas iniciales del ciclo

2.4.1. Definición de metas
2.4.2. Determinación de recursos necesarios
2.4.3. Diagrama de Gantt
2.4.4. Estructura de los datos

2.5. Recolección de datos

2.5.1. Metodología de recolección
2.5.2. Herramientas de recolección
2.5.3. Canales de recolección

2.6. Limpieza del dato

2.6.1. Fases de la limpieza de datos
2.6.2. Calidad del dato
2.6.3. Manipulación de datos (con R)

2.7. Análisis de datos, interpretación y valoración de resultados

2.7.1. Medidas estadísticas
2.7.2. Índices de relación
2.7.3. Minería de datos

2.8. Almacén del dato (Datawarehouse)

2.8.1. Elementos que lo integran
2.8.2. Diseño
2.8.3. Aspectos a considerar

2.9. Disponibilidad del dato

2.9.1. Acceso
2.9.2. Utilidad
2.9.3. Seguridad

2.10. Aspectos Normativos 

2.10.1. Ley de protección de datos
2.10.2. Buenas prácticas
2.10.3. Otros aspectos normativos

Módulo 3. El dato en la Inteligencia Artificial 

3.1. Ciencia de datos 

3.1.1. La ciencia de datos 
3.1.2. Herramientas avanzadas para el científico de datos 

3.2. Datos, información y conocimiento 

3.2.1. Datos, información y conocimiento
3.2.2. Tipos de datos 
3.2.3. Fuentes de datos 

3.3. De los datos a la información

3.3.1. Análisis de Datos 
3.3.2. Tipos de análisis 
3.3.3. Extracción de Información de un Dataset 

3.4. Extracción de información mediante visualización 

3.4.1. La visualización como herramienta de análisis 
3.4.2. Métodos de visualización
3.4.3. Visualización de un conjunto de datos 

3.5. Calidad de los datos 

3.5.1. Datos de calidad 
3.5.2. Limpieza de datos
3.5.3. Preprocesamiento básico de datos 

3.6. Dataset 

3.6.1. Enriquecimiento del Dataset 
3.6.2. La maldición de la dimensionalidad 
3.6.3. Modificación de nuestro conjunto de datos 

3.7. Desbalanceo

3.7.1. Desbalanceo de clases 
3.7.2. Técnicas de mitigación del desbalanceo 
3.7.3. Balanceo de un Dataset 

3.8. Modelos no supervisados

3.8.1. Modelo no supervisado 
3.8.2. Métodos 
3.8.3. Clasificación con modelos no supervisados 

3.9. Modelos supervisados 

3.9.1. Modelo supervisado 
3.9.2. Métodos 
3.9.3. Clasificación con modelos supervisados 

3.10. Herramientas y buenas prácticas 

3.10.1. Buenas prácticas para un científico de datos 
3.10.2. El mejor modelo
3.10.3. Herramientas útiles 

Módulo 4. Minería de Datos. Selección, preprocesamiento y transformación 

4.1. La inferencia estadística 

4.1.1. Estadística descriptiva vs. Inferencia estadística 
4.1.2. Procedimientos paramétricos 
4.1.3. Procedimientos no paramétricos 

4.2. Análisis exploratorio 

4.2.1. Análisis descriptivo
4.2.2. Visualización 
4.2.3. Preparación de datos 

4.3. Preparación de datos 

4.3.1. Integración y limpieza de datos
4.3.2. Normalización de datos 
4.3.3. Transformando atributos

4.4. Los valores perdidos 

4.4.1. Tratamiento de valores perdidos 
4.4.2. Métodos de imputación de máxima verosimilitud 
4.4.3. Imputación de valores perdidos usando aprendizaje automático 

4.5. El ruido en los datos

4.5.1. Clases de ruido y atributos 
4.5.2. Filtrado de ruido
4.5.3. El efecto del ruido 

4.6. La maldición de la dimensionalidad 

4.6.1. Oversampling 
4.6.2. Undersampling 
4.6.3. Reducción de datos multidimensionales 

4.7. De atributos continuos a discretos 

4.7.1. Datos continuos versus discretos 
4.7.2. Proceso de discretización 

4.8. Los datos

4.8.1. Selección de datos
4.8.2. Perspectivas y criterios de selección 
4.8.3. Métodos de selección

4.9. Selección de instancias 

4.9.1. Métodos para la selección de instancias 
4.9.2. Selección de prototipos 
4.9.3. Métodos avanzados para la selección de instancias 

4.10. Preprocesamiento de datos en entornos Big Data 

Módulo 5. Algoritmia y complejidad en Inteligencia Artificial 

5.1. Introducción a las estrategias de diseño de algoritmos 

5.1.1. Recursividad 
5.1.2. Divide y conquista 
5.1.3. Otras estrategias 

5.2. Eficiencia y análisis de los algoritmos 

5.2.1. Medidas de eficiencia 
5.2.2. Medir el tamaño de la entrada 
5.2.3. Medir el tiempo de ejecución 
5.2.4. Caso peor, mejor y medio 
5.2.5. Notación asintónica 
5.2.6. Criterios de Análisis matemático de algoritmos no recursivos 
5.2.7. Análisis matemático de algoritmos recursivos 
5.2.8. Análisis empírico de algoritmos 

5.3. Algoritmos de ordenación 

5.3.1. Concepto de ordenación 
5.3.2. Ordenación de la burbuja 
5.3.3. Ordenación por selección 
5.3.4. Ordenación por inserción 
5.3.5. Ordenación por mezcla (Merge_Sort) 
5.3.6. Ordenación rápida (Quick_Sort) 

5.4. Algoritmos con árboles 

5.4.1. Concepto de árbol 
5.4.2. Árboles binarios 
5.4.3. Recorridos de árbol 
5.4.4. Representar expresiones 
5.4.5. Árboles binarios ordenados 
5.4.6. Árboles binarios balanceados 

5.5. Algoritmos con Heaps 

5.5.1. Los Heaps 
5.5.2. El algoritmo Heapsort 
5.5.3. Las colas de prioridad 

5.6. Algoritmos con grafos 

5.6.1. Representación 
5.6.2. Recorrido en anchura 
5.6.3. Recorrido en profundidad 
5.6.4. Ordenación topológica 

5.7. Algoritmos Greedy 

5.7.1. La estrategia Greedy 
5.7.2. Elementos de la estrategia Greedy 
5.7.3. Cambio de monedas 
5.7.4. Problema del viajante 
5.7.5. Problema de la mochila 

5.8. Búsqueda de caminos mínimos 

5.8.1. El problema del camino mínimo 
5.8.2. Arcos negativos y ciclos 
5.8.3. Algoritmo de Dijkstra 

5.9. Algoritmos Greedy sobre grafos 

5.9.1. El árbol de recubrimiento mínimo 
5.9.2. El algoritmo de Prim 
5.9.3. El algoritmo de Kruskal 
5.9.4. Análisis de complejidad 

5.10. Backtracking 

5.10.1. El Backtracking 
5.10.2. Técnicas alternativas 

Módulo 6. Sistemas inteligentes 

6.1. Teoría de agentes 

6.1.1. Historia del concepto 
6.1.2. Definición de agente 
6.1.3. Agentes en Inteligencia Artificial 
6.1.4. Agentes en ingeniería de Software 

6.2. Arquitecturas de agentes 

6.2.1. El proceso de razonamiento de un agente 
6.2.2. Agentes reactivos 
6.2.3. Agentes deductivos 
6.2.4. Agentes híbridos 
6.2.5. Comparativa 

6.3. Información y conocimiento 

6.3.1. Distinción entre datos, información y conocimiento 
6.3.2. Evaluación de la calidad de los datos 
6.3.3. Métodos de captura de datos 
6.3.4. Métodos de adquisición de información 
6.3.5. Métodos de adquisición de conocimiento 

6.4. Representación del conocimiento 

6.4.1. La importancia de la representación del conocimiento 
6.4.2. Definición de representación del conocimiento a través de sus roles 
6.4.3. Características de una representación del conocimiento 

6.5. Ontologías 

6.5.1. Introducción a los metadatos 
6.5.2. Concepto filosófico de ontología 
6.5.3. Concepto informático de ontología 
6.5.4. Ontologías de dominio y ontologías de nivel superior 
6.5.5. ¿Cómo construir una ontología? 

6.6. Lenguajes para ontologías y Software para la creación de ontologías 

6.6.1. Tripletas RDF, Turtle y N 
6.6.2. RDF Schema 
6.6.3. OWL 
6.6.4. SPARQL 
6.6.5. Introducción a las diferentes herramientas para la creación de ontologías 
6.6.6. Instalación y uso de Protégé 

6.7. La web semántica 

6.7.1. El estado actual y futuro de la web semántica 
6.7.2. Aplicaciones de la web semántica 

6.8. Otros modelos de representación del conocimiento 

6.8.1. Vocabularios 
6.8.2. Visión global 
6.8.3. Taxonomías 
6.8.4. Tesauros 
6.8.5. Folksonomías 
6.8.6. Comparativa 
6.8.7. Mapas mentales 

6.9. Evaluación e integración de representaciones del conocimiento 

6.9.1. Lógica de orden cero 
6.9.2. Lógica de primer orden 
6.9.3. Lógica descriptiva 
6.9.4. Relación entre diferentes tipos de lógica 
6.9.5. Prolog: programación basada en lógica de primer orden 

6.10. Razonadores semánticos, sistemas basados en conocimiento y Sistemas Expertos 

6.10.1. Concepto de razonador 
6.10.2. Aplicaciones de un razonador 
6.10.3. Sistemas basados en el conocimiento 
6.10.4. MYCIN, historia de los Sistemas Expertos 
6.10.5. Elementos y Arquitectura de Sistemas Expertos 
6.10.6. Creación de Sistemas Expertos 

Módulo 7. Aprendizaje automático y minería de datos 

7.1. Introducción a los procesos de descubrimiento del conocimiento y conceptos básicos de aprendizaje automático 

7.1.1. Conceptos clave de los procesos de descubrimiento del conocimiento 
7.1.2. Perspectiva histórica de los procesos de descubrimiento del conocimiento 
7.1.3. Etapas de los procesos de descubrimiento del conocimiento 
7.1.4. Técnicas utilizadas en los procesos de descubrimiento del conocimiento 
7.1.5. Características de los buenos modelos de aprendizaje automático 
7.1.6. Tipos de información de aprendizaje automático 
7.1.7. Conceptos básicos de aprendizaje 
7.1.8. Conceptos básicos de aprendizaje no supervisado 

7.2. Exploración y preprocesamiento de datos 

7.2.1. Tratamiento de datos 
7.2.2. Tratamiento de datos en el flujo de análisis de datos 
7.2.3. Tipos de datos 
7.2.4. Transformaciones de datos 
7.2.5. Visualización y exploración de variables continuas 
7.2.6. Visualización y exploración de variables categóricas 
7.2.7. Medidas de correlación 
7.2.8. Representaciones gráficas más habituales 
7.2.9. Introducción al análisis multivariante y a la reducción de dimensiones 

7.3. Árboles de decisión 

7.3.1. Algoritmo ID 
7.3.2. Algoritmo C 
7.3.3. Sobreentrenamiento y poda 
7.3.4. Análisis de resultados 

7.4. Evaluación de clasificadores 

7.4.1. Matrices de confusión 
7.4.2. Matrices de evaluación numérica 
7.4.3. Estadístico de Kappa 
7.4.4. La curva ROC 

7.5. Reglas de clasificación 

7.5.1. Medidas de evaluación de reglas 
7.5.2. Introducción a la representación gráfica 
7.5.3. Algoritmo de recubrimiento secuencial 

7.6. Redes neuronales 

7.6.1. Conceptos básicos 
7.6.2. Redes de neuronas simples 
7.6.3. Algoritmo de Backpropagation 
7.6.4. Introducción a las redes neuronales recurrentes 

7.7. Métodos bayesianos 

7.7.1. Conceptos básicos de probabilidad 
7.7.2. Teorema de Bayes 
7.7.3. Naive Bayes 
7.7.4. Introducción a las redes bayesianas 

7.8. Modelos de regresión y de respuesta continua 

7.8.1. Regresión lineal simple 
7.8.2. Regresión lineal múltiple 
7.8.3. Regresión logística 
7.8.4. Árboles de regresión 
7.8.5. Introducción a las máquinas de soporte vectorial (SVM) 
7.8.6. Medidas de bondad de ajuste 

7.9. Clustering 

7.9.1. Conceptos básicos 
7.9.2. Clustering jerárquico 
7.9.3. Métodos probabilistas 
7.9.4. Algoritmo EM 
7.9.5. Método B-Cubed 
7.9.6. Métodos implícitos 

7.10. Minería de textos y procesamiento de lenguaje natural (NLP) 

7.10.1. Conceptos básicos 
7.10.2. Creación del corpus 
7.10.3. Análisis descriptivo 
7.10.4. Introducción al análisis de sentimientos 

Módulo 8. Las redes neuronales, base de Deep Learning 

8.1. Aprendizaje Profundo 

8.1.1. Tipos de aprendizaje profundo 
8.1.2. Aplicaciones del aprendizaje profundo 
8.1.3. Ventajas y desventajas del aprendizaje profundo 

8.2. Operaciones 

8.2.1. Suma 
8.2.2. Producto 
8.2.3. Traslado 

8.3. Capas 

8.3.1. Capa de entrada 
8.3.2. Capa oculta 
8.3.3. Capa de salida 

8.4. Unión de Capas y Operaciones 

8.4.1. Diseño de arquitecturas 
8.4.2. Conexión entre capas 
8.4.3. Propagación hacia adelante 

8.5. Construcción de la primera red neuronal 

8.5.1. Diseño de la red 
8.5.2. Establecer los pesos 
8.5.3. Entrenamiento de la red 

8.6. Entrenador y Optimizador 

8.6.1. Selección del optimizador 
8.6.2. Establecimiento de una función de pérdida 
8.6.3. Establecimiento de una métrica 

8.7. Aplicación de los Principios de las Redes Neuronales 

8.7.1. Funciones de activación 
8.7.2. Propagación hacia atrás 
8.7.3. Ajuste de los parámetros 

8.8. De las neuronas biológicas a las artificiales 

8.8.1. Funcionamiento de una neurona biológica 
8.8.2. Transferencia de conocimiento a las neuronas artificiales 
8.8.3. Establecer relaciones entre ambas 

8.9. Implementación de MLP (Perceptrón multicapa) con Keras 

8.9.1. Definición de la estructura de la red 
8.9.2. Compilación del modelo 
8.9.3. Entrenamiento del modelo 

8.10. Hiperparámetros de Fine tuning de Redes Neuronales 

8.10.1. Selección de la función de activación 
8.10.2. Establecer el Learning rate 
8.10.3. Ajuste de los pesos 

Módulo 9. Entrenamiento de redes neuronales profundas 

9.1. Problemas de Gradientes 

9.1.1. Técnicas de optimización de gradiente 
9.1.2. Gradientes Estocásticos 
9.1.3. Técnicas de inicialización de pesos 

9.2. Reutilización de capas preentrenadas 

9.2.1. Entrenamiento de transferencia de aprendizaje 
9.2.2. Extracción de características 
9.2.3. Aprendizaje profundo 

9.3. Optimizadores 

9.3.1. Optimizadores de descenso de gradiente estocástico 
9.3.2. Optimizadores Adam y RMSprop 
9.3.3. Optimizadores de momento 

9.4. Programación de la tasa de aprendizaje 

9.4.1. Control de tasa de aprendizaje automático 
9.4.2. Ciclos de aprendizaje 
9.4.3. Términos de suavizado 

9.5. Sobreajuste 

9.5.1. Validación cruzada 
9.5.2. Regularización 
9.5.3. Métricas de evaluación 

9.6. Directrices Prácticas 

9.6.1. Diseño de modelos 
9.6.2. Selección de métricas y parámetros de evaluación 
9.6.3. Pruebas de hipótesis 

9.7. Transfer Learning 

9.7.1. Entrenamiento de transferencia de aprendizaje 
9.7.2. Extracción de características 
9.7.3. Aprendizaje profundo 

9.8. Data Augmentation 

9.8.1. Transformaciones de imagen 
9.8.2. Generación de datos sintéticos 
9.8.3. Transformación de texto 

9.9. Aplicación Práctica de Transfer Learning 

9.9.1. Entrenamiento de transferencia de aprendizaje 
9.9.2. Extracción de características 
9.9.3. Aprendizaje profundo 

9.10. Regularización 

9.10.1. L y L 
9.10.2. Regularización por máxima entropía 
9.10.3. Dropout 

Módulo 10. Personalización de Modelos y entrenamiento con TensorFlow 

10.1. TensorFlow 

10.1.1. Uso de la biblioteca TensorFlow 
10.1.2. Entrenamiento de modelos con TensorFlow 
10.1.3. Operaciones con gráficos en TensorFlow 

10.2. TensorFlow y NumPy 

10.2.1. Entorno computacional NumPy para TensorFlow 
10.2.2. Utilización de los arrays NumPy con TensorFlow 
10.2.3. Operaciones NumPy para los gráficos de TensorFlow 

10.3. Personalización de modelos y algoritmos de entrenamiento 

10.3.1. Construcción de modelos personalizados con TensorFlow 
10.3.2. Gestión de parámetros de entrenamiento 
10.3.3. Utilización de técnicas de optimización para el entrenamiento 

10.4. Funciones y gráficos de TensorFlow 

10.4.1. Funciones con TensorFlow 
10.4.2. Utilización de gráficos para el entrenamiento de modelos 
10.4.3. Optimización de gráficos con operaciones de TensorFlow 

10.5. Carga y preprocesamiento de datos con TensorFlow 

10.5.1. Carga de conjuntos de datos con TensorFlow 
10.5.2. Preprocesamiento de datos con TensorFlow 
10.5.3. Utilización de herramientas de TensorFlow para la manipulación de datos 

10.6. La API tfdata 

10.6.1. Utilización de la API tfdata para el procesamiento de datos 
10.6.2. Construcción de flujos de datos con tfdata 
10.6.3. Uso de la API tfdata para el entrenamiento de modelos 

10.7. El formato TFRecord 

10.7.1. Utilización de la API TFRecord para la serialización de datos 
10.7.2. Carga de archivos TFRecord con TensorFlow 
10.7.3. Utilización de archivos TFRecord para el entrenamiento de modelos 

10.8. Capas de preprocesamiento de Keras 

10.8.1. Utilización de la API de preprocesamiento de Keras 
10.8.2. Construcción de pipelined de preprocesamiento con Keras 
10.8.3. Uso de la API de preprocesamiento de Keras para el entrenamiento de modelos 

10.9. El proyecto TensorFlow Datasets 

10.9.1. Utilización de TensorFlow Datasets para la carga de datos 
10.9.2. Preprocesamiento de datos con TensorFlow Datasets 
10.9.3. Uso de TensorFlow Datasets para el entrenamiento de modelos 

10.10. Construcción de una Aplicación de Deep Learning con TensorFlow 

10.10.1. Aplicación Práctica 
10.10.2. Construcción de una aplicación de Deep Learning con TensorFlow 
10.10.3. Entrenamiento de un modelo con TensorFlow 
10.10.4. Utilización de la aplicación para la predicción de resultados 

Módulo 11. Deep Computer Vision con Redes Neuronales Convolucionales 

11.1. La Arquitectura Visual Cortex 

11.1.1. Funciones de la corteza visual 
11.1.2. Teorías de la visión computacional 
11.1.3. Modelos de procesamiento de imágenes 

11.2. Capas convolucionales 

11.2.1. Reutilización de pesos en la convolución 
11.2.2. Convolución D 
11.2.3. Funciones de activación 

11.3. Capas de agrupación e implementación de capas de agrupación con Keras 

11.3.1. Pooling y Striding 
11.3.2. Flattening 
11.3.3. Tipos de Pooling 

11.4. Arquitecturas CNN 

11.4.1. Arquitectura VGG 
11.4.2. Arquitectura AlexNet 
11.4.3. Arquitectura ResNet 

11.5. Implementación de una CNN ResNet- usando Keras 

11.5.1. Inicialización de pesos 
11.5.2. Definición de la capa de entrada 
11.5.3. Definición de la salida 

11.6. Uso de modelos preentrenados de Keras 

11.6.1. Características de los modelos preentrenados 
11.6.2. Usos de los modelos preentrenados 
11.6.3. Ventajas de los modelos preentrenados 

11.7. Modelos preentrenados para el aprendizaje por transferencia 

11.7.1. El Aprendizaje por transferencia 
11.7.2. Proceso de aprendizaje por transferencia 
11.7.3. Ventajas del aprendizaje por transferencia 

11.8. Clasificación y Localización en Deep Computer Vision 

11.8.1. Clasificación de imágenes 
11.8.2. Localización de objetos en imágenes 
11.8.3. Detección de objetos 

11.9. Detección de objetos y seguimiento de objetos 

11.9.1. Métodos de detección de objetos 
11.9.2. Algoritmos de seguimiento de objetos 
11.9.3. Técnicas de rastreo y localización 

11.10. Segmentación semántica 

11.10.1. Aprendizaje profundo para segmentación semántica 
11.10.2. Detección de bordes 
11.10.3. Métodos de segmentación basados en reglas 

Módulo 12. Procesamiento del lenguaje natural (NLP) con Redes Naturales Recurrentes (RNN) y Atención 

12.1. Generación de texto utilizando RNN 

12.1.1. Entrenamiento de una RNN para generación de texto 
12.1.2. Generación de lenguaje natural con RNN 
12.1.3. Aplicaciones de generación de texto con RNN 

12.2. Creación del conjunto de datos de entrenamiento 

12.2.1. Preparación de los datos para el entrenamiento de una RNN 
12.2.2. Almacenamiento del conjunto de datos de entrenamiento 
12.2.3. Limpieza y transformación de los datos 
12.2.4. Análisis de Sentimiento 

12.3. Clasificación de opiniones con RNN 

12.3.1. Detección de temas en los comentarios 
12.3.2. Análisis de sentimiento con algoritmos de aprendizaje profundo 

12.4. Red de codificador-decodificador para la traducción automática neuronal 

12.4.1. Entrenamiento de una RNN para la traducción automática 
12.4.2. Uso de una red encoder-decoder para la traducción automática 
12.4.3. Mejora de la precisión de la traducción automática con RNN 

12.5. Mecanismos de atención 

12.5.1. Aplicación de mecanismos de atención en RNN 
12.5.2. Uso de mecanismos de atención para mejorar la precisión de los modelos 
12.5.3. Ventajas de los mecanismos de atención en las redes neuronales 

12.6. Modelos Transformers 

12.6.1. Uso de los modelos Transformers para procesamiento de lenguaje natural 
12.6.2. Aplicación de los modelos Transformers para visión 
12.6.3. Ventajas de los modelos Transformers 

12.7. Transformers para visión 

12.7.1. Uso de los modelos Transformers para visión 
12.7.2. Preprocesamiento de los datos de imagen 
12.7.3. Entrenamiento de un modelo Transformers para visión 

12.8. Librería de Transformers de Hugging Face 

12.8.1. Uso de la librería de Transformers de Hugging Face 
12.8.2. Aplicación de la librería de Transformers de Hugging Face 
12.8.3. Ventajas de la librería de Transformers de Hugging Face 

12.9. Otras Librerías de Transformers. Comparativa 

12.9.1. Comparación entre las distintas librerías de Transformers 
12.9.2. Uso de las demás librerías de Transformers 
12.9.3. Ventajas de las demás librerías de Transformers 

12.10. Desarrollo de una Aplicación de NLP con RNN y Atención. Aplicación Práctica 

12.10.1. Desarrollo de una aplicación de procesamiento de lenguaje natural con RNN y atención 
12.10.2. Uso de RNN, mecanismos de atención y modelos Transformers en la aplicación 
12.10.3. Evaluación de la aplicación práctica 

Módulo 13. Autoencoders, GANs, y Modelos de Difusión 

13.1. Representaciones de datos eficientes 

13.1.1. Reducción de dimensionalidad 
13.1.2. Aprendizaje profundo 
13.1.3. Representaciones compactas 

13.2. Realización de PCA con un codificador automático lineal incompleto 

13.2.1. Proceso de entrenamiento 
13.2.2. Implementación en Python 
13.2.3. Utilización de datos de prueba 

13.3. Codificadores automáticos apilados 

13.3.1. Redes neuronales profundas 
13.3.2. Construcción de arquitecturas de codificación 
13.3.3. Uso de la regularización 

13.4. Autocodificadores convolucionales 

13.4.1. Diseño de modelos convolucionales 
13.4.2. Entrenamiento de modelos convolucionales 
13.4.3. Evaluación de los resultados 

13.5. Eliminación de ruido de codificadores automáticos 

13.5.1. Aplicación de filtros 
13.5.2. Diseño de modelos de codificación 
13.5.3. Uso de técnicas de regularización 

13.6. Codificadores automáticos dispersos 

13.6.1. Incrementar la eficiencia de la codificación 
13.6.2. Minimizando el número de parámetros 
13.6.3. Utilización de técnicas de regularización 

13.7. Codificadores automáticos variacionales 

13.7.1. Utilización de optimización variacional 
13.7.2. Aprendizaje profundo no supervisado 
13.7.3. Representaciones latentes profundas 

13.8. Generación de imágenes MNIST de moda 

13.8.1. Reconocimiento de patrones 
13.8.2. Generación de imágenes 
13.8.3. Entrenamiento de redes neuronales profundas 

13.9. Redes adversarias generativas y modelos de difusión 

13.9.1. Generación de contenido a partir de imágenes 
13.9.2. Modelado de distribuciones de datos 
13.9.3. Uso de redes adversarias 

13.10. Implementación de los Modelos 

13.10.1. Aplicación Práctica 
13.10.2. Implementación de los modelos 
13.10.3. Uso de datos reales 
13.10.4. Evaluación de los resultados 

Módulo 14. Computación bioinspirada

14.1. Introducción a la computación bioinspirada 

14.1.1. Introducción a la computación bioinspirada 

14.2. Algoritmos de adaptación social 

14.2.1. Computación bioinspirada basada en colonia de hormigas 
14.2.2. Variantes de los algoritmos de colonias de hormigas 
14.2.3. Computación basada en nubes de partículas 

14.3. Algoritmos genéticos 

14.3.1. Estructura general 
14.3.2. Implementaciones de los principales operadores 

14.4. Estrategias de exploración-explotación del espacio para algoritmos genéticos 

14.4.1. Algoritmo CHC 
14.4.2. Problemas multimodales 

14.5. Modelos de computación evolutiva (I) 

14.5.1. Estrategias evolutivas 
14.5.2. Programación evolutiva 
14.5.3. Algoritmos basados en evolución diferencial 

14.6. Modelos de computación evolutiva (II) 

14.6.1. Modelos de evolución basados en estimación de distribuciones (EDA) 
14.6.2. Programación genética 

14.7. Programación evolutiva aplicada a problemas de aprendizaje 

14.7.1. Aprendizaje basado en reglas 
14.7.2. Métodos evolutivos en problemas de selección de instancias 

14.8. Problemas multiobjetivo 

14.8.1. Concepto de dominancia 
14.8.2. Aplicación de algoritmos evolutivos a problemas multiobjetivo 

14.9. Redes neuronales (I) 

14.9.1. Introducción a las redes neuronales 
14.9.2. Ejemplo práctico con redes neuronales 

14.10. Redes neuronales (II) 

14.10.1. Casos de uso de las redes neuronales en la investigación médica 
14.10.2. Casos de uso de las redes neuronales en la economía 
14.10.3. Casos de uso de las redes neuronales en la visión artificial 

Módulo 15. Inteligencia Artificial: estrategias y aplicaciones

15.1. Servicios financieros 

15.1.1. Las implicaciones de la Inteligencia Artificial (IA) en los servicios financieros.Oportunidades y desafíos
15.1.2. Casos de uso
15.1.3. Riesgos potenciales relacionados con el uso de IA 
15.1.4. Potenciales desarrollos / usos futuros de la IA 

15.2. Implicaciones de la Inteligencia Artificial en el servicio sanitario

15.2.1. Implicaciones de la IA en el sector sanitario. Oportunidades y desafíos
15.2.2. Casos de uso 

15.3. Riesgos Relacionados con el uso de la IA en el servicio sanitario 

15.3.1. Riesgos potenciales relacionados con el uso de IA 
15.3.2. Potenciales desarrollos / usos futuros de la IA

15.4. Retail

15.4.1. Implicaciones de la IA en Retail. Oportunidades y desafíos
15.4.2. Casos de uso
15.4.3. Riesgos potenciales relacionados con el uso de IA
15.4.4. Potenciales desarrollos / usos futuros de la IA 

15.5. Industria 

15.5.1. Implicaciones de la IA en la Industria. Oportunidades y desafíos 
15.5.2. Casos de uso 

15.6. Riesgos potenciales relacionados con el uso de IA en la Industria 

15.6.1. Casos de uso 
15.6.2. Riesgos potenciales relacionados con el uso de IA 
15.6.3. Potenciales desarrollos / usos futuros de la IA

15.7. Administración Pública

15.7.1. Implicaciones de la IA en la Administración Pública. Oportunidades y desafíos 
15.7.2. Casos de uso
15.7.3. Riesgos potenciales relacionados con el uso de IA
15.7.4. Potenciales desarrollos / usos futuros de la IA

15.8. Educación

15.8.1. Implicaciones de la IA en la educación. Oportunidades y desafíos 
15.8.2. Casos de uso
15.8.3. Riesgos potenciales relacionados con el uso de IA
15.8.4. Potenciales desarrollos / usos futuros de la IA 

15.9. Silvicultura y agricultura

15.9.1. Implicaciones de la IA en la silvicultura y la agricultura. Oportunidades y desafíos
15.9.2. Casos de uso 
15.9.3. Riesgos potenciales relacionados con el uso de IA 
15.9.4. Potenciales desarrollos / usos futuros de la IA

15.10. Recursos Humanos

15.10.1. Implicaciones de la IA en los Recursos Humanos. Oportunidades y desafíos 
15.10.2. Casos de uso
15.10.3. Riesgos potenciales relacionados con el uso de IA
15.10.4. Potenciales desarrollos / usos futuros de la IA

Módulo 16. Análisis de datos y aplicación de técnicas de IA para la personalización educativa 

16.1. Identificación, extracción y preparación de datos educativos 

16.1.1. Aplicación de H2O.ai en la recolección y selección de datos relevantes en entornos educativos 
16.1.2. Técnicas de limpieza y normalización de datos para análisis educativos 
16.1.3. Importancia de la integridad y calidad de los datos en investigaciones educativas 

16.2. Análisis y evaluación de datos educativos con IA para la mejora continua en el aula 

16.2.1. Implementación de TensorFlow en la interpretación de tendencias y patrones educativos mediante técnicas de machine learning 
16.2.2. Evaluación del impacto de estrategias pedagógicas mediante análisis de datos 
16.2.3. Aplicación de Trinka en la integración de retroalimentación basada en IA para la optimización del proceso de enseñanza 

16.3. Definición de indicadores de rendimiento académico a partir de datos educativos 

16.3.1. Establecimiento de métricas clave para evaluar el rendimiento estudiantil 
16.3.2. Análisis comparativo de indicadores para identificar áreas de mejora 
16.3.3. Correlación entre indicadores académicos y factores externos mediante IA 

16.4. Herramientas de IA para el control y la toma de decisiones educativas 

16.4.1. Sistemas de soporte a la decisión basados con tome.ai para administradores educativos 
16.4.2. Utilización de Trello para la planificación y asignación de recursos educativos 
16.4.3. Optimización de Procesos Educativos Mediante Análisis Predictivo con Orange Data Mining  

16.5. Tecnologías y algoritmos de IA para análisis predictivo de datos de rendimiento académico 

16.5.1. Fundamentos de modelos predictivos en educación 
16.5.2. Uso de algoritmos de clasificación y regresión para predecir tendencias educativas 
16.5.3. Casos prácticos de predicciones exitosas en entornos educativos 

16.6. Aplicación de análisis de datos con IA para la prevención y solución de problemas educativos 

16.6.1. Identificación temprana de riesgos académicos mediante análisis predictivo 
16.6.2. Estrategias de intervención basadas en datos para abordar desafíos educativos 
16.6.3. Evaluación del impacto de soluciones basadas con DataRobot AI en la educación 

16.7. Diagnóstico personalizado de dificultades de aprendizaje a partir de análisis de datos con IA 

16.7.1. Técnicas de IA para la identificación de estilos y dificultades de aprendizaje con IBM Watson Education  
16.7.2. Integración de análisis de datos en planes de apoyo educativo individualizados 
16.7.3. Estudio de casos de diagnósticos mejorados por el uso de IA 

16.8. Análisis de datos y aplicación de IA para identificación de necesidades educativas particulares 

16.8.1. Enfoques de IA para la detección de necesidades educativas especiales con Gooroo 
16.8.2. Personalización de estrategias de enseñanza basadas en el análisis de datos 
16.8.3. Evaluación del impacto de la IA en la inclusión educativa 

16.9. Personalización del aprendizaje con IA a partir de análisis de datos de rendimiento académico 

16.9.1. Creación de itinerarios de aprendizaje adaptativos utilizando Smart Sparrow 
16.9.2. Implementación de sistemas de recomendación para recursos educativos 
16.9.3. Medición del progreso individual y ajustes en tiempo real mediante Squirrel AI Learning 

16.10. Seguridad y privacidad en el tratamiento de datos educativos 

16.10.1. Principios éticos y legales en la gestión de datos educativos 
16.10.2. Técnicas de protección de datos y privacidad en sistemas educativos con Google Cloud Security 
16.10.3. Casos de estudio sobre violaciones de seguridad y su impacto en la educación  

Módulo 17. Desarrollo de proyectos de Inteligencia Artificial en el Aula    

17.1. Planificación y Diseño de Proyectos de IA en Educación con Algor Education  

17.1.1. Primeros pasos para planificar el proyecto  
17.1.2. Bases de conocimiento  
17.1.3. Diseño de proyectos de IA en Educación   

17.2. Herramientas para el desarrollo de proyectos educativos con IA  

17.2.1. Herramientas para el desarrollo de proyectos educativos: TensorFlow Playground 
17.2.2. Herramientas para proyectos educativos en Historia  
17.2.3. Herramientas para proyectos educativos en Matemáticas; Wolfram Alpha 
17.2.4. Herramientas para proyectos educativos en Inglés: Grammarly 

17.3. Estrategias de implementación de proyectos de IA en el aula  

17.3.1. Cuando implantar un proyecto de IA  
17.3.2. Por qué implantar un proyecto de IA  
17.3.3. Estrategias a llevar a cabo   

17.4. Integración de proyectos de IA en asignaturas específicas  

17.4.1. Matemáticas e IA: Thinkster math 
17.4.2. Historia e IA  
17.4.3. Idiomas e IA: Deep L 
17.4.4. Otras asignaturas: Watson Studio 

17.5. Proyecto 1: Desarrollo de proyectos educativos utilizando aprendizaje automático con Khan Academy  

17.5.1. Primeros pasos  
17.5.2. Toma de requisitos  
17.5.3. Herramientas a utilizar  
17.5.4. Definición del proyecto    

17.6. Proyecto 2: Integración de la IA en el desarrollo de juegos educativos   

17.6.1. Primeros pasos  
17.6.2. Toma de requisitos  
17.6.3. Herramientas a utilizar  
17.6.4. Definición del proyecto    

17.7. Proyecto 3: Desarrollo de chatbots educativos para asistencia estudiantil 

17.7.1. Primeros pasos  
17.7.2. Toma de requisitos  
17.7.3. Herramientas a utilizar  
17.7.4. Definición del proyecto   

17.8. Proyecto 4: Integración de agentes inteligentes en plataformas educativas con Knewton 

17.8.1. Primeros pasos  
17.8.2. Toma de requisitos  
17.8.3. Herramientas a utilizar  
17.8.4. Definición del proyecto   

17.9. Evaluación y Medición del Impacto de proyectos de IA en Educación con Qualtrics 

17.9.1. Beneficios de trabajar con IA en el aula  
17.9.2. Datos reales  
17.9.3. IA en el aula   
17.9.4. Estadísticas de la IA en educación   

17.10. Análisis y mejora continua de proyectos de IA en Educación con Edmodo Insights 

17.10.1.  Proyectos actuales   
17.10.2. Puesta en marcha  
17.10.3.  Que nos depara el futuro  
17.10.4.  Transformando el Aulas 360  

Módulo 18. Práctica docente con Inteligencia Artificial generativa    

18.1. Tecnologías de IA generativa para su uso en Educación  

18.1.1. Mercado actual: Artbreeder, Runway ML y DeepDream Generator 
18.1.2. Tecnologías en uso  
18.1.3. Que está por venir  
18.1.4. El futuro del aula  

18.2. Aplicación de herramientas de IA generativa en la planificación educativa  

18.2.1. Herramientas de planificación: Altitude Learning 
18.2.2. Herramientas y su aplicación  
18.2.3. Educación e IA  
18.2.4. Evolución   

18.3. Creación de materiales didácticos con IA generativa mediante Story Ai, Pix2PIx y NeouralTalk2 

18.3.1. IA y sus usos en el aula 
18.3.2. Herramientas para crear material didáctico  
18.3.3. Como trabajar con las herramientas  
18.3.4. Comandos   

18.4. Desarrollo de pruebas de evaluación mediante IA generativa con Quizgecko 

18.4.1. IA y sus usos en el desarrollo de pruebas de evaluación   
18.4.2. Herramientas para el desarrollo de pruebas de evaluación   
18.4.3. Como trabajar con las herramientas  
18.4.4. Comandos   

18.5. Retroalimentación y comunicación mejoradas con IA generativa  

18.5.1. La IA en la comunicación  
18.5.2. Aplicación de herramientas en el desarrollo de la comunicación en el aula  
18.5.3. Ventajas e inconvenientes   

18.6. Corrección de actividades y pruebas evaluativas mediante IA generativa con Grandscope AI 

18.6.1. IA y sus usos en la corrección de actividades y pruebas evaluativas  
18.6.2. Herramientas para la corrección de actividades y pruebas evaluativas   
18.6.3. Como trabajar con las herramientas  
18.6.4. Comandos  

18.7. Generación de encuestas de evaluación de la calidad docente mediante IA generativa  

18.7.1. IA y sus usos en la generación de encuestas de evaluación de la calidad docente mediante IA   
18.7.2. Herramientas para la generación de encuestas de evaluación de la calidad docente mediante IA  
18.7.3. Como trabajar con las herramientas  
18.7.4. Comandos  

18.8. Integración de Herramientas de IA generativa en estrategias pedagógicas  

18.8.1. Aplicaciones de la IA en las estrategias pedagógicas  
18.8.2. Usos correctos   
18.8.3. Ventajas e inconvenientes  
18.8.4. Herramientas de IA generativa en las estrategias pedagógicas: Gans 

18.9. Utilización de IA generativa para el diseño universal para el aprendizaje  

18.9.1. IA generativa, porqué ahora  
18.9.2. IA en el aprendizaje  
18.9.3. Ventajas e inconvenientes  
18.9.4. Aplicaciones de la IA en el aprendizaje  

18.10. Evaluación de la efectividad de la IA generativa en la Educación  

18.10.1. Datos sobre efectividad  
18.10.2. Proyectos  
18.10.3. Propósitos de diseño  
18.10.4. Evaluar la efectividad de la IA en Educación   

Módulo 19. Innovaciones y tendencias emergentes en IA para la Educación 

19.1. Herramientas y tecnologías emergentes de IA en el ámbito educativo  

19.1.1. Herramientas obsoletas de IA 
19.1.2. Herramientas actuales: ClassDojo y Seesaw 
19.1.3. Herramientas futuras   

19.2. Realidad Aumentada y Virtual en Educación  

19.2.1. Herramientas de realidad aumentada  
19.2.2. Herramientas de realidad virtual  
19.2.3. Aplicación de herramientas y sus usos  
19.2.4. Ventajas e inconvenientes  

19.3. IA conversacional para apoyo educativo y el aprendizaje interactivo con Wysdom AI y SnatchBot  

19.3.1. IA conversacional, porqué ahora  
19.3.2. IA en el aprendizaje  
19.3.3. Ventajas e inconvenientes  
19.3.4. Aplicaciones de la IA en el aprendizaje  

19.4. Aplicación de IA para la mejora de la retención de conocimiento  

19.4.1. IA como herramienta de apoyo  
19.4.2. Pautas a seguir   
19.4.3. Rendimiento de la IA en la retención de conocimiento  
19.4.4. IA y herramientas de apoyo  

19.5. Tecnologías de reconocimiento facial y emocional para el seguimiento de la participación y el bienestar de los estudiantes   

19.5.1. Tecnologías de reconocimiento facial y emocional en el mercado actual  
19.5.2. Usos  
19.5.3. Aplicaciones  
19.5.4. Margen de error  
19.5.5. Ventajas e inconvenientes  

19.6. Blockchain e IA en Educación para transformar la administración educativa y la certificación   

19.6.1. Que es el Blockchain  
19.6.2. Blockchain y sus aplicaciones  
19.6.3. Blockchain como elemento transformador  
19.6.4. Administración educativa y Blockchain  

19.7. Herramientas emergentes de IA para mejorar la experiencia de aprendizaje con Squirrel AI Learning  

19.7.1. Proyectos actuales   
19.7.2. Puesta en marcha  
19.7.3. Que nos depara el futuro  
19.7.4. Transformando el Aulas 360  

19.8. Estrategias para el desarrollo de pilotos con IA emergente  

19.8.1. Ventajas e inconvenientes  
19.8.2. Estrategias a desarrollar  
19.8.3. Puntos clave  
19.8.4. Proyectos piloto  

19.9. Análisis de Casos de Éxito en Innovaciones de IA  

19.9.1. Proyectos innovadores  
19.9.2. Aplicación de IA y sus beneficios  
19.9.3. IA en el aula, casos de éxito  

19.10. Futuro de la IA en Educación  

19.10.1. Historia de la IA en educación  
19.10.2. Hacia dónde va la IA en el Aula  
19.10.3. Proyectos futuros  

Módulo 20. Ética y legislación de la Inteligencia Artificial en Educación 

20.1. Identificación y tratamiento ético de datos sensibles en el contexto educativo 

20.1.1. Principios y prácticas para el manejo ético de datos sensibles en educación 
20.1.2. Retos en la protección de la privacidad y confidencialidad de los datos de estudiantes 
20.1.3. Estrategias para garantizar la transparencia y el consentimiento informado en la recopilación de datos 

20.2. Impacto Social y Cultural de la IA en la Educación 

20.2.1. Análisis del efecto de la IA en las dinámicas sociales y culturales dentro de entornos educativos 
20.2.2. Exploración de cómo Microsoft AI for Accessibility puede perpetuar o mitigar sesgos y desigualdades sociales 
20.2.3. Evaluación de la responsabilidad social de los desarrolladores y educadores en la implementación de la IA 

20.3. Legislación y política de datos en IA en entornos educativos 

20.3.1. Revisión de las leyes y regulaciones actuales sobre datos y privacidad aplicables a la IA en educación 
20.3.2. Impacto de las políticas de datos en la práctica educativa y la innovación tecnológica 
20.3.3. Desarrollo de políticas institucionales para el uso ético de la IA en educación con AI Ethics Lab 

20.4. Evaluación del impacto ético de la IA 

20.4.1. Métodos para evaluar las implicaciones éticas de las aplicaciones de IA en educación 
20.4.2. Desafíos en la medición del impacto social y ético de la IA 
20.4.3. Creación de marcos éticos para guiar el desarrollo y uso de la IA en educación 

20.5. Desafíos y oportunidades de la IA en Educación 

20.5.1. Identificación de los principales desafíos éticos y legales en el uso de la IA en educación 
20.5.2. Exploración de las oportunidades para mejorar la enseñanza y el aprendizaje a través de Squirrel AI Learning 
20.5.3. Balance entre innovación tecnológica y consideraciones éticas en educación 

20.6. Aplicación ética de soluciones de IA en el entorno educativo 

20.6.1. Principios para el diseño y despliegue ético de soluciones de IA en educación 
20.6.2. Estudio de casos sobre aplicaciones éticas de la IA en diferentes contextos educativos 
20.6.3. Estrategias para involucrar a todos los stakeholders en la toma de decisiones éticas sobre IA 

20.7. IA, diversidad cultural y equidad de género 

20.7.1. Análisis del impacto de la IA en la promoción de la diversidad cultural y la equidad de género en educación 
20.7.2. Estrategias para desarrollar sistemas de IA inclusivos y sensibles a la diversidad con Teachable Machine by Google  
20.7.3. Evaluación de cómo la IA puede influir en la representación y el trato de diferentes grupos culturales y de género 

20.8. Consideraciones éticas para el uso de herramientas de la IA en Educación 

20.8.1. Directrices éticas para el desarrollo y uso de herramientas de IA en el aula 
20.8.2. Discusión sobre el equilibrio entre la automatización y la intervención humana en la educación 
20.8.3. Análisis de casos donde el uso de IA en educación ha planteado cuestiones éticas significativas 

20.9. Impacto de la IA en la accesibilidad educativa 

20.9.1. Exploración de cómo la IA puede mejorar o limitar la accesibilidad en educación 
20.9.2. Análisis de soluciones de IA diseñadas para aumentar la inclusión y el acceso a la educación para todos con Google Read Along  
20.9.3. Desafíos éticos en la implementación de tecnologías de IA para mejorar la accesibilidad 

20.10. Casos de estudio globales en IA y Educación 

20.10.1. Análisis de casos de estudio internacionales sobre el uso de la IA en educación 
20.10.2. Comparación de enfoques éticos y legales en diferentes contextos culturales educativos 
20.10.3. Lecciones aprendidas y mejores prácticas de casos globales en IA y educación  

Te sumergirás en un programa integral y avanzado, único en crear profesionales altamente cualificados para enfrentar los desafíos del panorama educativo impulsado por la IA”