Presentación

Un programa 100% online con el que podrás capacitarte como un enfermero experto en el uso de tecnologías digitales dentro de la Salud y aplicarás diferentes herramientas de IA” 

##IMAGE##

La Inteligencia Artificial ha revolucionado el ámbito sanitario, impulsando una transformación en la forma de gestionar procesos clínicos, organizativos y comunicativos. Este avance tecnológico ha redefinido el sector, exigiendo a los profesionales de la salud, incluidos los enfermeros, que adquieran habilidades especializadas para integrar estas innovaciones en su práctica diaria. Con el crecimiento de las tecnologías digitales, se ha vuelto crucial que los expertos en salud aborden nuevas áreas de conocimiento, más allá de sus funciones tradicionales. Entre los principales desafíos se encuentra la integración de la IA en la Telemedicina, la optimización de bases de datos de pacientes y el control preciso de los recursos de cuidado. 

Para responder a esta necesidad, TECH Universidad ha diseñado el Máster en Inteligencia Artificial en Enfermería. Este programa se centra en proporcionar una formación exhaustiva que permita a los profesionales adquirir competencias innovadoras en el uso de la IA. El plan de estudios abarca desde conceptos generales sobre herramientas avanzadas hasta aplicaciones específicas que potencian la eficacia asistencial y la personalización de los cuidados. Los módulos incluyen la aplicación de la IA en el ámbito de la nutrición, permitiendo un manejo más preciso de las necesidades dietéticas de los pacientes, así como la monitorización avanzada de la recuperación postprocedimiento. 

Al completar este programa, los enfermeros no solo estarán capacitados para implementar soluciones tecnológicas en entornos clínicos, sino que también podrán liderar proyectos de salud digital, desarrollar enfoques de atención personalizados y contribuir significativamente a la innovación en el sector. Esto no solo optimiza los resultados para los pacientes, sino que también abre puertas a nuevas oportunidades laborales en un mercado competitivo, donde la especialización en IA es cada vez más valorada y esencial. 

Por otro lado, este programa cuenta con la exclusiva metodología Relearning en la que TECH Universidad, a través de la reiteración potencia la asimilación de conceptos clave. Todo ello desde un Campus Virtual 100% online que los enfermeros podrán consultar en cualquier momento o lugar, desde su tablet, móvil u ordenador.  

Ahondarás en las herramientas más innovadoras para desempeñar roles estratégicos en la gestión clínica como enfermero gracias a TECH”

Este Máster en Inteligencia Artificial en Enfermería contiene el programa científico más completo y actualizado del mercado. Sus características más destacadas son:

  • El desarrollo de casos prácticos presentados por expertos en Ingeniería enfocada en la Energía Eólica
  • Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica 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

Utilizar sistemas de monitorización remota con IA para el seguimiento y gestión eficaz de pacientes con enfermedades crónicas”

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.

Tienes a tu alcance diferentes recursos multimedia como vídeos explicativos y resúmenes interactivos para ampliar tus competencias de manera integral"

##IMAGE##

 

Sin horarios herméticos, ni evaluaciones continuas así: este programa se adapta a todas tus necesidades académicas y obligaciones personales"

Temario

El programa prepara a los profesionales de esa área para enfrentar los desafíos tecnológicos en el sector salud. Sus 20 módulos académicos ofrecen un exhaustivo y detallado análisis de herramientas como los chatbots y asistentes conversacionales que mejoran la atención al paciente y optimizan procesos clínicos. Asimismo, se ahonda en aplicaciones de Inteligencia Artificial y Realidad Virtual, así como sus ventajas para brindar soporte emocional a los enfermos, con enfoques innovadores en rehabilitación y manejo del dolor. De esa forma, estarán al día sobre cómo estas herramientas de gestión clínica personalizadas permiten a los enfermeros optimizar procedimientos y crear planes de cuidado totalmente adaptados. Todo esto desde un completísimo Campus Virtual y contenidos 100% online, accesibles las 24 horas del día.

##IMAGE##

Estás ante el plan de estudios más integrador y avanzado en materia de recursos, aplicaciones y procedimientos para sacar el máximo partido a las tecnologías de Inteligencia Artificial en el plano de la Enfermería”

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 
11.10.1. Detección de bordes 
11.10.1. 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. Aplicación de Asistentes Conversacionales en Inteligencia Artificial para Enfermería 

16.1. Introducción a los Asistentes Conversacionales en IA para Enfermería     

16.1.1. Contexto de la IA en salud y su aplicación en enfermería
16.1.2. Beneficios de los asistentes conversacionales en la atención de enfermería
16.1.3. Aplicaciones específicas en enfermería
16.1.4. Tendencias en asistentes conversacionales en el sector sanitario 

16.2. Tipologías de Asistentes Conversacionales en Salud 

16.2.1. Tipos de asistentes conversacionales en salud (Synthesia, Heygen)
16.2.2. Diferencias entre asistentes en funciones de apoyo, diagnóstico y seguimiento     
16.2.3. Ejemplos de asistentes conversacionales y casos de uso en enfermería 
16.2.4. Comparativa entre asistentes automáticos y asistentes híbridos (con intervención humana) 

16.3. Implementación de Asistentes Conversacionales en Salud 

16.3.1. Ventajas de los asistentes en el entorno sanitario para enfermería
16.3.2. Desafíos en la implementación de asistentes en procesos clínicos 
16.3.3. Requisitos técnicos para la implementación en salud 
16.3.4. Evaluación de efectividad y beneficios en el ámbito educativo de salud     

16.4. Creación de Asistentes Personalizados en ChatGPT 

16.4.1. Introducción a la creación de un chatbot en ChatGPT 
16.4.2. Proceso de personalización de un asistente para enfermería (parte 1)     
16.4.3. Proceso de personalización de un asistente para enfermería (parte 2)     
16.4.4. Ejemplos prácticos de asistentes personalizados en salud 

16.5. Impacto de la IA y Automatización en el Sector Sanitario 

16.5.1. Cambios en los roles laborales debido a la IA 
16.5.2. Adaptación de los profesionales de enfermería a tecnologías IA 
16.5.3. Efectos de los asistentes conversacionales en la formación del personal sanitario 
16.5.4. Evaluación del impacto de la automatización en el sector salud 

16.6. Integración de Asistentes Conversacionales en la Formación de Enfermería 

16.6.1. Rol de los asistentes conversacionales en el aprendizaje clínico 
16.6.2. Uso de asistentes en simulaciones de casos clínicos 
16.6.3. Aplicación en la práctica y toma de decisiones clínicas 
16.6.4. Herramientas para la formación continua con asistentes 

16.7. Asistentes Conversacionales en el Soporte Emocional de Pacientes 

16.7.1. Aplicaciones de asistentes para acompañamiento emocional 
16.7.2. Ejemplos de asistentes conversacionales en apoyo psicológico 
16.7.3. Limitaciones en el soporte emocional de asistentes conversacionales 
16.7.4. Consideraciones para el uso de IA en apoyo emocional

16.8. Mejora de la Eficiencia y la Atención al Paciente con Asistentes de IA 

16.8.1. Gestión de consultas y preguntas frecuentes con asistentes 
16.8.2. Optimización de la comunicación entre paciente y enfermería 
16.8.3. Aplicaciones de asistentes en la coordinación de cuidados 
16.8.4. Evaluación del impacto de asistentes en la eficiencia clínica 

16.9. Desarrollo y Personalización de Herramientas Conversacionales para Enfermería 

16.9.1. Proceso de desarrollo de un asistente conversacional desde cero 
16.9.2. Personalización para necesidades específicas de la enfermería 
16.9.3. Actualización y mejora continua de asistentes conversacionales 
16.9.4. Implementación de asistentes en diversos entornos de salud 

16.10. Aprendizaje Virtual y Formación Continua en IA para Enfermería 

16.10.1. Importancia del aprendizaje continuo de IA para enfermería 
16.10.2. Plataformas de aprendizaje virtual en IA y asistentes 
16.10.3. Desarrollo profesional en IA para el personal sanitario 
16.10.4. Futuro de la formación en IA para enfermería y personal sanitario 

Módulo 17. Uso de Inteligencia Artificial y Realidad Virtual en el Soporte Emocional en Enfermería 

17.1. Introducción al Soporte Emocional Asistido por IA (Woebot) 

17.1.1. Concepto y relevancia del soporte emocional en IA 
17.1.2. Beneficios y limitaciones del soporte emocional con IA 
17.1.3. Principales aplicaciones en el ámbito de la salud mental 
17.1.4. Diferencias con el soporte emocional tradicional 

17.2. Chatbots en el Soporte Emocional 

17.2.1. Tipos de 

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 
11.10.1. Detección de bordes 
11.10.1. 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. Aplicación de Asistentes Conversacionales en Inteligencia Artificial para Enfermería 

16.1. Introducción a los Asistentes Conversacionales en IA para Enfermería     

16.1.1. Contexto de la IA en salud y su aplicación en enfermería
16.1.2. Beneficios de los asistentes conversacionales en la atención de enfermería
16.1.3. Aplicaciones específicas en enfermería
16.1.4. Tendencias en asistentes conversacionales en el sector sanitario 

16.2. Tipologías de Asistentes Conversacionales en Salud 

16.2.1. Tipos de asistentes conversacionales en salud (Synthesia, Heygen)
16.2.2. Diferencias entre asistentes en funciones de apoyo, diagnóstico y seguimiento     
16.2.3. Ejemplos de asistentes conversacionales y casos de uso en enfermería 
16.2.4. Comparativa entre asistentes automáticos y asistentes híbridos (con intervención humana) 

16.3. Implementación de Asistentes Conversacionales en Salud 

16.3.1. Ventajas de los asistentes en el entorno sanitario para enfermería
16.3.2. Desafíos en la implementación de asistentes en procesos clínicos 
16.3.3. Requisitos técnicos para la implementación en salud 
16.3.4. Evaluación de efectividad y beneficios en el ámbito educativo de salud     

16.4. Creación de Asistentes Personalizados en ChatGPT 

16.4.1. Introducción a la creación de un chatbot en ChatGPT 
16.4.2. Proceso de personalización de un asistente para enfermería (parte 1)     
16.4.3. Proceso de personalización de un asistente para enfermería (parte 2)     
16.4.4. Ejemplos prácticos de asistentes personalizados en salud 

16.5. Impacto de la IA y Automatización en el Sector Sanitario 

16.5.1. Cambios en los roles laborales debido a la IA 
16.5.2. Adaptación de los profesionales de enfermería a tecnologías IA 
16.5.3. Efectos de los asistentes conversacionales en la formación del personal sanitario 
16.5.4. Evaluación del impacto de la automatización en el sector salud 

16.6. Integración de Asistentes Conversacionales en la Formación de Enfermería 

16.6.1. Rol de los asistentes conversacionales en el aprendizaje clínico 
16.6.2. Uso de asistentes en simulaciones de casos clínicos 
16.6.3. Aplicación en la práctica y toma de decisiones clínicas 
16.6.4. Herramientas para la formación continua con asistentes 

16.7. Asistentes Conversacionales en el Soporte Emocional de Pacientes 

16.7.1. Aplicaciones de asistentes para acompañamiento emocional 
16.7.2. Ejemplos de asistentes conversacionales en apoyo psicológico 
16.7.3. Limitaciones en el soporte emocional de asistentes conversacionales 
16.7.4. Consideraciones para el uso de IA en apoyo emocional

16.8. Mejora de la Eficiencia y la Atención al Paciente con Asistentes de IA 

16.8.1. Gestión de consultas y preguntas frecuentes con asistentes 
16.8.2. Optimización de la comunicación entre paciente y enfermería 
16.8.3. Aplicaciones de asistentes en la coordinación de cuidados 
16.8.4. Evaluación del impacto de asistentes en la eficiencia clínica 

16.9. Desarrollo y Personalización de Herramientas Conversacionales para Enfermería 

16.9.1. Proceso de desarrollo de un asistente conversacional desde cero 
16.9.2. Personalización para necesidades específicas de la enfermería 
16.9.3. Actualización y mejora continua de asistentes conversacionales 
16.9.4. Implementación de asistentes en diversos entornos de salud 

16.10. Aprendizaje Virtual y Formación Continua en IA para Enfermería 

16.10.1. Importancia del aprendizaje continuo de IA para enfermería 
16.10.2. Plataformas de aprendizaje virtual en IA y asistentes 
16.10.3. Desarrollo profesional en IA para el personal sanitario 
16.10.4. Futuro de la formación en IA para enfermería y personal sanitario 

Módulo 17. Uso de Inteligencia Artificial y Realidad Virtual en el Soporte Emocional en Enfermería 

17.1. Introducción al Soporte Emocional Asistido por IA (Woebot) 

17.1.1. Concepto y relevancia del soporte emocional en IA 
17.1.2. Beneficios y limitaciones del soporte emocional con IA 
17.1.3. Principales aplicaciones en el ámbito de la salud mental 
17.1.4. Diferencias con el soporte emocional tradicional 

17.2. Chatbots en el Soporte Emocional 

17.2.1. Tipos de chatbots disponibles para soporte emocional (Replika, Wysa) 
17.2.2. Ejemplos de chatbots en salud mental 
17.2.3. Limitaciones de los chatbots en el apoyo emocional     
17.2.4. Casos prácticos de uso de chatbots en el sector salud 

17.3. Herramientas de IA para la Salud Mental (Youper, Koko) 

17.3.1. Casos de éxito de IA en salud mental 
17.3.2. Herramientas actuales de apoyo emocional 
17.3.3. Integración de IA en terapias de salud mental 
17.3.4. Medición de la efectividad de herramientas de IA 

17.4. Privacidad y Seguridad en el Soporte Emocional Asistido por IA 

17.4.1. Importancia de la privacidad en soporte emocional con IA 
17.4.2. Regulaciones de privacidad en el uso de IA en salud     
17.4.3. Seguridad de datos en sistemas de soporte emocional 
17.4.4. Ética y protección de la información sensible 

17.5. Comparación entre Soporte Emocional Tradicional y con IA 

17.5.1. Desafíos actuales en ambos enfoques 
17.5.2. Beneficios de la combinación de IA con métodos tradicionales 
17.5.3. Estudio de casos en soporte emocional mixto 
17.5.4. Retos de implementación y aceptación del soporte con IA 

17.6. Realidad Virtual en la Atención al Paciente (Psious, RelieVRx)     

17.6.1. Introducción a la realidad virtual en salud     
17.6.2. Dispositivos de realidad virtual y su aplicación médica 
17.6.3. Realidad virtual en la preparación de pacientes 
17.6.4. Evolución de la realidad virtual en salud

17.7. Aplicaciones de Realidad Virtual en la Rehabilitación (MindMotion, VRHealth) 

17.7.1. Uso de la realidad virtual en la rehabilitación motora     
17.7.2. Manejo del dolor mediante realidad virtual     
17.7.3. Tratamientos de fobias y trastornos de ansiedad 
17.7.4. Ejemplos de éxito en rehabilitación con realidad virtual 

17.8. Consideraciones Éticas en el Uso de Realidad Virtual 

17.8.1. Ética en tratamientos de realidad virtual 
17.8.2. Seguridad de los pacientes en entornos virtuales 
17.8.3. Riesgos de adicción y sobreexposición a la realidad virtual 
17.8.4. Normativas en el uso de realidad virtual en salud 

17.9. Comparativa de Tratamientos Tradicionales y Realidad Virtual 

17.9.1. Diferencias en la efectividad de ambos enfoques 
17.9.2. Casos de uso para tratamientos mixtos 
17.9.3. Análisis de costes y beneficios 
17.9.4. Opinión de expertos sobre el uso de realidad virtual     

17.10. Futuro de la Realidad Virtual en la Atención al Paciente 

17.10.1. Avances tecnológicos en realidad virtual aplicada a la salud 
17.10.2. Predicciones sobre el impacto en el cuidado de la salud 
17.10.3. Integración de la realidad virtual en prácticas médicas regulares
17.10.4. Posibilidades futuras de entrenamiento con realidad virtual 

Módulo 18. Gestión Clínica y Personalización de Cuidados con Inteligencia Artificial

18.1. Introducción a la Gestión Clínica con IA (IBM Watson Health) 

18.1.1. Conceptos básicos de gestión clínica asistida por IA 
18.1.2. Importancia de la IA en la optimización de recursos clínicos 
18.1.3. Casos de éxito en la implementación de IA en hospitales 
18.1.4. Análisis de resultados y mejoras en la gestión clínica 

18.2. Optimización de Recursos Hospitalarios con IA (Qventus) 

18.2.1. Gestión de camas y recursos mediante IA 
18.2.2. IA en la administración de equipos médicos 
18.2.3. Integración de IA con sistemas hospitalarios existentes 
18.2.4. Beneficios y retos de la automatización en recursos clínicos 

18.3. Comparación entre Herramientas Tradicionales y de IA 

18.3.1. Diferencias en la eficiencia de herramientas tradicionales y de IA 
18.3.2. Ventajas de las herramientas de IA en la gestión clínica 
18.3.3. Análisis de costes de herramientas tradicionales vs IA 
18.3.4. Casos prácticos de aplicación de herramientas de IA 

18.4. IA en la Gestión de Horarios y Citas (Zocdoc, Qure4u) 

18.4.1. Optimización de horarios clínicos mediante IA 
18.4.2. IA para la gestión de citas y programación de consultas 
18.4.3. Reducción de tiempos de espera a través de IA 
18.4.4. Eficiencia en la asignación de recursos de tiempo con IA 

18.5. Monitorización Remota de Pacientes con IA (Current Health, Biofourmis) 

18.5.1. Introducción a la monitorización remota de pacientes 
18.5.2. Herramientas de IA para la monitorización remota 
18.5.3. Sistemas de alerta temprana en monitorización asistida 
18.5.4. Plataformas de telemedicina con IA 

18.6. Aplicaciones de IA en Enfermedades Crónicas (Glytec, Kaia Health) 

18.6.1. Uso de IA en el monitoreo de enfermedades crónicas 
18.6.2. Utilización de ORMON CONNECT 
18.6.3. Comparación entre monitorización tradicional y asistida por IA 
18.6.4. Beneficios de la IA en la gestión de enfermedades crónicas 

18.7. Consideraciones Éticas en la Monitorización con IA 

18.7.1. Ética en el uso de IA para el seguimiento de pacientes 
18.7.2. Protección de datos en la monitorización remota 
18.7.3. Regulaciones de privacidad en sistemas de IA 
18.7.4. Ejemplos de éxito y prácticas éticas en monitorización 

18.8. Gestión de Cuidados Personalizados mediante IA 

18.8.1. Introducción a los cuidados personalizados con IA 
18.8.2. Sistemas de apoyo para la toma de decisiones clínicas 
18.8.3. Creación de consejos personalizados con ChatGPT 
18.8.4. Herramientas de IA para la personalización de cuidados 

18.9. Planificación de Cuidados con IA (Mediktor) 

18.9.1. Creación de planes de cuidados personalizados 
18.9.2. Beneficios y aplicaciones de planes de cuidados asistidos 
18.9.3. Comparativa entre cuidados tradicionales y personalizados 
18.9.4. Casos prácticos de planes de cuidados con IA 

18.10. Implementación de Planes Personalizados en Enfermería 

18.10.1. Aplicación de IA en la enfermería personalizada 
18.10.2. Estudios de caso sobre personalización de cuidados con IA 
18.10.3. Estrategias de implementación en planes de cuidados 
18.10.4. Futuro de la IA en la enfermería y cuidado personalizado 

Módulo 19. Mejora de la Actividad Física con Inteligencia Artificial y Realidad Virtual para Enfermería 

19.1. Introducción a la IA en la Actividad Física (Google Fit) 

19.1.1. Importancia de la IA en el ámbito de la actividad física 
19.1.2. Aplicaciones de la IA en el seguimiento físico 
19.1.3. Ventajas de utilizar IA para mejorar el rendimiento físico 
19.1.4. Casos de éxito de IA en la optimización de entrenamientos 

19.2. Herramientas de IA para el Seguimiento de la Actividad Física (Whoop, Google Fit) 

19.2.1. Tipos de dispositivos de seguimiento de IA 
19.2.2. Sensores y wearables inteligentes 
19.2.3. Ventajas de utilizar IA para la monitorización continua 
19.2.4. Ejemplos de plataformas de seguimiento 

19.3. Realidad Virtual y Aumentada en el Entrenamiento Físico 

19.3.1. Introducción a la realidad virtual (VR) y aumentada (AR) 
19.3.2. Aplicación de VR y AR en programas de fitness 
19.3.3. Beneficios de la inmersión en entornos de realidad extendida 
19.3.4. Casos de estudio de entrenamiento con VR y AR 

19.4. Plataformas y Aplicaciones para el Seguimiento de la Actividad Física (MyFitnessPal, Jefit) 

19.4.1. Aplicaciones móviles para el control de la actividad física 
19.4.2. Plataformas innovadoras basadas en IA 
19.4.3. Comparativa entre aplicaciones tradicionales y de IA 
19.4.4. Ejemplos de plataformas populares 

19.5. Personalización de Planes de Entrenamiento con IA 

19.5.1. Creación de planes de entrenamiento personalizados 
19.5.2. Análisis de datos para ajustes en tiempo real 
19.5.3. IA en la optimización de rutinas y objetivos 
19.5.4. Ejemplos de planes personalizados 

19.6. Motivación y Seguimiento del Progreso con Herramientas de IA 

19.6.1. IA para el análisis de progreso y rendimiento 
19.6.2. Técnicas de motivación asistidas por IA 
19.6.3. Feedback en tiempo real y motivación personalizada 
19.6.4. Casos de éxito en la mejora de la adherencia al ejercicio 

19.7. Análisis Comparativo entre Métodos Tradicionales y con IA 

19.7.1. Eficiencia de los métodos tradicionales frente a IA 
19.7.2. Costos y beneficios del uso de IA en el entrenamiento 
19.7.3. Retos y limitaciones de la tecnología en el ámbito físico 
19.7.4. Opinión de expertos sobre el impacto de IA 

19.8. Ética y Privacidad en el Seguimiento de la Actividad Física con IA 

19.8.1. Protección de datos personales en herramientas de IA 
19.8.2. Regulaciones de privacidad en dispositivos de IA 
19.8.3. Responsabilidad en el uso de datos de actividad física 
19.8.4. Ética en la monitorización y análisis de datos personales 

19.9. Futuro de la IA en el Entrenamiento y la Actividad Física 

19.9.1. Avances tecnológicos en IA y fitness 
19.9.2. Predicciones sobre el impacto de la IA en la actividad física 
19.9.3. Posibilidades de desarrollo en realidad extendida 
19.9.4. Visión a largo plazo de IA en el ámbito deportivo 

19.10. Estudios de Caso en la Mejora de Actividad Física con IA 

19.10.1. Casos prácticos de optimización de entrenamientos 
19.10.2. Experiencias de usuarios en la mejora de su rendimiento 
19.10.3. Análisis de datos obtenidos en estudios de IA y fitness 
19.10.4. Resultados y conclusiones sobre el impacto de IA 

Módulo 20. Optimización de la Nutrición y Educación Sanitaria con Inteligencia Artificial en Enfermería  

20.1. Principios de Nutrición Personalizada con IA en Enfermería 

20.1.1. Fundamentos de la nutrición personalizada
20.1.2. Papel de la IA en la nutrición individualizada
20.1.3. Beneficios de la personalización en los planes nutricionales 
20.1.4. Ejemplos de éxito en nutrición personalizada 

20.2. Aplicaciones de IA para la Nutrición 

20.2.1. Aplicaciones móviles de nutrición con IA (MyFitnessPal, Foodvisor, Yazio) 
20.2.2. Herramientas de seguimiento de la alimentación 
20.2.3. Comparación de aplicaciones de IA para nutrición 
20.2.4. Revisión de aplicaciones populares 

20.3. Asistentes de Nutrición Personalizados 

20.3.1. IA para recomendaciones nutricionales (Nutrino, Viome, Noom) 
20.3.2. Asistentes virtuales en nutrición 
20.3.3. Ejemplos de personalización en nutrición 
20.3.4. Retos en el desarrollo de asistentes nutricionales 

20.4. Comparación de Herramientas Tradicionales y de IA en Nutrición

20.4.1. Eficacia de métodos tradicionales frente a IA 
20.4.2. Beneficios de la IA sobre herramientas convencionales 
20.4.3. Costes y accesibilidad de herramientas de IA 
20.4.4. Casos de estudio comparativos 

20.5. Futuro de la Nutrición Asistida por IA 

20.5.1. Innovaciones tecnológicas en nutrición 
20.5.2. Predicciones sobre el impacto de la IA en nutrición 
20.5.3. Retos futuros en la personalización de la nutrición 
20.5.4. Visión a largo plazo de la IA en nutrición 

20.6. Herramientas de IA para la divulgación y educación sanitaria 

20.6.1. Introducción a las herramientas de IA en educación sanitaria 
20.6.2. Guía para la creación de prompts educativos efectivos 
20.6.3. Introducción a Gemini 
20.6.4. Introducción a ChatGPT 

20.7. Optimización de Búsquedas Educativas con IA 

20.7.1. Motores de búsqueda asistidos por IA 
20.7.2. Ejemplos de motores de búsqueda en educación sanitaria  
20.7.3. Funciones avanzadas de búsqueda con IA 
20.7.4. Uso de operadores especiales para mejorar búsquedas 

20.8. Presentaciones Académicas Mejoradas con IA 

20.8.1. Herramientas de IA para presentaciones académicas 
20.8.2. ChatGPT para presentaciones científicas 
20.8.3. Gemini para presentaciones en eventos 
20.8.4. Plataformas adicionales como Gamma.app, Beautiful AI y Tome 

20.9. Creación de Posters Científicos con IA 

20.9.1. Introducción a herramientas de IA para posters 
20.9.2. Visme como herramienta para posters científicos 
20.9.3. Biorender para visualización de información científica 
20.9.4. Jasper y Canva en la creación de posters 

20.10. Creación de Asistentes y Avatares Educativos 

20.10.1. IA aplicada en la creación de avatares educativos 
20.10.2. Motores de conversación para asistentes educativos 
20.10.3. Herramientas como Heygen y Synthesia
20.10.4. Studio D-ID en la creación de avatares interactivos

 

disponibles para soporte emocional (Replika, Wysa) 
17.2.2. Ejemplos de chatbots en salud mental 
17.2.3. Limitaciones de los chatbots en el apoyo emocional     
17.2.4. Casos prácticos de uso de chatbots en el sector salud 

17.3. Herramientas de IA para la Salud Mental (Youper, Koko) 

17.3.1. Casos de éxito de IA en salud mental 
17.3.2. Herramientas actuales de apoyo emocional 
17.3.3. Integración de IA en terapias de salud mental 
17.3.4. Medición de la efectividad de herramientas de IA 

17.4. Privacidad y Seguridad en el Soporte Emocional Asistido por IA 

17.4.1. Importancia de la privacidad en soporte emocional con IA 
17.4.2. Regulaciones de privacidad en el uso de IA en salud     
17.4.3. Seguridad de datos en sistemas de soporte emocional 
17.4.4. Ética y protección de la información sensible 

17.5. Comparación entre Soporte Emocional Tradicional y con IA 

17.5.1. Desafíos actuales en ambos enfoques 
17.5.2. Beneficios de la combinación de IA con métodos tradicionales 
17.5.3. Estudio de casos en soporte emocional mixto 
17.5.4. Retos de implementación y aceptación del soporte con IA 

17.6. Realidad Virtual en la Atención al Paciente (Psious, RelieVRx)     

17.6.1. Introducción a la realidad virtual en salud     
17.6.2. Dispositivos de realidad virtual y su aplicación médica 
17.6.3. Realidad virtual en la preparación de pacientes 
17.6.4. Evolución de la realidad virtual en salud

17.7. Aplicaciones de Realidad Virtual en la Rehabilitación (MindMotion, VRHealth) 

17.7.1. Uso de la realidad virtual en la rehabilitación motora     
17.7.2. Manejo del dolor mediante realidad virtual     
17.7.3. Tratamientos de fobias y trastornos de ansiedad 
17.7.4. Ejemplos de éxito en rehabilitación con realidad virtual 

17.8. Consideraciones Éticas en el Uso de Realidad Virtual 

17.8.1. Ética en tratamientos de realidad virtual 
17.8.2. Seguridad de los pacientes en entornos virtuales 
17.8.3. Riesgos de adicción y sobreexposición a la realidad virtual 
17.8.4. Normativas en el uso de realidad virtual en salud 

17.9. Comparativa de Tratamientos Tradicionales y Realidad Virtual 

17.9.1. Diferencias en la efectividad de ambos enfoques 
17.9.2. Casos de uso para tratamientos mixtos 
17.9.3. Análisis de costes y beneficios 
17.9.4. Opinión de expertos sobre el uso de realidad virtual     

17.10. Futuro de la Realidad Virtual en la Atención al Paciente 

17.10.1. Avances tecnológicos en realidad virtual aplicada a la salud 
17.10.2. Predicciones sobre el impacto en el cuidado de la salud 
17.10.3. Integración de la realidad virtual en prácticas médicas regulares
17.10.4. Posibilidades futuras de entrenamiento con realidad virtual 

Módulo 18. Gestión Clínica y Personalización de Cuidados con Inteligencia Artificial

18.1. Introducción a la Gestión Clínica con IA (IBM Watson Health) 

18.1.1. Conceptos básicos de gestión clínica asistida por IA 
18.1.2. Importancia de la IA en la optimización de recursos clínicos 
18.1.3. Casos de éxito en la implementación de IA en hospitales 
18.1.4. Análisis de resultados y mejoras en la gestión clínica 

18.2. Optimización de Recursos Hospitalarios con IA (Qventus) 

18.2.1. Gestión de camas y recursos mediante IA 
18.2.2. IA en la administración de equipos médicos 
18.2.3. Integración de IA con sistemas hospitalarios existentes 
18.2.4. Beneficios y retos de la automatización en recursos clínicos 

18.3. Comparación entre Herramientas Tradicionales y de IA 

18.3.1. Diferencias en la eficiencia de herramientas tradicionales y de IA 
18.3.2. Ventajas de las herramientas de IA en la gestión clínica 
18.3.3. Análisis de costes de herramientas tradicionales vs IA 
18.3.4. Casos prácticos de aplicación de herramientas de IA 

18.4. IA en la Gestión de Horarios y Citas (Zocdoc, Qure4u) 

18.4.1. Optimización de horarios clínicos mediante IA 
18.4.2. IA para la gestión de citas y programación de consultas 
18.4.3. Reducción de tiempos de espera a través de IA 
18.4.4. Eficiencia en la asignación de recursos de tiempo con IA 

18.5. Monitorización Remota de Pacientes con IA (Current Health, Biofourmis) 

18.5.1. Introducción a la monitorización remota de pacientes 
18.5.2. Herramientas de IA para la monitorización remota 
18.5.3. Sistemas de alerta temprana en monitorización asistida 
18.5.4. Plataformas de telemedicina con IA 

18.6. Aplicaciones de IA en Enfermedades Crónicas (Glytec, Kaia Health) 

18.6.1. Uso de IA en el monitoreo de enfermedades crónicas 
18.6.2. Utilización de ORMON CONNECT 
18.6.3. Comparación entre monitorización tradicional y asistida por IA 
18.6.4. Beneficios de la IA en la gestión de enfermedades crónicas 

18.7. Consideraciones Éticas en la Monitorización con IA 

18.7.1. Ética en el uso de IA para el seguimiento de pacientes 
18.7.2. Protección de datos en la monitorización remota 
18.7.3. Regulaciones de privacidad en sistemas de IA 
18.7.4. Ejemplos de éxito y prácticas éticas en monitorización 

18.8. Gestión de Cuidados Personalizados mediante IA 

18.8.1. Introducción a los cuidados personalizados con IA 
18.8.2. Sistemas de apoyo para la toma de decisiones clínicas 
18.8.3. Creación de consejos personalizados con ChatGPT 
18.8.4. Herramientas de IA para la personalización de cuidados 

18.9. Planificación de Cuidados con IA (Mediktor) 

18.9.1. Creación de planes de cuidados personalizados 
18.9.2. Beneficios y aplicaciones de planes de cuidados asistidos 
18.9.3. Comparativa entre cuidados tradicionales y personalizados 
18.9.4. Casos prácticos de planes de cuidados con IA 

18.10. Implementación de Planes Personalizados en Enfermería 

18.10.1. Aplicación de IA en la enfermería personalizada 
18.10.2. Estudios de caso sobre personalización de cuidados con IA 
18.10.3. Estrategias de implementación en planes de cuidados 
18.10.4. Futuro de la IA en la enfermería y cuidado personalizado 

Módulo 19. Mejora de la Actividad Física con Inteligencia Artificial y Realidad Virtual para Enfermería 

19.1. Introducción a la IA en la Actividad Física (Google Fit) 

19.1.1. Importancia de la IA en el ámbito de la actividad física 
19.1.2. Aplicaciones de la IA en el seguimiento físico 
19.1.3. Ventajas de utilizar IA para mejorar el rendimiento físico 
19.1.4. Casos de éxito de IA en la optimización de entrenamientos 

19.2. Herramientas de IA para el Seguimiento de la Actividad Física (Whoop, Google Fit) 

19.2.1. Tipos de dispositivos de seguimiento de IA 
19.2.2. Sensores y wearables inteligentes 
19.2.3. Ventajas de utilizar IA para la monitorización continua 
19.2.4. Ejemplos de plataformas de seguimiento 

19.3. Realidad Virtual y Aumentada en el Entrenamiento Físico 

19.3.1. Introducción a la realidad virtual (VR) y aumentada (AR) 
19.3.2. Aplicación de VR y AR en programas de fitness 
19.3.3. Beneficios de la inmersión en entornos de realidad extendida 
19.3.4. Casos de estudio de entrenamiento con VR y AR 

19.4. Plataformas y Aplicaciones para el Seguimiento de la Actividad Física (MyFitnessPal, Jefit) 

19.4.1. Aplicaciones móviles para el control de la actividad física 
19.4.2. Plataformas innovadoras basadas en IA 
19.4.3. Comparativa entre aplicaciones tradicionales y de IA 
19.4.4. Ejemplos de plataformas populares 

19.5. Personalización de Planes de Entrenamiento con IA 

19.5.1. Creación de planes de entrenamiento personalizados 
19.5.2. Análisis de datos para ajustes en tiempo real 
19.5.3. IA en la optimización de rutinas y objetivos 
19.5.4. Ejemplos de planes personalizados 

19.6. Motivación y Seguimiento del Progreso con Herramientas de IA 

19.6.1. IA para el análisis de progreso y rendimiento 
19.6.2. Técnicas de motivación asistidas por IA 
19.6.3. Feedback en tiempo real y motivación personalizada 
19.6.4. Casos de éxito en la mejora de la adherencia al ejercicio 

19.7. Análisis Comparativo entre Métodos Tradicionales y con IA 

19.7.1. Eficiencia de los métodos tradicionales frente a IA 
19.7.2. Costos y beneficios del uso de IA en el entrenamiento 
19.7.3. Retos y limitaciones de la tecnología en el ámbito físico 
19.7.4. Opinión de expertos sobre el impacto de IA 

19.8. Ética y Privacidad en el Seguimiento de la Actividad Física con IA 

19.8.1. Protección de datos personales en herramientas de IA 
19.8.2. Regulaciones de privacidad en dispositivos de IA 
19.8.3. Responsabilidad en el uso de datos de actividad física 
19.8.4. Ética en la monitorización y análisis de datos personales 

19.9. Futuro de la IA en el Entrenamiento y la Actividad Física 

19.9.1. Avances tecnológicos en IA y fitness 
19.9.2. Predicciones sobre el impacto de la IA en la actividad física 
19.9.3. Posibilidades de desarrollo en realidad extendida 
19.9.4. Visión a largo plazo de IA en el ámbito deportivo 

19.10. Estudios de Caso en la Mejora de Actividad Física con IA 

19.10.1. Casos prácticos de optimización de entrenamientos 
19.10.2. Experiencias de usuarios en la mejora de su rendimiento 
19.10.3. Análisis de datos obtenidos en estudios de IA y fitness 
19.10.4. Resultados y conclusiones sobre el impacto de IA 

Módulo 20. Optimización de la Nutrición y Educación Sanitaria con Inteligencia Artificial en Enfermería  

20.1. Principios de Nutrición Personalizada con IA en Enfermería 

20.1.1. Fundamentos de la nutrición personalizada
20.1.2. Papel de la IA en la nutrición individualizada
20.1.3. Beneficios de la personalización en los planes nutricionales 
20.1.4. Ejemplos de éxito en nutrición personalizada 

20.2. Aplicaciones de IA para la Nutrición 

20.2.1. Aplicaciones móviles de nutrición con IA (MyFitnessPal, Foodvisor, Yazio) 
20.2.2. Herramientas de seguimiento de la alimentación 
20.2.3. Comparación de aplicaciones de IA para nutrición 
20.2.4. Revisión de aplicaciones populares 

20.3. Asistentes de Nutrición Personalizados 

20.3.1. IA para recomendaciones nutricionales (Nutrino, Viome, Noom) 
20.3.2. Asistentes virtuales en nutrición 
20.3.3. Ejemplos de personalización en nutrición 
20.3.4. Retos en el desarrollo de asistentes nutricionales 

20.4. Comparación de Herramientas Tradicionales y de IA en Nutrición

20.4.1. Eficacia de métodos tradicionales frente a IA 
20.4.2. Beneficios de la IA sobre herramientas convencionales 
20.4.3. Costes y accesibilidad de herramientas de IA 
20.4.4. Casos de estudio comparativos 

20.5. Futuro de la Nutrición Asistida por IA 

20.5.1. Innovaciones tecnológicas en nutrición 
20.5.2. Predicciones sobre el impacto de la IA en nutrición 
20.5.3. Retos futuros en la personalización de la nutrición 
20.5.4. Visión a largo plazo de la IA en nutrición 

20.6. Herramientas de IA para la divulgación y educación sanitaria 

20.6.1. Introducción a las herramientas de IA en educación sanitaria 
20.6.2. Guía para la creación de prompts educativos efectivos 
20.6.3. Introducción a Gemini 
20.6.4. Introducción a ChatGPT 

20.7. Optimización de Búsquedas Educativas con IA 

20.7.1. Motores de búsqueda asistidos por IA 
20.7.2. Ejemplos de motores de búsqueda en educación sanitaria  
20.7.3. Funciones avanzadas de búsqueda con IA 
20.7.4. Uso de operadores especiales para mejorar búsquedas 

20.8. Presentaciones Académicas Mejoradas con IA 

20.8.1. Herramientas de IA para presentaciones académicas 
20.8.2. ChatGPT para presentaciones científicas 
20.8.3. Gemini para presentaciones en eventos 
20.8.4. Plataformas adicionales como Gamma.app, Beautiful AI y Tome 

20.9. Creación de Posters Científicos con IA 

20.9.1. Introducción a herramientas de IA para posters 
20.9.2. Visme como herramienta para posters científicos 
20.9.3. Biorender para visualización de información científica 
20.9.4. Jasper y Canva en la creación de posters 

20.10. Creación de Asistentes y Avatares Educativos 

20.10.1. IA aplicada en la creación de avatares educativos 
20.10.2. Motores de conversación para asistentes educativos 
20.10.3. Herramientas como Heygen y Synthesia
20.10.4. Studio D-ID en la creación de avatares interactivos

##IMAGE##

Abarcarás, desde la caracterización del viento y las técnicas de medición y análisis, hasta el estudio de las tecnologías de aerogeneradores y su integración en el diseño de parques eólicos”

Máster en Inteligencia Artificial en Enfermería

La Inteligencia Artificial ha revolucionado el ámbito sanitario, transformando la gestión de procesos clínicos, organizativos y comunicativos. Este avance ha redefinido el sector, demandando que los profesionales de la salud, incluidos los enfermeros, adquieran habilidades especializadas para integrar la IA en su práctica. Con la expansión de las tecnologías digitales, es fundamental que estos expertos exploren nuevas áreas de conocimiento, trascendiendo sus roles tradicionales. Los principales retos incluyen la incorporación de la IA en la Telemedicina, la optimización de bases de datos de pacientes y la gestión precisa de recursos de cuidado. Para abordar estas demandas, TECH ha desarrollado el Máster Título Propio en Inteligencia Artificial en Enfermería, un programa exhaustivo que capacita a los enfermeros en competencias avanzadas para aplicar IA de forma eficaz en su entorno clínico. La formación ofrece herramientas innovadoras para mejorar la calidad asistencial, personalizar cuidados y potenciar la eficiencia operativa, preparando a los enfermeros para enfrentar los desafíos de un sector en constante evolución.

Este programa te capacitará para ahondar en las intersecciones entre IA y Enfermería

El plan de estudios del Máster Título Propio en Inteligencia Artificial en Enfermería ofrece una formación integral, desde herramientas avanzadas hasta aplicaciones específicas que mejoran la eficacia asistencial y personalizan los cuidados. Los módulos abordan la implementación de la IA en la nutrición, facilitando un control preciso de las necesidades dietéticas de los pacientes, y la monitorización avanzada de la recuperación postprocedimiento. Al finalizar, los enfermeros estarán preparados para aplicar soluciones tecnológicas en entornos clínicos, liderar proyectos de salud digital y desarrollar cuidados personalizados, contribuyendo a la innovación del sector. Además, podrán acceder a nuevas oportunidades laborales en un entorno donde la especialización en IA es esencial y valorada. La metodología Relearning exclusiva de TECH optimiza la retención de conceptos mediante la repetición, con un Campus Virtual 100% online disponible las 24 horas, accesible desde cualquier dispositivo, garantizando flexibilidad para compaginar el aprendizaje con obligaciones profesionales y personales.