Con este Maestría 100% online, adquirirás conocimientos avanzados sobre cómo implementar soluciones de IA para automatizar y optimizar procesos, desde el reclutamiento hasta la gestión del desempeño” 

¿Por qué estudiar en TECH?

TECH es la mayor escuela de negocio 100% online del mundo. Se trata de una Escuela de Negocios de élite, con un modelo de máxima exigencia académica. Un centro de alto rendimiento internacional y de entrenamiento intensivo en habilidades directivas.   

TECH es una universidad de vanguardia tecnológica, que pone todos sus recursos al alcance del alumno para ayudarlo a alcanzar el éxito empresarial”

En TECH Universidad

Innovación

La universidad ofrece un modelo de aprendizaje en línea que combina la última tecnología educativa con el máximo rigor pedagógico. Un método único con el mayor reconocimiento internacional que aportará las claves para que el alumno pueda desarrollarse en un mundo en constante cambio, donde la innovación debe ser la apuesta esencial de todo empresario.

“Caso de Éxito Microsoft Europa” por incorporar en los programas un novedoso sistema de multivídeo interactivo. 

Máxima exigencia

El criterio de admisión de TECH no es económico. No se necesita realizar una gran inversión para estudiar en esta universidad. Eso sí, para titularse en TECH, se podrán a prueba los límites de inteligencia y capacidad del alumno. El listón académico de esta institución es muy alto...

95% de los alumnos de TECH finaliza sus estudios con éxito.

Networking

En TECH participan profesionales de todos los países del mundo, de tal manera que el alumno podrá crear una gran red de contactos útil para su futuro. 

+100.000 directivos capacitados cada año, +200 nacionalidades distintas.

Empowerment

El alumno crecerá de la mano de las mejores empresas y de profesionales de gran prestigio e influencia. TECH ha desarrollado alianzas estratégicas y una valiosa red de contactos con los principales actores económicos de los 7 continentes.

+500 acuerdos de colaboración con las mejores empresas.

Talento

Este programa es una propuesta única para sacar a la luz el talento del estudiante en el ámbito empresarial. Una oportunidad con la que podrá dar a conocer sus inquietudes y su visión de negocio.

TECH ayuda al alumno a enseñar al mundo su talento al finalizar este programa.

Contexto multicultural

Estudiando en TECH el alumno podrá disfrutar de una experiencia única. Estudiará en un contexto multicultural. En un programa con visión global, gracias al cual podrá conocer la forma de trabajar en diferentes lugares del mundo, recopilando la información más novedosa y que mejor se adapta a su idea de negocio.

Los alumnos de TECH provienen de más de 200 nacionalidades.  

Aprende con los mejores

El equipo docente de TECH explica en las aulas lo que le ha llevado al éxito en sus empresas, trabajando desde un contexto real, vivo y dinámico. Docentes que se implican al máximo para ofrecer una especialización de calidad que permita al alumno avanzar en su carrera y lograr destacar en el ámbito empresarial.

Profesores de 20 nacionalidades diferentes.

TECH busca la excelencia y, para ello, cuenta con una serie de características que hacen de esta una universidad única:   

Análisis

En TECH se explora el lado crítico del alumno, su capacidad de cuestionarse las cosas, sus competencias en resolución de problemas y sus habilidades interpersonales.  

Excelencia académica

En TECH se pone al alcance del alumno la mejor metodología de aprendizaje online. La universidad combina el método Relearning (metodología de aprendizaje de posgrado con mejor valoración internacional) con el Estudio de Caso. Tradición y vanguardia en un difícil equilibrio, y en el contexto del más exigente itinerario académico.   

Economía de escala

TECH es la universidad online más grande del mundo. Tiene un portfolio de más de 10.000 posgrados universitarios. Y en la nueva economía, volumen + tecnología = precio disruptivo. De esta manera, se asegura de que estudiar no resulte tan costoso como en otra universidad. 

En TECH tendrás acceso a los análisis de casos más rigurosos y actualizados del panorama académico” 

El programa abarcará una amplia gama de temas esenciales, desde la automatización de la administración de personal y nóminas, hasta la optimización de procesos de selección mediante inteligencia artificial. Así, los empresarios aprenderán sobre el análisis predictivo para la gestión del talento y la personalización del desarrollo profesional, técnicas avanzadas para evaluar el desempeño y mejorar el clima laboral. Además, indagarán en la aplicación práctica de tecnologías emergentes en el reclutamiento y la eliminación de sesgos, proporcionando herramientas concretas para implementar soluciones efectivas y basadas en datos. 

El contenido del Maestría ha sido cuidadosamente diseñado para abordar las necesidades estratégicas y operativas de los departamentos de RRHH en la era digital” 

Plan de estudios

El plan de estudio ha sido diseñado para equipar a los profesionales con las habilidades necesarias para revolucionar la administración del personal mediante la integración de tecnologías avanzadas. Así, podrán optimizar la administración de nóminas y la gestión de personal utilizando la Inteligencia Artificial. En este sentido, podrán automatizar procesos críticos, asegurar el cumplimiento normativo y mejorar la asignación de recursos. Además, se abordará la aplicación de IA en los procesos de selección y reclutamiento, utilizando herramientas y técnicas para automatizar la evaluación de currículums, realizar entrevistas virtuales asistidas por IA y eliminar sesgos en la selección de candidatos. 

Asimismo, se centrará en la gestión del talento y el desarrollo profesional mediante el uso de Inteligencia Artificial, de forma que los empresarios sean capaces de identificar y retener talento clave, personalizar planes de desarrollo y utilizar análisis predictivo para gestionar competencias y gaps de habilidades. También se analizará cómo la IA puede apoyar la mentoría y el coaching virtual, así como facilitar la evaluación del potencial de liderazgo y la gestión del cambio organizacional. 

De este modo, TECH  ha creado un programa universitario integral, en formato totalmente online, permitiendo a los egresados acceder a los materiales educativos desde cualquier dispositivo con conexión a Internet. Esto elimina la necesidad de desplazamientos a un lugar físico y la adaptación a horarios predeterminados. Además, utiliza la revolucionaria metodología Relearning, que se enfoca en la repetición de conceptos clave para garantizar una comprensión completa del contenido. 

Este Maestría se desarrolla a lo largo de 12 meses y se divide en 20 módulos:

Módulo 1. Fundamentos de la Inteligencia Artificial 
Módulo 2. Tipos y Ciclo de Vida del Dato  
Módulo 3. El dato en la Inteligencia Artificial  
Módulo 4. Minería de Datos. Selección, preprocesamiento y transformación 
Módulo 5. Algoritmia y complejidad en Inteligencia Artificial  
Módulo 6. Sistemas inteligentes  
Módulo 7. Aprendizaje automático y minería de datos 
Módulo 8. Las redes neuronales, base de Deep Learning 
Módulo 9. Entrenamiento de redes neuronales profundas  
Módulo 10. Personalización de Modelos y entrenamiento con TensorFlow  
Módulo 11. Deep Computer Vision con Redes Neuronales Convolucionales  
Módulo 12. Procesamiento del Lenguaje Natural (NLP) con Redes Naturales Recurrentes (RNN) y Atención  
Módulo 13. Autoencoders, GANs, y Modelos de Difusión  
Módulo 14. Computación bioinspirada   
Módulo 15. Inteligencia Artificial: estrategias y aplicaciones 
Módulo 16. Administración de Personal y Nóminas con IA 
Módulo 17. Procesos de Selección e Inteligencia Artificial 
Módulo 18. IA y su Aplicación en la Gestión del Talento y Desarrollo Profesional 
Módulo 19. Evaluaciones de Desempeño 
Módulo 20. Monitorización y Mejora del Clima Laboral con IA 

¿Dónde, cuándo y cómo se imparte?

TECH ofrece la posibilidad de desarrollar este Maestría en Inteligencia Artificial en Departamento de Recursos Humanos de manera totalmente online. Durante los 12 meses que dura la especialización, el alumno podrá acceder a todos los contenidos de este programa en cualquier momento, lo que le permitirá autogestionar su tiempo de estudio. 

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. Administración de Personal y Nóminas con IA

16.1. Inteligencia Artificial para la diversidad y la inclusión en el lugar de trabajo

16.1.1. Análisis de diversidad utilizando IBM Watson para detectar tendencias y sesgos
16.1.2. Herramientas de IA para la detección y corrección de sesgos en procesos de RRHH
16.1.3. Evaluación del impacto de las políticas de inclusión mediante análisis de datos

16.2. Fundamentos de la administración de personal con IA

16.2.1. Automatización de procesos de contratación y onboarding
16.2.2. Uso de sistemas de gestión de datos del personal basados en IA
16.2.3. Mejora de la experiencia del empleado mediante plataformas inteligentes

16.3. Tecnologías de IA aplicadas a nóminas

16.3.1. Sistemas de IA para el cálculo automático de nóminas
16.3.2. Gestión inteligente de beneficios con plataformas como Gusto
16.3.3. Detección de errores y fraudes en nóminas mediante algoritmos de IA

16.4. Optimización de la asignación de recursos con IA

16.4.1. Planificación de personal con herramientas predictivas de Kronos
16.4.2. Modelos de IA para la optimización de turnos y asignación de tareas
16.4.3. Análisis de carga de trabajo y distribución de recursos con Power BI

16.5. IA en el cumplimiento normativo y legal en RRHH

16.5.1. Automatización del cumplimiento de políticas laborales
16.5.2. Sistemas de IA para asegurar la equidad y transparencia en RRHH
16.5.3. Gestión de contratos y regulaciones con IBM Watson Legal Advisor

16.6. Análisis predictivo en la gestión de personal

16.6.1. Modelos predictivos para retención de empleados con AI de Retain
16.6.2. Análisis de sentimientos en comunicaciones internas
16.6.3. Predicción de necesidades de capacitación y desarrollo

16.7. Automatización de la gestión de beneficios con IA

16.7.1. Administración de beneficios mediante plataformas inteligentes como Zenefits
16.7.2. Personalización de paquetes de beneficios usando IA
16.7.3. Optimización de costes de beneficios mediante análisis de datos

16.8. Integración de sistemas de RRHH con IA

16.8.1. Sistemas integrados para gestión de personal con Salesforce Einstein
16.8.2. Interfaz y usabilidad en sistemas de RRHH basados en IA
16.8.3. Seguridad de datos y privacidad en sistemas integrados

16.9. Formación y desarrollo de personal con apoyo de IA

16.9.1. Sistemas de aprendizaje adaptativo y personalizado
16.9.2. Plataformas de e-Learning impulsadas por IA
16.9.3. Evaluación y seguimiento del rendimiento mediante tecnologías inteligentes

16.10. Gestión de crisis y cambio con IA en RRHH

16.10.1. Uso de IA para la gestión efectiva de cambios organizacionales
16.10.2. Herramientas de predicción para preparación ante crisis con Predictive Layer
16.10.3. Análisis de datos para evaluar y adaptar estrategias de RRHH en tiempos de crisis

Módulo 17. Inteligencia Artificial: estrategias y aplicaciones 

17.1. Introducción a la aplicación de Inteligencia Artificial en selección de personal

17.1.1. Definición de Inteligencia Artificial en el contexto de recursos humanos. Entelo
17.1.2. Importancia de aplicar IA en los procesos selectivos
17.1.3. Beneficios de utilizar IA en los procesos de selección

17.2. Automatización de tareas en el proceso de reclutamiento

17.2.1. Uso de IA para la automatización de la publicación de ofertas de trabajo
17.2.2. Implementación de chatbots para responder preguntas frecuentes de los candidatos
17.2.3. Herramientas. XOR

17.3. Análisis de Currículums Vitae con IA

17.3.1. Utilización de algoritmos de IA para analizar y evaluar Currículums Vitae. Talview
17.3.2. Identificación automática de habilidades y experiencia relevantes para el puesto
17.3.3. Ventajas e inconvenientes

17.4. Filtrado y clasificación de candidatos

17.4.1. Aplicación de IA para el filtrado automático de candidatos basado en criterios específicos. Vervoe
17.4.2. Clasificación de candidatos según su idoneidad para el puesto utilizando técnicas de aprendizaje automático
17.4.3. Uso de IA para la personalización dinámica de criterios de filtrado según las necesidades del puesto

17.5. Reconocimiento de patrones en redes sociales y plataformas profesionales

17.5.1. Uso de IA para analizar perfiles de candidatos en redes sociales y plataformas profesionales
17.5.2. Identificación de patrones de comportamiento y tendencias relevantes para la selección
17.5.3. Evaluación de la presencia online y la influencia digital de los candidatos utilizando herramientas de IA

17.6. Entrevistas virtuales asistidas por IA

17.6.1. Implementación de sistemas de entrevistas virtuales con análisis de lenguaje y emociones. Talentoday
17.6.2. Evaluación automática de respuestas de los candidatos utilizando técnicas de procesamiento de lenguaje natural
17.6.3. Desarrollo de feedback automático y personalizado para candidatos basado en análisis de IA de las entrevistas

17.7. Evaluación de habilidades y competencias

17.7.1. Utilización de herramientas de evaluación basadas en IA para medir habilidades técnicas y blandas. OutMatch
17.7.2. Análisis automático de pruebas y ejercicios de evaluación realizados por los candidatos. Harver
17.7.3. Correlación de resultados de evaluaciones con éxito en el puesto mediante análisis predictivo de IA

17.8. Eliminación de sesgos en la selección

17.8.1. Aplicación de IA para identificar y mitigar sesgos inconscientes en el proceso de selección
17.8.2. Implementación de algoritmos de IA imparciales y equitativos en la toma de decisiones
17.8.3. Entrenamiento y ajuste continuo de modelos de IA para garantizar la equidad en la selección de personal

17.9. Predicción de adecuación y retención

17.9.1. Uso de modelos predictivos de IA para predecir la adecuación y la probabilidad de retención de los candidatos. Hiretual
17.9.2. Análisis de datos históricos y métricas de desempeño para identificar patrones de éxito
17.9.3. Modelos de IA para la simulación de escenarios laborales y su impacto en la retención de candidatos

17.10. Ética y transparencia en la selección con IA

17.10.1. Consideraciones éticas en el uso de IA en los procesos de selección de personal
17.10.2. Garantía de transparencia y explicabilidad en los algoritmos de IA utilizados en la toma de decisiones de contratación
17.10.3. Desarrollo de políticas de auditoría y revisión de decisiones automatizadas

Módulo 18. IA y su Aplicación en la Gestión del Talento y Desarrollo Profesional

18.1. Introducción a la aplicación de IA en gestión del talento y desarrollo profesional

18.1.1. Evolución histórica de la IA en la gestión del talento y cómo ha transformado el sector
18.1.2. Definición de Inteligencia Artificial en el contexto de recursos humanos
18.1.3. Importancia de la gestión del talento y el desarrollo profesional. Glint

18.2. Automatización de procesos de gestión del talento

18.2.1. Uso de IA para la automatización de tareas administrativas en la gestión del talento
18.2.2. Implementación de sistemas de gestión de talento basados en IA
18.2.3. Evaluación de la eficacia operativa y reducción de costes mediante la automatización con IA

18.3. Identificación y retención del talento con IA

18.3.1. Utilización de algoritmos de IA para identificar y retener talento en la organización
18.3.2. Análisis predictivo para la detección de empleados con alto potencial de crecimiento
18.3.3. Integración de IA con sistemas de gestión de Recursos Humanos para seguimiento continuo del desempeño y desarrollo

18.4. Personalización del desarrollo profesional. Leader Amp

18.4.1. Implementación de programas de desarrollo profesional personalizados basados en IA
18.4.2. Uso de algoritmos de recomendación para sugerir oportunidades de aprendizaje y crecimiento
18.4.3. Adaptación de los itinerarios de desarrollo profesional a las predicciones de evolución del mercado laboral utilizando IA

18.5. Análisis de competencias y gaps de habilidades

18.5.1. Utilización de IA para analizar las competencias y habilidades actuales de los empleados
18.5.2. Identificación de brechas de habilidades y necesidades de formación mediante análisis de datos
18.5.3. Implementación de programas de capacitación en tiempo real basados en las recomendaciones automáticas de IA

18.6. Mentoría y coaching virtual

18.6.1. Implementación de sistemas de mentoría virtual asistidos por IA. Crystal
18.6.2. Uso de chatbots y asistentes virtuales para proporcionar coaching personalizado
18.6.3. Evaluación de impacto del coaching virtual mediante análisis de datos y feedback automatizado de IA

18.7. Reconocimiento de logros y rendimiento

18.7.1. Utilización de sistemas de reconocimiento de logros basados en IA para motivar a los empleados. BetterUp
18.7.2. Análisis automático del rendimiento y la productividad de los empleados utilizando IA
18.7.3. Desarrollo de un sistema de recompensas y reconocimientos basado en IA

18.8. Evaluación del potencial de liderazgo

18.8.1. Aplicación de técnicas de IA para evaluar el potencial de liderazgo de los empleados
18.8.2. Identificación de líderes emergentes y desarrollo de programas de liderazgo personalizados
18.8.3. Uso de simulaciones dirigidas por IA para entrenar y evaluar habilidades de liderazgo

18.9. Gestión del cambio y adaptabilidad organizacional

18.9.1. Análisis predictivo para anticipar las necesidades de cambio y promover la resiliencia organizacional
18.9.2. Planificación del cambio organizacional mediante IA
18.9.3. Utilización de IA para gestionar el cambio organizacional y fomentar la adaptabilidad. Cognician

18.10. Ética y responsabilidad en la gestión del talento con IA

18.10.1. Consideraciones éticas en el uso de IA en la gestión del talento y desarrollo profesional. Reflektive
18.10.2. Garantía de equidad y transparencia en los algoritmos de IA utilizados en la toma de decisiones de gestión del talento
18.10.3. Implementación de auditorías para supervisar y ajustar los algoritmos de IA a fin de asegurar prácticas éticas

Módulo 19. Evaluaciones de Desempeño

19.1. Introducción a la aplicación de IA en las evaluaciones de desempeño

19.1.1. Definición de Inteligencia Artificial y su papel en las evaluaciones de desempeño. 15Five
19.1.2. Importancia de utilizar IA para mejorar la objetividad y eficiencia de las evaluaciones
19.1.3. Limitaciones de la IA en evaluaciones de desempeño

19.2. Automatización de procesos de evaluación

19.2.1. Uso de IA para automatizar la recopilación y análisis de datos en las evaluaciones de desempeño. Peakon
19.2.2. Implementación de sistemas de evaluación automatizados basados en IA
19.2.3. Estudios de éxito en automatización con IA

19.3. Análisis de datos y métricas de desempeño

19.3.1. Utilización de algoritmos de IA para analizar datos de desempeño y tendencias
19.3.2. Identificación de métricas clave y KPIs utilizando técnicas de análisis de datos avanzadas
19.3.3. Capacitación en análisis de datos de IA

19.4. Evaluación continua y feedback en tiempo real

19.4.1. Implementación de sistemas de evaluación continua asistidos por IA. Lattice
19.4.2. Uso de chatbots y herramientas de retroalimentación en tiempo real para proporcionar feedback a los empleados
19.4.3. Impacto del feedback basado en IA

19.5. Identificación de fortalezas y áreas de mejora

19.5.1. Aplicación de IA para identificar las fortalezas y debilidades de los empleados
19.5.2. Análisis automático de competencias y habilidades utilizando técnicas de aprendizaje automático. Workday Performance Management
19.5.3. Conexión con desarrollo profesional y planificación

19.6. Detección de tendencias y patrones de desempeño

19.6.1. Utilización de IA para detectar tendencias y patrones en el desempeño de los empleados. TAlentSoft
19.6.2. Análisis predictivo para anticipar posibles problemas de desempeño y tomar medidas proactivas
19.6.3. Visualización avanzada de datos y dashboards

19.7. Personalización de objetivos y planes de desarrollo

19.7.1. Implementación de sistemas de establecimiento de objetivos personalizados basados en IA. Reflektive
19.7.2. Uso de algoritmos de recomendación para sugerir planes de desarrollo individualizados
19.7.3. Impacto a largo plazo de objetivos personalizados

19.8. Eliminación de sesgos en las evaluaciones

19.8.1. Aplicación de IA para identificar y mitigar sesgos en las evaluaciones de desempeño
19.8.2. Implementación de algoritmos imparciales y equitativos en los procesos de evaluación
19.8.3. Formación en ética de IA para evaluadores

19.9.  Seguridad y protección de datos en las evaluaciones con IA

19.9.1. Consideraciones éticas y legales en el uso de datos personales en las evaluaciones de desempeño con IA. LEver
19.9.2. Garantía de la privacidad y seguridad de la información del empleado en los sistemas de evaluación basados en IA
19.9.3. Implementación de protocolos de acceso a los datos

19.10. Mejora continua y adaptabilidad del sistema

19.10.1. Utilización de feedback y análisis de datos para mejorar continuamente los procesos de evaluación
19.10.2. Adaptación de los sistemas de evaluación a medida que cambian las necesidades y objetivos de la organización
19.10.3. Comité de revisión para ajuste de métricas

Módulo 20. Monitorización y Mejora del Clima Laboral con IA

20.1. Aplicación de la IA en la gestión del clima laboral

20.1.1. Definición y relevancia del clima laboral
20.1.2. Panorama de la IA en la gestión del clima laboral
20.1.3. Beneficios de usar IA para monitorizar el clima laboral

20.2. Herramientas de IA para la recolección de datos laborales

20.2.1. Sistemas de feedback en tiempo real con IBM Watson
20.2.2. Plataformas de encuestas automáticas
20.2.3. Sensores y wearables para la recogida de datos físicos y ambientales

20.3. Análisis de sentimientos con IA

20.3.1. Fundamentos del análisis de sentimientos
20.3.2. Uso de Google Cloud Natural Language para analizar emociones en comunicaciones escritas
20.3.3. Aplicación del análisis de sentimientos en emails y redes sociales corporativas

20.4. Machine Learning para la identificación de patrones de comportamiento

20.4.1. Clustering con K-means en Python para segmentar comportamientos laborales
20.4.2. Reconocimiento de patrones en datos de comportamiento
20.4.3. Predicción de tendencias en el clima laboral

20.5. IA en la detección proactiva de problemas laborales

20.5.1. Modelos predictivos para identificar riesgos de conflictos
20.5.2. Sistemas de alerta temprana basados en IA
20.5.3. Detección de acoso y discriminación mediante el análisis de texto con spaCy

20.6. Mejora de la comunicación interna con IA

20.6.1. Chatbots para la comunicación interna
20.6.2. Análisis de redes con IA para mejorar la colaboración utilizando Gephi
20.6.3. Herramientas de IA para personalizar comunicados internos

20.7. Gestión del cambio con soporte de IA

20.7.1. Simulaciones de IA para prever impactos de cambios organizacionales con AnyLogic
20.7.2. Herramientas de IA para gestionar la resistencia al cambio
20.7.3. Modelos de IA para optimizar estrategias de cambio

20.8. Evaluación y mejora continua del clima laboral con IA

20.8.1. Sistemas de monitoreo continuo del clima laboral
20.8.2. Algoritmos para el análisis de la efectividad de intervenciones
20.8.3. IA para la personalización de planes de mejora del clima laboral

20.9. Integración de IA y Psicología Organizacional

20.9.1. Teorías psicológicas aplicadas al análisis de IA
20.9.2. Modelos de IA para entender la motivación y satisfacción laboral
20.9.3. Herramientas de IA para apoyar el bienestar emocional de los empleados

20.10. Ética y privacidad en el uso de IA para monitorizar el clima laboral

20.10.1. Consideraciones éticas del monitoreo laboral
20.10.2. Privacidad de los datos y conformidad con regulaciones
20.10.3. Gestión transparente y responsable de los datos

Este enfoque integral te equipará con competencias clave para liderar la transformación digital en RRHH y maximizar el valor estratégico de sus equipos. ¡Con todas las garantías de calidad de TECH!”