Esta asignatura persigue dos objetivos fundamentales: en primer lugar, introducir a los alumnos en la historia, evolución y conceptos clave de la inteligencia artificial; en segundo lugar, transmitir los elementos fundamentales del método científico y los procesos de investigación, así como herramientas de distintos tipos que pueden ser útiles al investigador.

El primer objetivo implica adentrarse las aplicaciones actuales de la inteligencia artificial en el ámbito empresarial, siendo capaz de reconocer las particularidades asociadas a este tipo de proyectos, los retos existentes y las barreras y consideraciones éticas pertinentes.

La segunda parte de la asignatura dotará al alumno de las capacidades necesarias para llevar a cabo proyectos de investigación en base a metodologías validadas y empleando de forma correcta las herramientas disponibles.

La lingüística computacional o el procesamiento del lenguaje natural es una disciplina que se ocupa de los sistemas artificiales capaces de usar el lenguaje para extraer información del medio o, incluso, para comunicarse con los humanos.

En esta asignatura se abordan los principales algoritmos empleados en el procesamiento del lenguaje natural para el análisis del lenguaje a nivel léxico, sintáctico y semántico. También, se analizan los algoritmos para el modelado de la información de los textos, de cara a poder usarlos como fuente de datos para casos de uso, como el análisis de sentimientos o la construcción de agentes virtuales conversacionales. Entre las técnicas estudiadas, se cubrirán tanto los modelos clásicos como las técnicas más recientes basadas en aprendizaje profundo.

El primer objetivo implica adentrarse las aplicaciones actuales de la inteligencia artificial en el ámbito empresarial, siendo capaz de reconocer las particularidades asociadas a este tipo de proyectos, los retos existentes y las barreras y consideraciones éticas pertinentes.

La segunda parte de la asignatura dotará al alumno de las capacidades necesarias para llevar a cabo proyectos de investigación en base a metodologías validadas y empleando de forma correcta las herramientas disponibles.

En los humanos, la adquisición de conocimiento del entorno comienza con los datos obtenidos a través de los sentidos. En los sistemas artificiales se trata de emular los procesos de percepción usando modelos de la visión humana, la comprensión del habla y el procesamiento de otras señales sensoriales.

En esta asignatura se proporcionarán las herramientas necesarias para entender cuáles son los elementos esenciales en la percepción computacional entendida como la capacidad que posee una inteligencia artificial de realizar las funciones de comprensión humana, principalmente la visión y el habla.

La percepción computacional ofrece multitud de retos desde el punto de vista matemático (algoritmos, preprocesamiento, filtrado, segmentación, etc.) como desde el de la ingeniería informática (optimización, rapidez, precisión de los algoritmos, etc.).

Esta asignatura presentará una visión global de cómo se ha afrontado en el estado del arte la percepción computacional, centrándonos de forma particular y detallada en algunos de los enfoques más comunes (detección de bordes o segmentación) así como enfoques más avanzados (filtros de Gabor, extracción de características invariantes al escalado, entre otros).

El alumno será capaz de afrontar problemas que involucren cualquier área de percepción humana (visión y oído), siendo capaz de procesar dicha información y extraer los aspectos más significativos para la toma de decisiones.

Finalmente, esta asignatura permitirá entender cómo se resuelven problemas actuales, como pueden ser el self-driving car, el procesamiento del habla o la comprensión avanzada y la detección de objetos dentro de imágenes.

El aprendizaje automático es una rama de la inteligencia artificial que simula la forma en la que las personas aprenden mediante ejemplos y situaciones observadas. Los mecanismos de aprendizaje permiten que los sistemas inteligentes puedan operar y actuar en situaciones no contempladas previamente en su programación inicial. Es decir, el aprendizaje se considera como una autoprogramación que permite incorporar al momento de la ejecución nuevas reglas de actuación derivadas de la experiencia de interacción con el entorno. Este campo en constante evolución juega un papel fundamental en la resolución de problemas complejos y en la creación de sistemas inteligentes capaces de adaptarse y mejorar con el tiempo.

Las técnicas de aprendizaje automático se pueden considerar como los metaalgoritmos que usan los datos de entrada como fuente de conocimiento para construir algoritmos de control o de extracción de conocimiento. A diferencia de los enfoques tradicionales de programación donde las reglas son definidas por el programador, el aprendizaje automático permite que un sistema mejore su rendimiento a través de la experiencia y la exposición a datos. Asimismo, utiliza métodos estadísticos y técnicas matemáticas para permitir que las computadoras identifiquen patrones complejos y tomen decisiones basadas en la información adquirida durante el proceso de entrenamiento.

El aprendizaje automático se puede dividir en aprendizaje supervisado, aprendizaje no supervisado, aprendizaje semi supervisado y aprendizaje por refuerzo. En esta asignatura se presentará una introducción al análisis descriptivo de datos, una tarea fundamental en los problemas de aprendizaje automático, para estudiar los principales algoritmos de aprendizaje supervisado.

La inteligencia humana se basa en buena medida en capacidades de razonamiento y de planificación de tareas. Estas capacidades confieren a las personas la autonomía y la flexibilidad necesaria para adaptarse a su entorno. Las técnicas de planificación automática se usan en múltiples ámbitos del mundo real para la resolución de problemas. Como, por ejemplo, el control automático de misiones espaciales (satélites, o robots de exploración de Marte), planificación de logística y transporte, en la extinción de incendios forestales, calibración automática de herramientas industriales, control automático de PLC, o la generación de tareas en ambientes de e-learning.

En esta asignatura se analiza en detalle la representación del mundo que se puede implementar en sistemas con uno o varios agentes, cómo estos agentes pueden razonar individual o colaborativamente acerca de los efectos de sus propias acciones en el mundo real o simulado. Se estudian las principales técnicas de búsqueda empleadas por los planificadores del estado del arte para encontrar un plan, y se muestra como las técnicas de búsqueda se extrapolan a sistemas multi agentes.

De manera general, los contenidos de la asignatura se organizan en los siguientes puntos:

• Introducción a la planificación.
• Representación del conocimiento y razonamiento.
• Lógica formal y pensamiento humano.
• Búsqueda y heurística.
• Planificación con incertidumbre.
• Enfoques de planificación.
• Planificación distribuida y multi agente.

El objetivo principal de esta asignatura es proporcionar al estudiantado una comprensión lo más amplia posible de los fundamentos del llamado aprendizaje profundo o Deep Learning. En esta asignatura, los estudiantes conocerán los diferentes modelos matemáticos de las redes neuronales profundas, sus componentes más básicos, su historia y evolución, cómo entrenarlas y desplegarlas, comprenderán las diferentes técnicas utilizadas para su optimización, tanto a nivel interno de la red como de los datos utilizados para su entrenamiento, y las diferentes y potenciales aplicaciones que tienen.

En términos generales, la asignatura conduce al estudiante a entender cómo funciona y cómo se construye una red neuronal profunda, comprendiendo su composición interna, y cómo crearla de forma totalmente práctica. También se incluyen contenidos relacionados con las diferentes plataformas actuales para el desarrollo de redes neuronales profundas, enseñando al estudiante sobre cómo desenvolverse con su uso.

El estudiante mantendrá un equilibro de conocimientos teóricos y prácticos. Para ello, aprenderá la teoría sobre la que se fundamentan las redes neuronales profundas para, a continuación, poner en práctica tales conocimientos mediante la resolución de problemas reales y de distintas categorías. Además, se estudiarán técnicas relacionadas, como el uso de GPUs para acelerar el entrenamiento de las redes o el despliegue de los modelos creados por el estudiante en servidores para poder ser accesibles por el público destinatario del servicio.

Tanto el aprendizaje supervisado como el no supervisado están dentro del aprendizaje automático. Mientras que el aprendizaje supervisado cuenta con una etiqueta o variable objetivo, en el caso del aprendizaje no supervisado el problema consiste en probar y determinar la estructura existente en los datos, pero sin utilizar una etiqueta previa.También conocidos con el nombre de algoritmos de agrupamiento o clustering, ya que agrupan instancias de los datos en función de las variables de los conjuntos de datos. Es decir, este tipo de algoritmos buscan patrones en los datos con el objetivo de encontrar agrupaciones en los datos.

Se utilizan cuando se desconoce la estructura de los datos, puesto que no se tiene la variable objetivo de los datos. Por ejemplo, cuando se desconoce cuántos grupos de usuarios similares existen.

Las técnicas contempladas van desde las que agrupan datos similares, hasta algoritmos de reducción de dimensionalidad que encuentran representaciones compactas. En esta asignatura entenderemos la complejidad de los conjuntos de datos no etiquetados. Combinaremos teoría y práctica para entender algoritmos como el K-Means, DBSCAN, PCA, entre otros.

Además, exploraremos el aprendizaje por refuerzo, que está dentro del aprendizaje automático. Este utiliza agentes inteligentes que pueden tomar decisiones para maximizar una recompensa acumulativa a lo largo del tiempo en un entorno dinámico. El agente interactúa con el entorno, recibiendo retroalimentación positiva o negativa en forma de recompensas después de cada una de las acciones que tome.

Las prácticas externas en empresa ocupan un importante papel en la formación de los estudiantes universitarios, ya que constituyen una magnífica ocasión para, entre otras posibilidades formativas, la adquisición y ejercicio de las competencias asociadas a la titulación.

Asimismo, la finalidad de las mismas es que el estudiante conozca la realidad institucional, empresarial y laboral de su entorno en el ámbito de su profesión, y al mismo tiempo obtenga una valiosa experiencia profesional.

Se establecerá, por tanto, una colaboración estrecha entre estudiante y tutor asignado, la coordinación académica y la entidad o institución que las albergará, externa a UNIR. La extensión y duración de cada actividad será proporcional al número de créditos (ECTS) establecidos y la intensidad y dificultad de la misma es coherente con la programación curricular.

En esta guía, se abordan las diferentes cuestiones que se articulan en torno a la asignatura de Prácticas Externas, ofertada por la Universidad Internacional de La Rioja, recogiendo las actividades que se han de realizar durante este periodo.

Por otra parte, el desarrollo de las prácticas será tutelado además de por un tutor en el centro de prácticas, también por un profesor de la Universidad.

Las prácticas se desarrollarán en el marco de un convenio específico de colaboración firmado entre la institución y UNIR, siguiendo las especificaciones marcadas en el Real Decreto vigente, por el que se regulan las prácticas académicas externas de los estudiantes universitarios.

En la actualidad, la inteligencia artificial y la computación en la nube se encuentran entre los principales megatrendsen el sector tecnológico a nivel global. Por otro lado, estas dos tendencias presentan una notable complementariedad, dado que el procesamiento de datos a escala con algoritmos de inteligencia artificial requiere de una infraestructura que no está al alcance de la mayoría de las organizaciones.

Adicionalmente, la centralización de estas capacidades en proveedores especializados es una garantía de que se realizarán las inversiones necesarias para alcanzar la máxima eficacia en cada aplicación de esta tecnología y que será posible disponer de las últimas innovaciones en plazos cortos. Los proveedores de nube son los primeros interesados en mantener la competitividad de sus servicios de IA.

El consumo de servicios de IA en la nube combina las ventajas de la industrialización u operacionalización de servicios con las capacidades de personalización, que permiten realizar procesos de entrenamiento específicos o diseñar algoritmos propios para cubrir un determinado caso de uso o propósito no considerado en el porfolio estándar del proveedor. De hecho, estos nuevos algoritmos pueden construirse sin necesidad de emplear código gracias a las técnicas de AutoML.

Por último, los proveedores de nube proporcionan mecanismos ágiles de integración de estas capacidades de IA en aplicaciones propias, lo que acelera considerablemente la adopción de IA en servicios propios de las empresas e instituciones.

La asignatura de Herramientas para la Computación en la Nube Dirigidas a Inteligencia Artificial tiene como objetivo familiarizar al alumno con este paradigma tecnológico, describiendo cuáles son las capacidades de IA disponibles en la nube y cómo pueden utilizarse para resolver problemas de negocio. Se combinan secciones teóricas que permiten al alumno comprender el contexto y características de los servicios de IA, con ejercicios prácticos para aprender la forma de trasladar estas características a casos de uso concretos.

Por último, se incluyen también temas relacionados con la operacionalización de algoritmos o MLOps, que constituye una de las disciplinas más demandadas por las organizaciones para que garantizar que la explotación de la IA se pone al servicio de sistemas productivos y materializa los beneficios observados en entornos de laboratorio.

El Trabajo de Fin de Máster es el último paso para obtener la titulación. Supone la realización de un trabajo inédito y original en el que aplicarás y desarrollarás los conocimientos y competencias adquiridos en las enseñanzas seguidas. Se realiza en la parte final del plan de estudios, con carácter obligatorio, y bajo la supervisión del director asignado. Además, este trabajo implica una defensa ante una comisión evaluadora que debe ser superada.