Adimen Artifiziala eta programaziorik gabeko Machine Learning (212714)

JUSTIFIKAZIOA Adimen artifizialaren azpian dauden teknologiak, haien ahalmenak eta aplikazioak ezagutzeko ikastaro hau egin da. helburua da edozein arlo eta espezialitatetako ingeniariak Adimen Artifizialaren eremuan sartzeko trebatzea, garapen eta trebakuntza profesionaleko palanka gisa erabil dezaten. HELBURUAK •IA eta ML teknikak hobeto ulertzea, informazioa egunero baino hobeto interpretatu ahal izateko teknologia horiei lotuta jasotzen da • Negozio-ideiak inspiratzea, dagoeneko IA eta ML erabiltzen ari diren enpresak zertan ari diren ezagutuz • IA/ML proiektuei ekitea, eskaintzen dituen gaitasunak aprobetxatuz • IA/ML bidez konpon daitezkeen bezeroen negozio-arazoak identifikatzea •Irtenbide horiek konpainien prozesuen eskema orokorrean nola integratu aztertzea.

Gaitegia

EDUKIAK (laburpena)

Webinar 1. IA/ML Ikastarorako sarrera, programaziorik gabe
1. Aurkezpena
2. Adimen Artifiziala, Machine Learning eta Deep Learning
3. Adimen Artifizialaren etorkizuna
4.Ikastaroaren programazioa
5. Ikastarorako dedikazioa

1. gaia. IA/MLrako sarrera
1.1. IA eta ML definitzea
1.2. Paradigmak EIn
1.3. EIren sailkapena
1.4. EIren historia
1.5. Zergatik orain?
1.6. Ikaskuntza-motak

2. gaia. IA/MLren aplikazioak: merkatuko erabilera-kasuak
2.1. Erabilpen kasuak sektoreka
2.2. Eguneroko erabilerak
2.3. Ingeniaritzako erabilera-kasuak
2.4.Merkatuko eragile handiak

3. gaia. IA/ML proiektuen garapena
3.1.IA eta ML enpresaren estrategian
3.2. IA/ML proiektuak garatzeko metodologia
3.3. Proiektuak antolatzea
3.4. Antzemandako arazoak
3.5. Arrakasta-faktoreak
3.6.IA fidagarri baten ezaugarriak

Webinar 2. ML plataforma baten ikuspegi orokorra: BigML
1. Programazioa vs No Code
2. Merkatuko NoCode tresnak
3.Lan egiteko moduak BigML-n
4. Erregistroa BigMLn
5.BigML kontsola (dashboard)
6. Hezkuntza-baliabideak

4.gaia. Ikaskuntza Gainbegiratua
4.1. Sarrera
4.2. Erabaki-zuhaitzekin egindako sailkapena
4.3. Erregresioa erabaki-zuhaitzekinn
4.4. Erregresioa erregresio linealarekin
4.5.Erregresioa erregresio logistikoarekin
4.6. Erregresioa eta sailkapena ensembleekin
4.7.Erregresioa eta sailkapena neurona-sareekin
4.8. Ebaluazioa

5.gaia. Ikaskuntza ez-gainbegiratua
5.1.Sarrera
5.2. Taldekatzea edo clusteringa
5.3 Anomaliak detektatzea
5.4. Elkarteen aurkikuntza
5.5. Topikoen modelatzea
5.6.Osagai nagusien analisia

6. gaia. Irudien tratamendua
6.1.Zer da irudi digital bat?
6.2. Ikusmen artifiziala: aplikazioak
6.3. Ikusmen artifiziala: teknikak
6.4.Irudien sailkapena
6.5.Irudietan objektuak detektatzea

Webinar 3. Ikastaroaren itxiera
1. Laburpena
2.Balorazioa
3.Iradokizunak
4.Hurrengo urratsak