Principales objetivos: Los objetivos son coincidentes con la consecución de los Resultados de Aprendizaje establecidos en el RD 279/2021 para este módulo del Curso de Especialización de Inteligencia Artificial y Big Data. 1. Caracteriza la Inteligencia Artificial fuerte y débil determinando usos y posibilidades. 2. Determina técnicas y herramientas de sistemas de aprendizaje automático (Machine Learning), testeando su aplicabilidad para la resolución de problemas. 3. Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y minimizando los riesgos asociados. 4. Aplica técnicas de aprendizaje no supervisado relacionándolas con los tipos de problemas que tratan de resolver. 5. Aplica modelos computacionales de redes neuronales comparándolos con otros métodos de inteligencia artificial. 6. Valora la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático integrando principios fundamentales de la computación. Para ello se facilita el acceso a los materiales mínimos necesarios para que el profesorado implicado pueda acometer con garantías el principio de las clases reales con alumnado. Mediante la compartición de experiencias y conocimientos se pretende también la mejora de la docencia y la preparación de formaciones avanzadas mediante la detección de las necesidades formativas de los participantes.

Los contenidos son coincidentes con los del RD 279/2021 para este módulo del Curso de Especialización de Inteligencia Artificial y Big Data. Caracterización de la Inteligencia Artificial fuerte y débil: - Inteligencia Artificial Débil: - Características y aplicaciones. - Ventajas e inconvenientes. - Usos y posibilidades. - Inteligencia Artificial Fuerte: - Características y aplicaciones. - Ventajas e inconvenientes. - Usos y posibilidades. Determinación de sistemas de aprendizaje automático (Machine Learning): - Clasificación de sistemas de aprendizaje automático. Supervisado y no supervisado. - Principales técnicas para desarrollar aprendizaje automático: Redes neuronales, Aprendizaje inductivo, Razonamiento basado en casos, entre otros. - Algoritmos o modelos aplicados al aprendizaje automático: - Algoritmos de clasificación. - Algoritmos de detección de anomalías. - Algoritmos de regresión. - Algoritmos de clustering. - Algoritmos de refuerzo del aprendizaje. - Árboles y reglas de decisión. - Otros algoritmos relacionados con el aprendizaje automático. - Procedimientos del Machine Learning: Datos, identifica patrones y toma decisiones. - Herramientas de. Aprendizaje automático. - Aplicaciones del Machine Learning. Algoritmos aplicados al aprendizaje supervisado y optimización del modelo: - Determinación de elementos y herramientas de aprendizaje supervisado. - Datos etiquetados. - Variables de entrada (input data). Etiquetas de salida. - Plataformas de aprendizaje automático supervisado. - Fases del aprendizaje automático: - Selección del algoritmo de aprendizaje supervisado. - Selección de datos. - Construcción del modelo. - Validación del modelo. - Ajuste de características o parámetros. - Implementación del modelo propuesto. - Verificación del modelo de prueba. - Optimización del modelo. Aplicación de técnicas de aprendizaje no supervisado: - Técnicas de aprendizaje no supervisado - Algoritmos de aprendizaje no supervisado. Agrupación de cluster, Reducción de dimensión, entre otros. - Determinación de elementos y herramientas de Aprendizaje no supervisado. - Plataformas de aprendizaje automático no supervisado. - Fases del aprendizaje automático no supervisado. Aplicación de modelos computacionales de redes neuronales y comparación con otros modelos: - Aprendizaje automático frente a aprendizaje profundo. - Cómo aprende una red neuronal. - Modelos de redes neuronales artificiales: Redes neuronales convolucionales (CNN). Valoración de la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático: - Capacidad de generalización. - Test. - Validación. - Matriz de confusión.

El Curso de Especialización en Inteligencia Artificial y Big Data (CEIABD) comenzó a impartirse el pasado curso 21/22. Para ello se diseñó un conjunto de formaciones que ya terminaron. Ahora, 6 nuevos centros se añaden a los 4 pioneros que implantaron el CE. Hemos desarrollado un conjunto de formaciones, muy básicas, para el profesorado que vaya a ser, por 1ª vez, titular de algún módulo del CEIABD en cualquiera de los 10 centros designados, y para los interesados en impartirlo en el futuro. Estas formaciones no están destinadas a los que ya han impartido los módulos o cursaron las formaciones anteriores. Para ellos/as se desarrollarán formaciones avanzadas. Esta actividad pretende facilitar el acceso del profesorado a los materiales existentes para que dispongan de los mismos antes de empezar el curso con el alumnado. El material consta de abundantes vídeos con ejemplos paso a paso, código fuente, ejercicios complementarios y actividades de autoevaluación. Conociendo la dificultad de impartir una materia nueva con tanta premura, la evaluación de la actividad está acotada a la adaptación de la programación didáctica y con un largo tiempo de entrega. IMPORTANTE: La formación se realizará en 2 fases INICIAL (hasta 28/09/22): acceso a los materiales. SEGUIMIENTO (hasta 30/01/23): profundización en los materiales y entrega de tareas La actividad se engloba en la justificación "Formación, perfeccionamiento y movilidad del profesorado de FP" PROF2022 financiada por el Ministerio de Educación y FP y por el Fondo Social Europeo plus. NOTA: Los participantes en este curso 231104MDFP002 y el equivalente anterior 221104MDFP002 tendrán preferencia en su aceptación en la formación avanzada correspondiente

INSCRIPCIÓN - Plazo admisión solicitudes: 02/09/2022 al 12/09/22 a las 10:00 - Listado provisional admisión: 12/09/22 - Listado definitivo admisión: 14/09/22 CRITERIOS DE BAREMACIÓN 1. Profesorado de la Familia de Informática y Comunicaciones (IyC) que vaya a impartir el módulo SAA en el curso 22/23, con la excepción señalada en el punto 6 2. Profesorado de la Familia de IyC, cuerpo 590 (PES), de los nuevos centros que imparten el CE IA&BD en 22/23 o lo impartieron en 21/22, con la excepción del punto 6 3. Profesorado de la Familia de IyC, cuerpo 591 (PTFP), de los nuevos centros que imparten el CE IA&BD en 22/23 o lo impartieron en 21/22, con la excepción del punto 6 4. Profesorado de la Familia de IyC, cuerpo 590 (PES), de centros candidatos a impartir el CE IA&BD en 23/24. Se considera candidatos a los departamentos que presenten mayor Nº de aspirantes a estas formaciones 5. Resto de Profesorado de la Familia de IyC y de la Familia de Electricidad y Electrónica 6. Queda excluido el profesorado que realizó la actividad "SISTEMAS DE APRENDIZAJE AUTOMÁTICO" código 221104MDFP002 el curso pasado. CRITERIOS DE CERTIFICACIÓN - Esta actividad no contempla bolsa de ayuda por desplazamiento. - La toma de conocimiento y la encuesta de la actividad son tareas obligatorias para certificar la actividad. - El plazo para realizar la encuesta es hasta el 06/02/2023 - Las horas no presenciales deberán justificarse con la realización de la tarea propuesta en el AVFP - El plazo para la realización de la tarea es hasta el día de finalización de la actividad 30/01/2023 NOTA IMPORTANTE: La Toma de Conocimiento no estará disponible hasta que las autoridades nos faciliten el modelo correspondiente al PROF2022 (cuyos fondos no han sido todavía distribuidos) OTRAS CONSIDERACIONES: En caso de empate en la admisión se recurriría a sorteo según las reglas establecidas en el ROF del CEP de Cádiz Manuel Cabezas Carbonell Asesor FP manuel.cabezas.edu@juntadeandalucia.es