1. PATRONES DE MANIPULACIÓN DE DATOS

1.1. CODIFICACIÓN DE FUNCIONES
1.2. IMPUTACIÓN DE CARACTERÍSTICAS
1.3. ESCALA DE CARACTERÍSTICAS
1.4. REPRESENTACIÓN DE TEXTO
1.5. REDUCCIÓN DE DIMENSIONALIDAD

2. PATRONES DE APRENDIZAJE NO SUPERVISADOS

2.1. IDENTIFICACIÓN DE PATRONES
2.2. FILTRADO DE CONTENIDO

3. PATRONES DE EVALUACIÓN DE MODELOS

3.1. EVALUACIÓN DEL DESEMPEÑO DE LA CAPACITACIÓN
3.2. EVALUACIÓN DEL DESEMPEÑO DE LA PREDICCIÓN
3.3. MODELADO DE LÍNEA DE BASE

4. PATRONES DE OPTIMIZACIÓN DE MODELOS

4.1. EVITACIÓN DE SOBREAJUSTE
4.2. REENTRENAMIENTO FRECUENTE DE MODELOS
4.3. TRANSFERIR APRENDIZAJE

5. PATRONES DE APRENDIZAJE SUPERVISADO

5.1. CONFIGURACIÓN DE RED SUPERVISADA
5.2. RECONOCIMIENTO DE IMAGEN
5.3. IDENTIFICACIÓN DE SECUENCIA

6. PRÁCTICAS COMUNES AL

6.1. VISIÓN POR COMPUTADOR
6.2. RECONOCIMIENTO DE PATRONES
6.3. ROBÓTICA
6.4. PROCESAMIENTO DE LENGUAJE NATURAL (NLP)
6.5. RECONOCIMIENTO DE VOZ DE COMPRENSIÓN DEL LENGUAJE NATURAL (NLU)
6.6. INTEGRACIÓN SIN FRICCIÓN
6.7. INTEGRACIÓN DEL MODELO DE TOLERANCIA A FALLOS

7. REDES NEURONALES

7.1. COMPONENTES
7.2. ENLACES
7.3. PESOS
7.4. ENTRENAMIENTO DE MODELOS DE REDES NEURONALES
7.5. TIPOS DE ARQUITECTURA

8. ENFOQUES COMUNES DE APRENDIZAJE DE IA

8.1. APRENDIZAJE SUPERVISADO
8.2. APRENDIZAJE SUPERVISADO POR EL SOL
8.3. APRENDIZAJE SEMI SUPERVISADO
8.4. APRENDIZAJE CONTINUO
8.5. APRENDIZAJE REFORZADO
8.6. APRENDIZAJE HEURÍSTICO

9. INTELIGENCIA ARTIFICIAL

9.1. TIPOS
9.2. ENFOQUES
9.3. EN LA INDUSTRIA
9.4. PRINCIPIOS COMUNES DE DISEÑO DE SISTEMAS DE IA
9.5. PRÁCTICAS COMUNES DE PROYECTOS DE IA
9.6. IMPULSORES DEL NEGOCIO
9.7. IMPULSORES DE TECNOLOGÍA
9.8. BENEFICIOS
9.9. RETOS