Introducción 7Introducción a la inteligencia artificial 91. Definición e historia de la inteligencia artificial. 101.1. Concepto general de inteligencia artificial. 101.2. Diferencia entre automatización, digitalización e inteligencia artificial. 121.3. Objetivos de la IA en entornos empresariales. 151.4. Breve evolución histórica de la IA. 171.5. Etapas principales en el desarrollo de la inteligencia artificial. 191.6. Del enfoque simbólico a los modelos basados en datos. 211.7. Hitos tecnológicos más relevantes en la evolución de la IA. 231.8. La IA en la empresa: de promesa tecnológica a herramienta operativa. 251.9. Mitos y realidades sobre la inteligencia artificial. 281.10. Ventajas, limitaciones y expectativas realistas. 302. Identificación de las ramas de la IA y sus algoritmos. 332.1. Principales ramas de la inteligencia artificial. 332.2. Machine Learning como rama aplicada de la IA. 352.2.1. Deep Learning y redes neuronales. 372.3. Procesamiento del lenguaje natural. 392.4. Visión por computador. 402.5. Sistemas expertos y representación del conocimiento. 422.6. Robótica inteligente y automatización avanzada. 452.7. IA generativa y modelos fundacionales. 472.8. Algoritmos de clasificación. 502.9. Algoritmos de regresión. 532.10. Algoritmos de agrupamiento. 552.11. Algoritmos de recomendación. 572.12. Algoritmos de búsqueda, optimización y heurísticas. 602.13. Criterios para elegir una técnica de IA en función del problema empresarial. 633. Uso del Machine/Deep Learning. 673.1. Qué es aprender a partir de datos. 673.2. Diferencia entre Machine Learning y Deep Learning. 693.3. Tipos de aprendizaje automático. 713.4. Fases de un proyecto de Machine Learning. 733.5. Recogida, limpieza y preparación de datos. 753.6. Selección de variables y construcción del conjunto de datos. 773.7. Entrenamiento, validación y prueba. 793.8. Métricas básicas de evaluación de modelos. 803.9. Problemas frecuentes: sobreajuste, infraajuste y sesgos. 843.10. Casos de uso empresariales de Machine Learning. 883.11. Casos de uso empresariales de Deep Learning. 894. Conocimiento acerca del Big data como el cambio en la IA. 924.1.1. Qué se entiende por Big Data. 924.1.2. Las características del Big Data. 954.1.3. Relación entre Big Data e inteligencia artificial. 984.2. Por qué el crecimiento del dato ha impulsado la IA actual. 1004.3. Fuentes de datos en la empresa. 1034.4. Datos estructurados, semiestructurados y no estructurados. 1054.5. Calidad del dato y gobernanza. 1074.6. Infraestructuras y ecosistemas de datos. 1104.7. Analítica descriptiva, predictiva y prescriptiva. 1144.8. Big Data en la toma de decisiones empresariales. 1154.9. Riesgos asociados al tratamiento masivo de datos. 1184.10. Privacidad, seguridad y cumplimiento normativo. 1204.11. Ejemplos empresariales de integración entre Big Data e IA. 1235. Caso práctico de la unidad. 1276. Resumen de la unidad. 128Actividades de autoevaluación 129Test de autoevaluación 130Aplicación del algoritmo ...