CONTENIDO
Introducción
Capítulo 1. Caracterización de lenguajes de programación
1.1 Programas informáticos, etapas y lenguajes de programación
1.2 Lenguajes de programación para inteligencia artificial
1.3 Librerías en programación (bibliotecas)
1.4 Rendimiento en ejecución. Herramientas y soporte
1.5 Lenguajes de marcado
1.6 Lenguaje HTML. Etiquetas
Capítulo 2. Lenguajes de programación de inteligencia artificial: R
2.1 El software R
2.2 Entorno de trabajo de R. R-Studio
2.3 Instalación de paquetes adicionales
2.4 Importando y exportando datos
2.5 Números y operaciones aritméticas
2.6 Números enteros y funciones de variable entera
2.7 Números reales y funciones de variable real
2.8 Estructuras en R
2.9 Operadores
2.10 Funciones de información
2.11 Funciones de conversión
2.12 Funciones de cadena
2.13 Estructuras especiales
2.14 Funciones
2.15 Control de flujo
Capítulo 3. Lenguajes de programación de inteligencia artificial: Python
3.1 Introducción a Python. Elementos del lenguaje
3.2 Módulos de Python
3.3 Programas ejecutables
3.4 Uso de funciones con iterables
3.5 Entrada de datos en programas
3.6 Control de flujo
3.7 Módulos, paquetes y la librería estándar de Python
3.8 Creación y administración de ficheros
3.9 Cálculo numérico con Numpy
3.10 Representación gráfica de funciones y datos. Módulo Matplotlib
Capítulo 4. Lenguajes de programación de inteligencia artificial: Java
4.1 El lenguaje Java
4.2 Tipos de datos simples
4.3 Constantes y literales
4.4 Variables
4.5 Operadores y expresiones
4.6 Programación orientada a objetos
4.7 Sentencias de control en java
4.8 Estructuras de almacenamiento
Capítulo 5. Lenguajes de programación de inteligencia artificial: Javascript, Nodejs y Json
5.1 Introducción a Javascript
5.2 El lenguaje Javascript
5.3 Variables Javascript
5.4 Operadores Javascript
5.5 Estructuras de control
5.6 Funciones en Javascript
5.7 Arrays en Javascript
5.8 Tratamiento de errores en Javascript
5.9 Librería de funciones Javascript
5.10 Objetos en Javascript
5.11 Json
5.12 Nodejs
Capítulo 6. Desarrollo de aplicaciones de inteligencia artificial: plataformas y herramientas de modelado
6.1 Plataformas de inteligencia artificial
6.2 Entornos de modelado de inteligencia artificial. Herramientas de modelado
6.3 Herramientas de generación de código para inteligencia artificial
6.4 Redes neuronales en inteligencia artificial. Tensorflow
Capítulo 7. Herramientas de modelado para inteligencia artificial: IBM SPSS Modeler
7.1 Modelado con IBM SPSS Modeler
7.2 Ejemplo de modelo con IBM SPSS Modeler
7.3 Modelización automática en IBM SPSS Modeler. Valoración de modelos
7.4 El nodo clasificador automático de IBM SPSS Modeler
7.5 El algoritmo autonumérico de IBM SPSS Modeler
7.6 El algoritmo autoconglomeración de IBM SPSS Modeler
Capítulo 8. Herramientas de modelado en inteligencia artificial: modelos de redes neuronales a través de IBM SPSS Modeler
8.1 Descripción de una red neuronal
8.2 Redes neuronales y ajuste de modelos predictivos (aprendizaje supervisado)
8.3 Aprendizaje en las redes neuronales
8.4 Funcionamiento de una red neuronal
8.5 Redes neuronales con IBM SPSS Modeler
8.6 Clustering mediante redes neuronales (aprendizaje no supervisado) 417
8.7 Análisis cluster con redes neuronales con IBM SPSS Modeler: nodo Kohonen
8.8 Aprendizaje profundo o Deep Learning
8.9 Redes neuronales convolucionales
Capítulo 9. Evaluación de la convergencia tecnológica
9.1 Convergencia tecnológica. Conexión entre tecnologías. Ventajas
9.2 Sistemas de convergencia electrónica
9.3 Características del Blockchain
9.4 Características y usos de IOT
9.5 Características de Cloud
9.6 Seguridad en la convergencia tecnológica
Capítulo 10. Evaluación de modelos de automatización industrial y de negocio
10.1 Introducción a la automatización industrial
10.2 Estrategias corporativas. Tendencias
10.3 Modelos de negocio en inteligencia artificial. Tendencias
10.4 Gestión de activos y recursos en inteligencia artificial. Tendencias
10.5 Modelos de automatización. Tendencias
Este texto está dirigido tanto a alumnos que siguen un Curso de especialización en Inteligencia Artificial y Big Data como a profesionales del sector.
El libro comienza tratando la caracterización de los lenguajes de programación en general con especial énfasis en los lenguajes para Inteligencia Artificial y los lenguajes de marcado. En cuanto a los lenguajes de programación para IA se tienen en cuenta las bibliotecas y herramientas de apoyo y soporte, así como las características de rendimiento en ejecución.
Como lenguajes más importantes para Inteligencia Artificial se desarrollan a nivel elemental el lenguaje R, el lenguaje Python, el lenguaje Java, el lenguaje Javascript, el lenguaje JSON y el lenguaje NodeJS.
Asimismo, se analiza el desarrollo de aplicaciones de Inteligencia Artificial con plataformas y herramientas de modelado. Entre las plataformas de Inteligencia Artificial se describen Microsoft Azure, Microsoft Cortana, Amazon AWS, Amazon Alexa, Bixby, Google Assistant e IBM Watson. En cuanto a las herramientas de modelado se describen Azure Machine Learning, Knime, SPSS Modeler, Rapid Miner y Orange.
Otros instrumentos importantes en programación son las herramientas de generación automática de código para crear software con comportamiento inteligente como Genexus, Mendix y Lobe y que también se describen aquí.
En cuanto al modelado con redes neuronales se tiene en cuenta el software Tensor Flow de Python como herramienta de programación y el software IBM SPSS Modeler como herramienta visual para trabajar con redes neuronales en Inteligencia Artificial. Se presentan ejemplos de trabajo totalmente resueltos relativos a procedimientos automáticos de Analytics y módulos predefinidos de redes neuronales a través de IBM SPSS Modeler. Estos procedimientos pertenecen a Visual Analytics, ya que la herramienta es totalmente visual y no necesita código de programación.
A continuación, se aborda la convergencia tecnológica y sus ventajas e inconvenientes. Se estudia la conexión entre tecnologías de voz, sonido e imágenes y se presentan los sistemas de convergencia electrónica más importantes entre los que destacan Blockchain, Internet de las Cosas (IoT) y el Cloud Computing. También se analiza la seguridad en la convergencia tecnológica.
Finalmente se estudian los modelos de automatización industrial y de negocio. Se tiene en cuenta estrategias corporativas, modelos de negocio, gestión de activos y recursos y modelos de automatización.