Sesión 1: Fundamentos de la Inteligencia Artificial

• Introducción a la Inteligencia Artificial (IA)
  • Definición y conceptos fundamentales de IA.
  • Aplicaciones y relevancia en diversos campos.
• Levenshtein Distance en Limpieza Automatizada de Datos
  • Uso de la distancia de Levenshtein en la limpieza y minería de datos de texto.
  • Ejemplos prácticos y casos de uso.

Sesión 2: Aprendizaje No Supervisado

• K-means y sus Aplicaciones
  • Principios y funcionamiento del algoritmo K-means.
  • Casos de aplicación en distintos dominios, como agricultura, detección de fraude, patrones atmosféricos, entre otros.
• Hierarchical Clustering y Análisis de Patrones
  • Exploración del clustering jerárquico.
  • Utilización en minería de datos y análisis de patrones.

Sesión 3: Redes Neuronales y Autoorganizadas

• Self-Organizing Maps para Clasificación y Reducción Dimensional
  • Principios de los mapas autoorganizados.
  • Aplicaciones en clasificación de grupos taxonómicos, detección de eventos extremos, entre otros.
• Mahalanobis Distance y su Aplicación en Clusters
  • Uso de la distancia de Mahalanobis en clusters con rotación o contracción.
  • Ejemplos prácticos y casos de estudio.

Sesión 4: Métodos Avanzados de Clustering

• Spectral Clustering y Teoría de Grafos
  • Fundamentos del clustering espectral.
  • Identificación de comunidades de nodos en grafos.
• CURE (Clustering Using REpresentatives)
  • Aplicación de CURE en clusters de formas complejas y grandes conjuntos de datos.
  • Casos de uso y ejemplos prácticos.

Sesión 5: Implementación Práctica en Python

• Programación en Python para Algoritmos de Clustering
  • Uso de bibliotecas populares como scikit-learn.
  • Implementación práctica de K-means, Hierarchical Clustering, y Self-Organizing Maps.

Sesión 6: Proyecto Práctico y Conclusiones Finales

• Proyecto Práctico: Aplicación de Algoritmos en un Caso Real
  • Desarrollo de un proyecto práctico utilizando técnicas aprendidas.
  • Presentación y discusión de resultados.
• Conclusiones Finales y Recursos Adicionales
  • Revisión general del curso.
  • Recursos adicionales para profundizar en temas específicos de IA.