Este módulo de orientación define el alcance de Aprendizaje automático aplicado con Python, sus usos habituales y su lugar dentro de Inteligencia artificial, datos y automatización. El estudiante aclara objetivos, requisitos previos, plan de estudio y criterios de éxito. El trabajo con inteligencia artificial comienza con una tarea claramente definida y entradas fiables. El trabajo con datos también requiere limpieza, análisis descriptivo y visualización antes de extraer conclusiones.

1. Aprendizaje automático aplicado con Python — Introducción, objetivos y plan de aprendizaje — Objetivos de aprendizaje y conocimientos esenciales del tema
2. Aprendizaje automático aplicado con Python — Introducción, objetivos y plan de aprendizaje — Conceptos, términos y su importancia práctica
3. Aprendizaje automático aplicado con Python — Introducción, objetivos y plan de aprendizaje — Aplicación paso a paso de un método, herramienta o flujo de trabajo
4. Aprendizaje automático aplicado con Python — Introducción, objetivos y plan de aprendizaje — Caso realista, tarea aplicada y análisis de errores
5. Aprendizaje automático aplicado con Python — Introducción, objetivos y plan de aprendizaje — Comprobación de conocimientos, control de calidad y evaluación breve

Práctica: Define tu objetivo de aprendizaje, evalúa tus conocimientos actuales y crea un archivo de trabajo y evidencias para el curso.

Evaluación y finalización: Al final del módulo, el estudiante debe poder explicar claramente el alcance, los límites y su propio objetivo de aprendizaje.

Este módulo enseña los conceptos fundamentales, la terminología profesional y las diferencias importantes de Aprendizaje automático aplicado con Python mediante ejemplos realistas de Inteligencia artificial, datos y automatización. Un modelo aprende o aplica patrones; la inferencia es la etapa en la que un modelo entrenado produce un resultado. La calidad de un modelo o flujo debe evaluarse con criterios explícitos como exactitud, relevancia, coherencia, latencia y coste.

1. Aprendizaje automático aplicado con Python — Conceptos fundamentales y terminología profesional — Objetivos de aprendizaje y conocimientos esenciales del tema
2. Aprendizaje automático aplicado con Python — Conceptos fundamentales y terminología profesional — Conceptos, términos y su importancia práctica
3. Aprendizaje automático aplicado con Python — Conceptos fundamentales y terminología profesional — Aplicación paso a paso de un método, herramienta o flujo de trabajo
4. Aprendizaje automático aplicado con Python — Conceptos fundamentales y terminología profesional — Caso realista, tarea aplicada y análisis de errores
5. Aprendizaje automático aplicado con Python — Conceptos fundamentales y terminología profesional — Comprobación de conocimientos, control de calidad y evaluación breve

Práctica: Crea un mini glosario de al menos diez términos, explica cada uno con tus palabras y añade un ejemplo de uso.

Evaluación y finalización: El estudiante debe poder definir términos con precisión, distinguir conceptos relacionados y utilizarlos en el contexto adecuado.

Este módulo conecta los principios, modelos y marcos esenciales de Aprendizaje automático aplicado con Python y analiza sus supuestos, utilidad y limitaciones dentro de Inteligencia artificial, datos y automatización. En IA generativa, el prompt define la instrucción, el contexto, las restricciones y el formato de salida. Las alucinaciones, el sesgo, la fuga de privacidad, la inyección de prompts y la automatización excesiva son riesgos reales; los resultados importantes requieren validación y revisión humana.

1. Aprendizaje automático aplicado con Python — Principios, modelos y marcos esenciales — Objetivos de aprendizaje y conocimientos esenciales del tema
2. Aprendizaje automático aplicado con Python — Principios, modelos y marcos esenciales — Conceptos, términos y su importancia práctica
3. Aprendizaje automático aplicado con Python — Principios, modelos y marcos esenciales — Aplicación paso a paso de un método, herramienta o flujo de trabajo
4. Aprendizaje automático aplicado con Python — Principios, modelos y marcos esenciales — Caso realista, tarea aplicada y análisis de errores
5. Aprendizaje automático aplicado con Python — Principios, modelos y marcos esenciales — Comprobación de conocimientos, control de calidad y evaluación breve

Práctica: Compara dos enfoques o modelos según fortalezas, limitaciones, datos necesarios y resultados esperados.

Evaluación y finalización: El estudiante debe poder justificar la elección de un modelo o marco y explicar sus limitaciones.

Este módulo presenta las herramientas, recursos y flujos de trabajo profesionales de Aprendizaje automático aplicado con Python, desde la recopilación de entradas hasta la documentación y preparación de resultados en Inteligencia artificial, datos y automatización. El trabajo con datos también requiere limpieza, análisis descriptivo y visualización antes de extraer conclusiones. El trabajo con inteligencia artificial comienza con una tarea claramente definida y entradas fiables.

1. Aprendizaje automático aplicado con Python — Herramientas, recursos y flujos de trabajo profesionales — Objetivos de aprendizaje y conocimientos esenciales del tema
2. Aprendizaje automático aplicado con Python — Herramientas, recursos y flujos de trabajo profesionales — Conceptos, términos y su importancia práctica
3. Aprendizaje automático aplicado con Python — Herramientas, recursos y flujos de trabajo profesionales — Aplicación paso a paso de un método, herramienta o flujo de trabajo
4. Aprendizaje automático aplicado con Python — Herramientas, recursos y flujos de trabajo profesionales — Caso realista, tarea aplicada y análisis de errores
5. Aprendizaje automático aplicado con Python — Herramientas, recursos y flujos de trabajo profesionales — Comprobación de conocimientos, control de calidad y evaluación breve

Práctica: Diseña un flujo de trabajo con entrada, herramienta/recurso, paso, salida, punto de control y evidencia conservada.

Evaluación y finalización: El estudiante debe poder elegir herramientas adecuadas y construir un flujo de trabajo trazable de principio a fin.

Este módulo convierte Aprendizaje automático aplicado con Python en métodos aplicables paso a paso, con selección del método, secuencia, puntos de decisión, controles y verificación del resultado en Inteligencia artificial, datos y automatización. La calidad de un modelo o flujo debe evaluarse con criterios explícitos como exactitud, relevancia, coherencia, latencia y coste. Un modelo aprende o aplica patrones; la inferencia es la etapa en la que un modelo entrenado produce un resultado.

1. Aprendizaje automático aplicado con Python — Métodos, técnicas y aplicación paso a paso — Objetivos de aprendizaje y conocimientos esenciales del tema
2. Aprendizaje automático aplicado con Python — Métodos, técnicas y aplicación paso a paso — Conceptos, términos y su importancia práctica
3. Aprendizaje automático aplicado con Python — Métodos, técnicas y aplicación paso a paso — Aplicación paso a paso de un método, herramienta o flujo de trabajo
4. Aprendizaje automático aplicado con Python — Métodos, técnicas y aplicación paso a paso — Caso realista, tarea aplicada y análisis de errores
5. Aprendizaje automático aplicado con Python — Métodos, técnicas y aplicación paso a paso — Comprobación de conocimientos, control de calidad y evaluación breve

Práctica: Elige una tarea realista y divídela en preparación, ejecución, verificación y mejora, definiendo un criterio de éxito para cada fase. Construye un flujo pequeño que defina el problema y las entradas, seleccione el modelo o método, describa los pasos del prompt o procesamiento, establezca dos medidas de calidad, pruebe un caso de fallo y documente cómo se verificará el resultado.

Evaluación y finalización: El estudiante debe poder aplicar un método, explicar su secuencia y demostrar cómo se verifica el resultado.

Este módulo desarrolla habilidades en Aprendizaje automático aplicado con Python mediante práctica guiada, adaptación, retroalimentación, diagnóstico de errores y mejora iterativa en Inteligencia artificial, datos y automatización. Las alucinaciones, el sesgo, la fuga de privacidad, la inyección de prompts y la automatización excesiva son riesgos reales; los resultados importantes requieren validación y revisión humana. En IA generativa, el prompt define la instrucción, el contexto, las restricciones y el formato de salida.

1. Aprendizaje automático aplicado con Python — Práctica guiada y desarrollo de habilidades — Objetivos de aprendizaje y conocimientos esenciales del tema
2. Aprendizaje automático aplicado con Python — Práctica guiada y desarrollo de habilidades — Conceptos, términos y su importancia práctica
3. Aprendizaje automático aplicado con Python — Práctica guiada y desarrollo de habilidades — Aplicación paso a paso de un método, herramienta o flujo de trabajo
4. Aprendizaje automático aplicado con Python — Práctica guiada y desarrollo de habilidades — Caso realista, tarea aplicada y análisis de errores
5. Aprendizaje automático aplicado con Python — Práctica guiada y desarrollo de habilidades — Comprobación de conocimientos, control de calidad y evaluación breve

Práctica: Realiza la misma tarea en dos escenarios diferentes y compara qué pasos cambian y por qué. Construye un flujo pequeño que defina el problema y las entradas, seleccione el modelo o método, describa los pasos del prompt o procesamiento, establezca dos medidas de calidad, pruebe un caso de fallo y documente cómo se verificará el resultado.

Evaluación y finalización: El estudiante debe poder utilizar retroalimentación, identificar errores y producir una segunda versión mejorada.

Este módulo lleva Aprendizaje automático aplicado con Python al nivel de resolución de problemas y toma de decisiones mediante casos realistas de Inteligencia artificial, datos y automatización, con información incompleta, presión de tiempo y objetivos en conflicto. El trabajo con inteligencia artificial comienza con una tarea claramente definida y entradas fiables. El trabajo con datos también requiere limpieza, análisis descriptivo y visualización antes de extraer conclusiones.

1. Aprendizaje automático aplicado con Python — Casos reales, resolución de problemas y toma de decisiones — Objetivos de aprendizaje y conocimientos esenciales del tema
2. Aprendizaje automático aplicado con Python — Casos reales, resolución de problemas y toma de decisiones — Conceptos, términos y su importancia práctica
3. Aprendizaje automático aplicado con Python — Casos reales, resolución de problemas y toma de decisiones — Aplicación paso a paso de un método, herramienta o flujo de trabajo
4. Aprendizaje automático aplicado con Python — Casos reales, resolución de problemas y toma de decisiones — Caso realista, tarea aplicada y análisis de errores
5. Aprendizaje automático aplicado con Python — Casos reales, resolución de problemas y toma de decisiones — Comprobación de conocimientos, control de calidad y evaluación breve

Práctica: Prepara un análisis de caso separado en problema, hechos verificados, supuestos, opciones, solución elegida y justificación. Construye un flujo pequeño que defina el problema y las entradas, seleccione el modelo o método, describa los pasos del prompt o procesamiento, establezca dos medidas de calidad, pruebe un caso de fallo y documente cómo se verificará el resultado.

Evaluación y finalización: El estudiante debe poder comparar opciones bajo incertidumbre y defender una decisión con evidencia y razonamiento claro.

Este módulo aborda calidad, ética, riesgo, seguridad y estándares profesionales en Aprendizaje automático aplicado con Python, incluida la precisión, privacidad, responsabilidad y documentación en Inteligencia artificial, datos y automatización. Un modelo aprende o aplica patrones; la inferencia es la etapa en la que un modelo entrenado produce un resultado. La calidad de un modelo o flujo debe evaluarse con criterios explícitos como exactitud, relevancia, coherencia, latencia y coste.

1. Aprendizaje automático aplicado con Python — Calidad, ética, riesgo, seguridad y estándares profesionales — Objetivos de aprendizaje y conocimientos esenciales del tema
2. Aprendizaje automático aplicado con Python — Calidad, ética, riesgo, seguridad y estándares profesionales — Conceptos, términos y su importancia práctica
3. Aprendizaje automático aplicado con Python — Calidad, ética, riesgo, seguridad y estándares profesionales — Aplicación paso a paso de un método, herramienta o flujo de trabajo
4. Aprendizaje automático aplicado con Python — Calidad, ética, riesgo, seguridad y estándares profesionales — Caso realista, tarea aplicada y análisis de errores
5. Aprendizaje automático aplicado con Python — Calidad, ética, riesgo, seguridad y estándares profesionales — Comprobación de conocimientos, control de calidad y evaluación breve

Práctica: Crea una lista de control con al menos cinco riesgos, controles preventivos, métodos de verificación y pasos de escalamiento.

Evaluación y finalización: El estudiante debe poder definir criterios de calidad y ética, identificar riesgos importantes y recomendar controles adecuados.

Este módulo avanzado integra el conocimiento de Aprendizaje automático aplicado con Python en un proyecto que combina objetivo, alcance, tareas, recursos, indicadores de calidad y entregables para Inteligencia artificial, datos y automatización. En IA generativa, el prompt define la instrucción, el contexto, las restricciones y el formato de salida. Las alucinaciones, el sesgo, la fuga de privacidad, la inyección de prompts y la automatización excesiva son riesgos reales; los resultados importantes requieren validación y revisión humana.

1. Aprendizaje automático aplicado con Python — Práctica avanzada, proyecto e integración laboral — Objetivos de aprendizaje y conocimientos esenciales del tema
2. Aprendizaje automático aplicado con Python — Práctica avanzada, proyecto e integración laboral — Conceptos, términos y su importancia práctica
3. Aprendizaje automático aplicado con Python — Práctica avanzada, proyecto e integración laboral — Aplicación paso a paso de un método, herramienta o flujo de trabajo
4. Aprendizaje automático aplicado con Python — Práctica avanzada, proyecto e integración laboral — Caso realista, tarea aplicada y análisis de errores
5. Aprendizaje automático aplicado con Python — Práctica avanzada, proyecto e integración laboral — Comprobación de conocimientos, control de calidad y evaluación breve

Práctica: Diseña un pequeño proyecto final con objetivo, alcance, cinco tareas, dos riesgos, dos indicadores de calidad y un entregable concreto. Construye un flujo pequeño que defina el problema y las entradas, seleccione el modelo o método, describa los pasos del prompt o procesamiento, establezca dos medidas de calidad, pruebe un caso de fallo y documente cómo se verificará el resultado.

Evaluación y finalización: El estudiante debe poder integrar varias habilidades en un proyecto y demostrar la relación entre el plan y el resultado real.

El módulo final sintetiza lo aprendido en Aprendizaje automático aplicado con Python, lo convierte en portafolio y aplicación profesional en Inteligencia artificial, datos y automatización y prepara para el examen final. El trabajo con datos también requiere limpieza, análisis descriptivo y visualización antes de extraer conclusiones. El trabajo con inteligencia artificial comienza con una tarea claramente definida y entradas fiables.

1. Aprendizaje automático aplicado con Python — Evaluación final, portafolio y aplicación profesional — Objetivos de aprendizaje y conocimientos esenciales del tema
2. Aprendizaje automático aplicado con Python — Evaluación final, portafolio y aplicación profesional — Conceptos, términos y su importancia práctica
3. Aprendizaje automático aplicado con Python — Evaluación final, portafolio y aplicación profesional — Aplicación paso a paso de un método, herramienta o flujo de trabajo
4. Aprendizaje automático aplicado con Python — Evaluación final, portafolio y aplicación profesional — Caso realista, tarea aplicada y análisis de errores
5. Aprendizaje automático aplicado con Python — Evaluación final, portafolio y aplicación profesional — Comprobación de conocimientos, control de calidad y evaluación breve

Práctica: Selecciona tus tres mejores trabajos del curso y describe en cada uno el problema, método, resultado, evidencia y próxima mejora. Construye un flujo pequeño que defina el problema y las entradas, seleccione el modelo o método, describa los pasos del prompt o procesamiento, establezca dos medidas de calidad, pruebe un caso de fallo y documente cómo se verificará el resultado.

Evaluación y finalización: El estudiante debe poder combinar conceptos, métodos, análisis de casos y controles de calidad para demostrar competencia en la evaluación final.