Elaborado por: Michael Hurtado
Plan de Trabajo
Título del curso:
Programación básica e intermedia en Python para Inteligencia Artificial
Objetivos:
I. Dominar las herramientas y conceptos fundamentales de Python.
II. Comprender técnicas avanzadas para el procesamiento de datos e imágenes.
III. Diseñar e implementar modelos de inteligencia artificial simples usando Python.
Contenido del curso:
Sesión 1-2: Introducción a Python con Google Colab (4 horas)
• Navegación y uso de Google Colab.
• Fundamentos del lenguaje Python: sintaxis básica, tipos de datos y estructuras de
datos.
• Creación y manejo de notebooks en Colab.
Sesión 3-4: Control de Flujo y Funciones en Python (4 horas)
• Control de flujo: condiciones, bucles.
• Gestión de errores y excepciones.
• Definición y uso de funciones: argumentos, retorno de valores.
Sesión 5-6: Programación Orientada a Objetos (4 horas)
• Conceptos de clases y objetos en Python.
• Herencia, polimorfismo y métodos privados.
• Implementación de POO en proyectos Python.
Sesión 7-8: Bibliotecas de Python para Ciencia de Datos (4 horas)
• Uso de NumPy para operaciones matemáticas.
• Manipulación de datos con pandas.
• Visualización de datos con Matplotlib y Seaborn integrados en Colab.
Sesión 9-10: Procesamiento de Imágenes con OpenCV (4 horas)
• Introducción y configuración de OpenCV en Colab.
• Operaciones básicas con imágenes: carga, visualización y manipulación.
• Efectos y filtros en imágenes.
Sesión 11-12: Generación de Imágenes con OpenCV (4 horas)
• Creación de imágenes a partir de figuras geométricas.
• Transformaciones espaciales en imágenes.
• Aplicaciones de OpenCV: detección de objetos y características.
Elaborado por: Michael Hurtado
Sesión 13-14: Creación de Interfaces Gráficas en Colab (4 horas)
• Desafíos y soluciones para interfaces gráficas en entornos de notebook.
• Alternativas a Tkinter en Colab, como el uso de widgets IPython.
• Diseño y funcionalidad de interfaces de usuario en notebooks.
Sesión 15-16: Introducción a las Redes Neuronales (4 horas)
• Conceptos básicos de redes neuronales artificiales.
• Fundamentos del aprendizaje profundo.
• Implementación de una red neuronal simple.
Sesión 17-18: Implementación del modelo Backpropagation (4 horas)
• Teoría de backpropagation o retropropagación de errores.
• Construcción de un modelo de red neuronal artificial.
• Entrenamiento y ajuste de modelos.
Sesión 19-20: Presentación de Proyectos y Evaluación (4 horas)
• Preparación de presentaciones de proyectos en Colab.
• Evaluación y discusión de los proyectos en un entorno colaborativo.
• Retroalimentación y consejos para la mejora continua en el uso de Colab.
Recursos para usar:
Google Colab
Espero que esta propuesta sea de tu agrado, si tienes alguna duda no dudes en
escribirme.
Michael Hurtado
42679801
