Análisis de Datos con IA

Duración

20 horas

Objetivos

• Al completar el curso, los participantes podrán:
  • Utilizar herramientas de IA generativa (asistentes LLM, modelos multimodales, generadores/analizadores de audio) para procesar y analizar datos de diversos formatos.
  • Generar código automáticamente (por ejemplo en Python) para análisis de datos tabulados o semiestructurados con ayuda de modelos de lenguaje.
  • Emplear modelos de visión, audio o vídeo para extraer información de contenido multimedia (imágenes, vídeos, audio).
  • Combinar resultados de distintos tipos de datos (tabular, texto, imagen, audio, vídeo) en análisis integrados.
  • Crear pipelines reproducibles que integren preprocesado, análisis con IA, y presentación de resultados.
  • Interpretar y comunicar insights de forma clara, usando resultados generados por IA.

  .

Temario

1. Panorama y fundamentos de IA generativa aplicada a datos
   • Qué es la IA generativa y modelos multimodales.
   • Principales herramientas: asistentes LLM, plataformas de modelos (visión, audio, vídeo).
   • Ventajas y retos de usar IA generativa para análisis de datos.
2. Uso de LLMs para análisis de datos tabulares y JSON
   • Cómo pedir a asistentes basados en LLM (por ejemplo, un chatbot) que generen código Python para análisis de DataFrames o JSON.
   • Buenas prácticas para prompt-engineering orientado a generación de scripts de análisis.
   • Automatización de consultas, agrupaciones, agregaciones, limpieza y transformación de datos.
3. Procesamiento de texto con IA generativa
   • Uso de LLMs para análisis de texto: extracción de entidades, clasificación, resumen, insights.
   • Técnicas de prompt: prompts para análisis de grandes volúmenes de texto, generación de reportes narrativos.
   • Integración con datos tabulares: enriquecer análisis con datos estructurados + resultados de texto.
4. Modelos para visión, imagen y vídeo
   • Introducción a plataformas de modelos (por ejemplo Hugging Face) para visión por IA: reconocimiento de objetos, análisis de imágenes.
   • Cómo aplicar modelos de visión para analizar catálogos de imágenes, extraer metadatos, clasificaciones, etiquetas.
   • Uso de modelos multimodales/LLMs que aceptan entradas de imagen (o vídeo) + texto para generar análisis. (Contexto: modelos de tipo LLM multimodal)
   • Procesamiento de vídeo: extracción de frames, análisis visual + temporal, resumen de contenido audiovisual.
5. Procesamiento y análisis de audio
   • Uso de herramientas de IA para análisis o generación de audio (por ejemplo ElevenLabs como referencia de tecnología de audio generativa)
   • Transcripción automática, análisis de contenido, clasificación, generación de metadata.
   • Integración de audio con texto o datos estructurados: por ejemplo, etiquetas de audio + datos tabulados para análisis combinados.
6. Integración multimodal: pipelines de análisis combinados
   • Diseño de flujos de trabajo que integran varios tipos de datos: tabular + texto + imagen/audio/vídeo.
   • Uso de APIs y herramientas para orquestar el flujo: ingestión, preprocesado, análisis, agregación de resultados.
   • Buenas prácticas: reproducibilidad, documentación, modularidad.
7. Interpretación y presentación de resultados generados por IA
   • Análisis de salidas de IA: cómo validar resultados, detectar errores o sesgos.
   • Visualización y reporting combinado (tabular, texto, multimedia) — cómo presentar insights extraídos de múltiples fuentes.
   • Consideraciones éticas y de privacidad al trabajar con datos sensibles o multimedia