Domina la programación avanzada con Python y crea proyectos innovadores de inteligencia artificial. Aprende EDA, Machine Learning, Deep Learning, MLOps, integración con APIs en Azure, y despliegue seguro y eficiente. Prepara tu carrera tecnológica desde los fundamentos hasta los últimos modelos como LLMs, embeddings y sistemas RAG. Realizarás todo tipo de prácticas con proyectos reales en el marco de la investigación en medicina.

Acreditación Expert-AI

​Total horas: 1.100 h

1.Programación avanzada con Python y librerías de IA

1.1 Fundamentos de Python

• Variables y tipos de datos Operadores: aritméticos, lógicos, comparación, asignación.
• Condicionales: if, elif, else.
• Bucles: for, while, control de flujo (break, continue, pass).
• Funciones: definición, argumentos, retorno, lambda.
• Manejo de errores: try, except, finally.
• Entrada/salida de datos.
• Programación orientada a objetos

​
1.2 Estructuras de datos más avanzadas

• Diccionarios anidados.
• Pilas, colas y conjuntos.
• Módulo collections: Counter, defaultdict, deque

1.3 Herramientas de desarrollo

• Visual Studio Code y/o Jupyter.
• Entornos virtuales (venv, conda).

1.4 Exploratory Data Analysis (EDA)

• Carga de datos: pandas.
• Exploración inicial: head, info, describe.
• Visualización: matplotlib, seaborn, plotly.
• Agrupación y pivot tables.

1.5 Librerías principales de IA

• numpy, pandas.
• matplotlib, seaborn.
• scikit-learn para modelos básicos.
• SQL 

​1.6 Miniproyectos

• Dataset real (ej. Titanic, Iris, etc.).
• Limpieza, visualización, modelo simple.

1.7 Proyectos reales

• Análisis de estudios reales
• EDA, Estructuración, Preprocesamiento y Data Engineering
• ML-DL
• Orquestación del proyecto
• Implementación de apps y herramientas
• Cálculo de costes
• Adaptación Legal/Normativa
• CEIm y AEMPs
• Matching con real-development

2. Estructuración de proyectos de IA
Estructura real de un proyecto de IA:

• Carpeta de datos.
• Módulos de limpieza, entrenamiento, evaluación.
• Notebooks para EDA y pruebas.
• Scripts reutilizables.
• Configuraciones y logs.

Estructura en VS Code: organización y buenas prácticas.
Ejemplo práctico de plantilla para nuevos proyectos.

3. Preprocesamiento de datos y Data Engineering

3.1 Limpieza y estandarización Detección y manejo de nulos.
Outliers: detección (boxplot, z-score, IQR), tratamiento.
Normalización y estandarización.
Conversión de tipos.
Reemplazo de datos inconsistentes.

3.2 Arquitectura de datos Sistemas OLAP vs OLTP.
Data Lakes, Data Warehouses.
ETL vs ELT.
Pipeline de procesamiento.

3.3 Transformaciones y escalado de datos
Escalado: StandardScaler, MinMaxScaler.
Codificación: LabelEncoder, OneHotEncoder, OrdinalEncoder.
Balanceo de clases: SMOTE, undersampling, oversampling.

3.4 Proyecto final de preprocesamiento
Dataset sin tratar.
Aplicación completa de limpieza.
Elección de estrategia y justificación.

4. Algoritmos de Machine Learning y Deep Learning
4.1 Aprendizaje supervisado
Regresión lineal y logística.
KNN.
Árboles de decisión y Random Forest.
SVM.

4.2 Aprendizaje no supervisado
K-means.
DBSCAN.
PCA (reducción dimensional).
Clustering jerárquico.

4.3 Aprendizaje por refuerzo (teórico)
Conceptos de agente, entorno, recompensa.
Aplicaciones (juegos, automatización).

5. MLOps
Introducción a la orquestación de proyectos.
CI/CD: GitHub Actions, Azure DevOps, Docker.
Pipelines de entrenamiento y despliegue.

6. Integración de IA con APIs y Cloud
Llamadas a APIs REST con requests.
Conexión a servicios de Azure (Cognitive Services, OpenAI, ML Studio).
Autenticación con tokens y claves.
Ejemplo práctico: consumir un modelo entrenado en Azure desde Python.

7. Modelos en local y arquitecturas modernas
Instalación de LM Studio u otros entornos locales.
Uso de modelos como llama.cpp, ollama, transformers.
Comparación de:

• LLMs vs modelos tradicionales.
• Modelos de lenguaje vs de razonamiento.
• Qué es un embedding.
• Sistemas RAG (retrieval-augmented generation).

8. Seguridad y cumplimiento normativo
Protocolos MEDINT. RGPD (Reglamento General de Protección de Datos).
Preparación de documentos para comités de ética (CEIm, AEMPS). 

9. Implementación de servidores de procesamiento y almacenamiento seguro

• Implementaciones Linux: Red Hat, Oracle, Ubuntu, Debian
• Hipervisores de tipo 1/2  y segmentación del servidor
• Encriptación avanzada: AES256, Servidores VPN, Generación de certificados y RSA, comunicación SSL/TLS, encriptación dinámica 
• Firewall

Módulos de acreditación en campos específicos para garantizar el acceso a la certificación

El certificado de acreditación solo se otorgará a los profesionales que hayan superado todos los contenidos presentes en el temario. 
Por lo que en caso de que un alumno no disponga de un nivel mínimo para acceder a las clases asociadas a ciertos contenidos especializados del temario, se ofrecen módulos formativos que garantizan las habilidades del alumno en una habilidad concreta.

Estos módulos se podrán contratar por separado y se otorgará al acabar un certificado donde se garantiza que el alumno domina ese punto concreto del curso de acreditación Expert-AI.

Los módulos disponibles son:

• Programación completa en Python (1.000€)
• Nociones ampliadas en Medicina y Oncología (500€)
• Nociones ampliadas en aspectos legales, regulación UE, cibercriminología y ciberseguridad (500€)
• Implementación en Servidores seguros, Virtualización y despliegue de aplicaciones securizadas (500€)
• Nociones ampliadas en Algoritmos IA y Supervisión de Datos en Medicina (500€)
• Despliegue de Modelos locales y hardware para IA (500€)
• Implementación de proyectos IA en sanidad: Datos clínicos y Extracción de valor científico, financiación, aspectos legales, costes de desarrollo, CDSS en cribado, derivación, diagnóstico, pronóstico, farmacoterapéutica de medicamentos hospitalarios y gestión hospitalaria.(1.000€)

​

 Módulos disponibles opcionales (Solo necesarios para el certificado Expert-AI Excellence): 

• Estado del arte con análisis profundo de todos los proyectos IA relevantes en biomedicina 500€)*
• Ciberseguridad avanzada y MEDINT en la implementación de proyectos IA sanitarios (500€)*

*Necesarios para la acreditación Expert-AI Excellence

Acredita tu capacidad para dirigir proyectos sanitarios con IA:
Expert-AI Level II - Developer/MEDINT

Total horas: 900 h

Si eres un gestor sanitario o un investigador principal, Expert-AI Excellence te acredita y garantiza que puedes desplegar proyectos avanzados de Inteligencia Artificial dominando todos los campos necesarios para controlar la productividad, eficiencia y los aspectos legales/económicos exigibles para implementar cualquier necesidad en la industria sanitaria/biomédica.

​Para obtener este certificado de excelencia es necesario además obtener como mínimo Expert-AI haber cursado todos los módulos opcionales que especializan en gestión y desarrollo de proyectos reales en la industria sanitaria.

1. Marco Regulatorio Internacional
1.1 UE
GDPR 
EU AI Act (categorización de riesgo, requisitos para sistemas médicos "High-Risk").
MDR/IVDR (validación clínica de software como dispositivo médico).
Certificaciones CE para algoritmos diagnósticos.

1.2 EEUU
FDA Framework (SaMD: Software as a Medical Device, pre-market submissions: 510(k), De Novo).
HIPAA (protección de datos de salud, Business Associate Agreements).
FTC Guidelines para IA (transparencia, no discriminación).

1.3 Armonización UE-EEUU
Convergencia MDR/FDA.
Mecanismos de transferencia internacional de datos (EU-US Data Privacy Framework).

2. Gobernanza y Ética en IA Sanitaria
2.1 Auditorías de algoritmos (Algorithmic Impact Assessments).
2.2 Mitigación de sesgos según estándares NIST AI RMF y EU ALTAI.
2.3 Comités de Ética (protocolos para CEIm/AEMPS en UE, IRB/FDA en EEUU).
2.4 Explainable AI (XAI) para modelos clínicos (cumplimiento UE AI Act Art. 13).

3. Gestión Económica y Financiación
3.1 Modelos de negocio para IA en salud:

• Value-Based Healthcare (pago por resultados).
• ROI en proyectos de IA (reducción de costes, optimización de recursos).

3.2 Financiación pública/privada:

• UE: Horizon Europe, fondos EDHF.
• EEUU: NIH grants, SBIR/STTR programs.

  
3.3 Financiación Privada y Estrategias de Capital

​3.3.1 Tipologías de Inversores en HealthTech

• Capital Riesgo (VC):
  • Early-stage (Seed/Series A): fondos especializados en HealthTech (Andreessen Horowitz Bio + Health, RA Capital).
  • Growth-stage (Series B/C+): fondos con capacidad para rondas >$50M (OrbiMed, Sofinnova).
• Corporate Venture Capital (CVC):
  • Inversiones estratégicas de farmacéuticas (ej: Merck Global Health Innovation Fund, Novartis Venture Fund).
• Fondos Soberanos:
  • Actores globales (Mubadala (EAU)/biotecnología, Public Investment Fund (Arabia Saudita) /infraestructura sanitaria).
  • Ventaja estratégica: acceso a mercados emergentes y escalamiento geopolítico.

3.3.2 Preparación para la Inversión

• Due Diligence Técnico-Regulatoria:
  • Documentación imprescindible: CE/FDA pre-submissions, resultados de validación clínica, planes de cumplimiento GDPR/HIPAA.
  • Killer fact: descartes por parte de inversores de proyectos sin regulatory pathway definido.
• Valoración de Startups de IA Médica:
  • Métricas clave: TRL (Technology Readiness Level), volumen de datos anonimizados, acuerdos con hospitales.
  • Valuation basado en potencial mercado: algoritmo diagnóstico 

3.3.3 Negociación y Estructuración de Acuerdos

• Cláusulas Clave en Term Sheets:
  • Liquidation preferences
  • IP Protection: propiedad de algoritmos entrenados con datos hospitalarios.
  • Exit strategies: adquisición por Big Tech (Google Health) vs. IPO (ej: PathAI).
• Riesgos Específicos:
  • Dilución en rondas sucesivas vs. necesidad de capital para ensayos clínicos.
  • Alignment con fondos soberanos: exigencias de localización de datos/infraestructura.

3.3.4 Casos de Estudio (UE/EEUU)
Éxito vs Fracaso: modelo FL federado compatible con GDPR vs ): dificultades en escalado por requisitos MDR/FDA simultáneos → adquisición por conglomerado.
Owkin (Francia/EEUU) -incluyendo Sanofi Ventures vs Arterys (imagen médica)

3.3.5 Workshop Práctico
Simulación de Pitch a VC/SoF:

• Data Room virtual: documentos regulatorios, estudios de sesgo algorítmico.
• Financial Model: CAPEX en infraestructura HL7 FHIR vs. ROI por paciente.

3.3.6 Elementos Transversales Imprescindibles

• Regulación vs. Inversión:
  • Afectación del EU AI Act  a las valoraciones (ampliación de presupuesto en  "High-Risk" apps para compliance).
  • Ventajas EEUU: FDA Breakthrough Device Designation atrae VC
• Conexión Geopolítica:
  • Fondos soberanos QIA (Qatar) /Temasek (Singapur): exigencias data localization y joint ventures con sistemas sanitarios locales.
• Ética como Asset
  • Inversores ESG (BlackRock)  y priorización de proyectos con Ethical AI Governance Certificates (certificación IEEE 7000).

3.4 Propiedad intelectual

• Patentes de algoritmos en UE (EPO) y EEUU (USPTO).
• Protección de datasets y conocimiento generado por Inteligencia Artificial

4. Operacionalización y Escalabilidad
4.1 DevOps/MLOps para entornos regulados:

• Pipelines reproducibles (DVC, MLflow) con trazabilidad audit-friendly.
• Monitoreo continuo de modelos (model drift, fairness metrics).

4.2 Cloud híbrida y soberana:

• AWS HealthLake/Azure HITRUST para datos sensibles.
• Cumplimiento HITRUST CSF (EEUU) y C5 (UE).

4.3 Interoperabilidad:

• HL7 FHIR para integración con EHRs (Epic, Cerner).
• Estándares ISO 27001/ISO 13485.

5. Gestión de Riesgos y Cumplimiento Continuo
5.1 Análisis de impacto clínico (Clinical Risk Management ISO 14971).
5.2 Planes de Cybersecurity (ataques a modelos, ransomware en entornos hospitalarios).
5.3 Auditorías post-mercado (vigilancia según UE MDR Art. 83/FDA Post-Market Surveillance).

6. Liderazgo y Ecosistema Global
6.1 Stakeholder management:

• Comunicación con agencias reguladoras (EMA, FDA).
• Engagement con pacientes (consentimientos dinámicos para IA).

6.2 Análisis de éxito vs fracaso UE/EEUU:

• Deploy de IA en hospitales (modelo radiológico validado bajo FDA Breakthrough Device).
• Sesgos raciales en algoritmos de triaje

6.3 Matching con proyectos reales

• Simulación de un despliegue real
  • Diseño de un plan integral (regulatorio, técnico, económico) para un modelo de IA en un escenario clínico.
  • Validación con mentores .
  • Pitch para inversores (financiación simulada)