Diplomado Inteligencia Artificial

Transformación Digital, Ingeniería de Datos y TIC´S
Remoto
Inicia el 27 de febrero de 2024
96 horas

Inversión	$3.201.000
Horarios	Martes, miércoles y jueves 18:00 a 21:00
duración	11 semanas
intensidad	96 horas
Facultad	Escuela de Ingeniería, Ciencia y Tecnología

Objetivo

Introducir diferentes herramientas de la inteligencia artificial, con un mayor énfasis en técnicas de aprendizaje automático de máquinas y sus aplicaciones.

Dirigido a

Dirigido a profesionales que deseen aprender sobre herramientas de inteligencia artificial y sus aplicaciones, específicamente interesados en herramientas de aprendizaje automático de máquinas, se requiere un conocimiento básico de estadística y tener familiaridad con algún lenguaje de programación.

Entender los conceptos detrás de los sistemas expertos.
Comprender los modelos de lógica difusa y sus aplicaciones.
Implementar redes neuronales clásicas.
Entender e implementar las redes neuronales convolucionales (CNN) para clasificación de imágenes.
Comprender el concepto de la transferencia de aprendizaje y aplicarlo en aplicaciones reales de clasificación o regresión usando redes neuronales profundas.
Entender e implementar las redes neuronales recurrentes (RNN) y utilizarlas para solucionar problemas de secuencias, cómo series temporales o procesamiento de lenguaje natural (NLP).

1. Introducción

- Introducción a la inteligencia artificial
- Manejo de variables básicas en Python
- Funciones, y estructuras de control
- Pandas, matplotlib, seaborn, colab
- Introducción a Sckit-Learn y Numpy
- Taller
- Regresión lineal

2. Aprendizaje Supervisado Clásico

- Gradiente descendiente
- Regresión logística
- Evaluación de modelos de regresión y clasificación
- Arboles de decisión

3. Redes Neuronales Clásicas

- Perceptron, neurona logística,
- Redes feedforward: arquitectura, funciones de activación, regresión, clasificación.
- Entrenamiento: gradiente descendiente, Back-propagation, generalización
- Selección de modelos. Validación cruzada.
- Taller.

4. Aprendizaje Profundo

- Introducción al aprendizaje profundo. Diferencias con el aprendizaje de máquinas clásico.
- Stride, padding
- Pooling layer
- dropout layer
- Data argumentation
- Arquitecturas profundas y Transferencia de aprendizaje
- Redes preentrenadas

5. Aplicaciones en Visión Por Computadora

- Redes convolucionales
- Herramientas de procesamiento de imágenes
- Que es la visión por computadora
- Clasificación y localización
- Detección de objetos
- YOLO
- Segmentación semántica
- SegNet, UNet
- Mask R-CNN

6. Procesamiento de Lenguaje Natural

- Introducción al procesamiento de lenguaje natural
- Embeddings
- RNN y LSTM
- Sistemas de generación automática de texto, traducción, clasificación de documentos. Ots
- Modelos lingüísticos avanzados (LLM) ChatGPT, Bard y otros
- Modelos lingüísticos avanzados (LLM) ChatGPT, Bard y otros

7. Cierre

- Creación de modelos predictivos empleando modelos lingüísticos avanzados