Inversión	$ 3.200.000
Horarios	Martes, miércoles y jueves 18:00 a 21:00
intensidad	96 horas
Facultad	Escuela de Ingeniería, Ciencia y Tecnología
CONTENIDO DEL PROGRAMA

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.
Entender los conceptos básicos sobre aprendizaje supervisado (regresión y clasificación) y de aprendizaje no supervisado.
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).

Módulo 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

Módulo 2 - Aprendizaje Supervisado Clásico

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

Módulo 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.

Módulo 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

Módulo 5 - Aplicaciones en Visión por Computadora

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

Módulo 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

Módulo 7 - Cierre