Objetivo General

Desarrollar competencias avanzadas en el diseño, implementación y gestión de soluciones basadas en inteligencia artificial, mediante el dominio de técnicas de machine learning, deep learning, procesamiento de lenguaje natural y su aplicación práctica en proyectos empresariales e industriales.

Descargar Ficha PDF Cotizar

Objetivos Específicos

         Comprender los fundamentos y arquitecturas que sustentan la inteligencia artificial moderna.
         Diseñar e implementar modelos de machine learning supervisados y no supervisados.
         Desarrollar e integrar soluciones de deep learning para visión artificial y NLP.
         Gestionar proyectos de inteligencia artificial considerando aspectos éticos y de negocio.

MÓDULO 1: Fundamentos de Inteligencia Artificial y Machine Learning

        Aprendizaje Esperado: El participante comprenderá los conceptos básicos, tipos y algoritmos fundamentales del machine learning, y será capaz de crear un primer modelo predictivo simple.
        -Tipos de aprendizaje: supervisado, no supervisado y por refuerzo.
        -Algoritmos clásicos: regresión lineal, logística, clustering (k-means).
        -Evaluación y validación de modelos (overfitting, cross-validation).
        -Herramientas y entornos (Python, Scikit-learn, Jupyter).
        Actividad practica: Construir un modelo de regresión lineal con Scikit-learn para predecir el precio de viviendas utilizando un dataset abierto (por ejemplo, Boston Housing), evaluando el modelo con métricas R² y MAE.

MÓDULO 2: Deep Learning y Redes Neuronales

        Aprendizaje Esperado: El participante desarrollará habilidades para implementar redes neuronales profundas, aplicarlas a problemas prácticos de clasificación e interpretar su desempeño.
        -Arquitectura y funcionamiento de redes neuronales artificiales.
        -Frameworks: TensorFlow y Keras.
        -Diseño y entrenamiento de redes multicapa (MLP).
        -Introducción a redes convolucionales (CNN) para visión.
        -Regularización y optimización (dropout, learning rate schedules).
        Actividad practica: Crear una red neuronal con Keras para clasificar dígitos del dataset MNIST, explorando distintas arquitecturas y técnicas de regularización.

MÓDULO 3: Procesamiento de Lenguaje Natural (NLP)

        Aprendizaje Esperado: El participante podrá aplicar técnicas de procesamiento de texto y construir modelos predictivos para clasificación de documentos o análisis de sentimientos.
        -Introducción al NLP y procesamiento de texto.
        -Tokenización, lematización y limpieza de datos.
        -Modelos de representación: Bag of Words, TF-IDF y word embeddings.
        -Redes recurrentes (RNN, LSTM) para secuencias.
        -Uso de modelos preentrenados (BERT, GPT).
        Actividad practica: Desarrollar un clasificador de sentimiento en Python usando scikit-learn y probar un modelo LSTM en Keras para un dataset de reseñas de películas.

MÓDULO 4: Implementación y Gestión de Proyectos de IA

        Aprendizaje Esperado: El participante comprenderá cómo planificar, implementar y monitorear proyectos de IA con criterios éticos, técnicos y de negocio.
        -Ciclo de vida de un proyecto de IA.
        -Integración de modelos en sistemas productivos (API, microservicios).
        -Interpretabilidad y explicabilidad (SHAP, LIME).
        -Aspectos éticos y regulatorios en IA.
        -Gestión de casos de negocio y ROI.
        Actividad practica: Planificar un proyecto integral: desde el problema hasta el prototipo, definiendo el caso de negocio, métricas de éxito y los riesgos éticos, y entregar una breve presentación del proyecto.
        Evaluación final.