Inteligencia Artificial

Nivelación intensiva para quienes inician: fundamentos de Python, manejo de datos (NumPy) y pilares matemáticos (álgebra lineal, cálculo y probabilidad) orientados a su uso en modelos de IA.

• Primeros pasos en Python y Google Colab/VS Code.
• Persistencia de datos y funciones.
• Matemáticas para IA aplicadas a casos simples.

Panorama de la IA: tipos, ciclo de vida de proyectos y consideraciones (sesgos, privacidad y transparencia). Exploración de datasets abiertos y preparación del entorno.

• Historia y tipologías de la IA (simbólica, conexionista y generativa).
• Ciclo de vida: problema, datos, modelado, evaluación y despliegue.
• Laboratorio aplicado.

Aprende a construir pipelines de ML con buenas prácticas de validación y métricas adecuadas para cada tarea.

• Preprocesamiento: limpieza, imputación, normalización y validación cruzada.
• Modelos supervisados: regresión, clasificación (árboles, RF, boosting).
• No supervisados: clustering (k-means, jerárquico) y reducción de dimensionalidad (PCA).
• Ingeniería de características y selección de variables.
• Laboratorio aplicado.

Construye redes neuronales con TensorFlow/Keras y aplica transferencia de aprendizaje para imágenes y texto.

• Fundamentos de redes neuronales y técnicas de regularización/optimización.
• CNN para visión por computador.
• Representaciones para texto y modelos RNN/GRU/LSTM.
• Laboratorio aplicado.

Conecta la teoría con la práctica mediante un proyecto integrador; explora LLMs, prompting responsable y agentes de IA.

• Casos de uso en negocios, salud y educación.
• Modelos generativos: Transformers y principios de prompting.
• Agentes de IA y prototipado.
• Laboratorio aplicado.