DIPLOMATURA EN INTELIGENCIA ARTIFICIAL

Diplomatura en Inteligencia Artificial Aplicada

Estructura del Programa

Fundamentos de la Inteligencia Artificial y Herramientas Esenciales

• 1.1. Introducción a la Inteligencia Artificial:
• Tipos de IA: IA Débil (ANI), IA Fuerte (AGI), Superinteligencia.
• Subcampos de la IA: Machine Learning, Deep Learning, PLN, Visión por Computadora.
• El ciclo de vida de un proyecto de IA.
• 1.2. Ecosistema de Python para Ciencia de Datos:
• Introducción y configuración del entorno (Jupyter, VS Code, Google Colab).
• NumPy: Computación numérica y operaciones vectoriales.
• Pandas: Manipulación, limpieza y análisis de datos tabulares (DataFrames).
• Matplotlib y Seaborn: Visualización de datos y análisis exploratorio (EDA).

Machine Learning: Modelos Predictivos y de Agrupamiento

• 2.1. Aprendizaje Supervisado:
• Regresión: Lineal, Polinomial, Ridge, Lasso.
• Clasificación: Regresión Logística, K-Vecinos más Cercanos (KNN), Máquinas de Soporte Vectorial (SVM), Árboles de Decisión.
• Modelos de Ensamblaje: Bagging (Random Forest) y Boosting (Gradient Boosting, XGBoost, LightGBM).
• 2.2. Aprendizaje No Supervisado:
• Clustering: K-Means, DBSCAN, Agrupamiento Jerárquico.
• Reducción de Dimensionalidad: Análisis de Componentes Principales (PCA).
• 2.3. Buenas Prácticas y Evaluación de Modelos:
• Ingeniería de Características (Feature Engineering).
• Métricas de evaluación: Accuracy, Precision, Recall, F1-Score, ROC-AUC (Clasificación); MSE, MAE, R² (Regresión).
• Validación Cruzada (Cross-Validation).
• Diagnóstico y solución de Overfitting y Underfitting (sesgo-varianza).

Deep Learning y Redes Neuronales: La Revolución del Aprendizaje Profundo

• 3.1. Introducción a las Redes Neuronales:
• Del Perceptrón a las Redes Neuronales Multicapa (MLP).
• Funciones de activación (Sigmoid, Tanh, ReLU).
• Algoritmo de Backpropagation y Descenso del Gradiente.
• Frameworks de Deep Learning: TensorFlow y Keras / PyTorch.
• 3.2. Redes Neuronales Convolucionales (CNN) para Visión por Computadora:
• Arquitectura: Capas convolucionales, pooling, capas fully-connected.
• Aplicaciones: Clasificación de imágenes, detección de objetos.
• Transfer Learning y uso de modelos pre-entrenados (VGG, ResNet, EfficientNet).
• 3.3. Redes Neuronales Recurrentes (RNN) para Datos Secuenciales:
• El problema de la "memoria" en las redes.
• Arquitecturas avanzadas: LSTM (Long Short-Term Memory) y GRU (Gated Recurrent Unit).
• Aplicaciones: Análisis de series temporales, clasificación de texto, análisis de sentimiento.

Especialización en IA: PLN, IA Generativa y Modelos Transformer

• 4.1. Procesamiento del Lenguaje Natural (PLN) Moderno:
• Técnicas de pre-procesamiento de texto.
• Vectorización de texto: De TF-IDF a Word Embeddings (Word2Vec, GloVe).
• 4.2. La Arquitectura Transformer y el Mecanismo de Atención:
• Limitaciones de las RNNs y la solución de la atención.
• Anatomía de un Transformer: Self-Attention, Multi-Head Attention.
• 4.3. Grandes Modelos de Lenguaje (LLMs) e IA Generativa:
• Modelos como BERT, GPT-3/4, LLaMA.
• Prompt Engineering: Cómo interactuar eficazmente con LLMs.
• Fine-tuning: Adaptación de modelos pre-entrenados a tareas específicas.
• Introducción a la IA Generativa de imágenes: GANs y Modelos de Difusión (DALL-E, Midjourney, Stable Diffusion).

IA en Producción: MLOps, Despliegue y Escalado de Modelos

• 5.1. Introducción a MLOps (Machine Learning Operations):
• Diferencias entre el ciclo de vida del software tradicional y el de ML.
• Principios y cultura de MLOps.
• 5.2. Herramientas y Componentes Clave:
• Control de versiones de código y datos (Git, DVC).
• Contenerización con Docker: Empaquetando modelos para un despliegue consistente.
• Orquestación y automatización de pipelines (CI/CD para ML) con herramientas como GitHub Actions.
• 5.3. Estrategias de Despliegue de Modelos:
• Como API REST (usando Flask o FastAPI).
• Despliegue en la nube (visión general de AWS SageMaker, Google AI Platform, Azure ML).
• Despliegue serverless.
• 5.4. Monitorización y Mantenimiento:
• Detección de "model drift" y "data drift".
• Estrategias de re-entrenamiento.
• Logging y monitorización del rendimiento en producción.

Ética, Gobernanza y Futuro de la IA

• 6.1. Ética y Responsabilidad en la IA:
• Sesgos (bias) en datos y algoritmos: Fuentes, detección y mitigación.
• Justicia (Fairness), Transparencia y Rendición de Cuentas (Accountability).
• Privacidad y seguridad de los datos.
• 6.2. Interpretabilidad y Explicabilidad (XAI - Explainable AI):
• La necesidad de "abrir la caja negra".
• Técnicas y herramientas: LIME, SHAP.
• 6.3. Gobernanza y Regulación:
• Panorámica de regulaciones actuales y futuras (ej. AI Act de la UE).
• Marcos de trabajo para una IA responsable.
• 6.4. Tendencias y Futuro de la IA:
• IA Multimodal, Agentes Autónomos, Computación Cuántica y ML.