Modalidad: A distancia.

Objetivo General

Al finalizar el diplomado, el participante desarrollará aplicaciones de aprendizaje automático usando algoritmos de aprendizaje máquina y redes neuronales profundas utilizando las herramientas de software de código abierto más actuales.

Objetivos específicos

El participante:

• Utilizará las herramientas de código abierto más usadas en la industria para el desarrollo de aplicaciones de aprendizaje automático como Python, Pytorch, Keras, Pandas, Scikit-Learn, Altair y Google Colab.
• Desarrollará aplicaciones sobre problema reales como la valuación de bienes raíces, restauración, segmentación y detección de objetos en imágenes y la programación de chatbots, mediante el uso de algoritmos de regresión y clasificación clásicos de aprendizaje máquina y redes neuronales profundas como YOLO, StyleGAN3 y GPT-3.
• Desarrollará aplicaciones de agrupamiento de datos para segregación de clientes, análisis de sentimientos, y minería de datos en redes sociales, usando algoritmos k-medias, mapas auto-organizados, agrupamientos espectral y t-SNE.
• Desarrollará aplicaciones basadas en agentes inteligentes para la optimización de toma de decisiones en secuencia, el ranking de productos de tiendas en línea y la implementación de videojuegos.
• Entrenará redes neuronales profundas usando la metodología estándar de la industria.
• Utilizará la transferencia de aprendizaje para afinar redes neuronales profundas para aplicaciones de visión computacional y procesamiento de lenguaje natural.
• Conocerá el panorama presente y futuro del aprendizaje automático y la inteligencia artificial.

Dirigido a

Ingenieros de software, ciencias de la computación, líderes de proyecto, gerentes de informática, profesores, emprendedores, empresarios y cualquier profesionista que tenga interés por desarrollar aplicaciones de aprendizaje automático.

Requisitos

El participante deberá utilizar herramientas de código abierto para el desarrollo de aplicaciones de aprendizaje automático, por ejemplo: ambientes de programación (Jupyter notebook y Google Colab), análisis y manipulación de bases de datos, visualización estadística, procesamiento de imágenes, por mencionar algunas. En caso de no contar con ello, se recomienda participar en los cursos "Introducción al aprendizaje automático con Python" y/o “Introducción a la visión computacional con Python”.

Esquema Curricular

Calendarización y Costo

Consultar Educación Continua: Oferta Educativa | Primer Semestre 2024.pdf

Contenido por módulo

Módulo 1. Algoritmos y aplicaciones de aprendizaje supervisado.

1. Clasificación
   • K-vecinos más cercanos.
   • Árboles de decisión.
   • Bosque aleatorio.
   • Refuerzo de gradientes extremo (XGBoost).
   • Naïve Bayes.
   • Máquinas de soporte vectorial.
   • Redes neuronales multicapa.
2. Regresión
   • Regresión lineal.
   • Regresión logística.
   • Redes neuronales multicapa.

Módulo 2. Algoritmos y aplicaciones de aprendizaje no supervisado.

1. Algoritmo de K-medias
2. Mezcla de modelos Gaussianos (GMM)
3. Mapas auto-organizados y topográficos (SOM y GTM)
4. Reducción de la Dimensionalidad
5. Análisis de Componentes Principales (PCA)
6. Algoritmo t-SNE

Módulo 3. Algoritmos de aprendizaje profundo para visión computacional.

1. Introducción a las redes neuronales profundas
2. Red neuronal convolucional
3. Transferencia de aprendizaje
4. Redes neuronales adversarias generativas

Módulo 4. Algoritmos de aprendizaje profundo para procesamiento de lenguaje natural.

1. Red neuronal recurrente
2. Red neuronal transformer
3. Modelos de lenguaje grandes
4. Mejoramiento de modelos de lenguaje grandes usando RAG

Módulo 5. Algoritmos y aplicaciones de aprendizaje por refuerzo.

1. Introducción a programación dinámica
2. Algoritmo de iteración de valor
3. Algoritmo Q-learning
4. Aprendizaje por refuerzo profundo
5. Presente y futuro del aprendizaje automático y la inteligencia artificial

Registro de Candidatos

Completar el formulario de registro.(https://forms.gle/wKmPnoWm2vnqw6z48).

Informes