Plan de estudios

Este curso presenta los fundamentos de la teoría del aprendizaje estadístico y su aplicación práctica en el contexto del aprendizaje profundo (deep learning) basado en redes neuronales profundas feed-forward.

Contenido

1. Repaso de probabilidad y modelos estadísticos. Máxima verosimilitud.
2. Aprendizaje estadístico. Función de pérdida. Minimización del riesgo empírico.
3. Redes neuronales feed-forward. Descenso del gradiente estocástico. Back propagation.
4. Descomposición del error. Validación y selección de modelos. Regularización.
5. Aplicaciones en python.

Este curso desarrolla la teoría y las herramientas para el almacenamiento de grandes volúmenes de datos en el contexto de soluciones basadas en big data e inteligencia artificial.

Contenido

1. Bases de datos NoSQL.
2. Bases de datos orientadas a grafos.
3. Bases de datos documentales.
4. Bases de datos vectoriales.

Esta materia presenta modelos predictivos avanzados de redes neuronales profundas, los algoritmos de optimización utilizados para su entrenamiento, y sus principales aplicaciones en visión por computadora y procesamiento de lenguaje natural.

Contenido

1. Repaso de redes neuronales multicapa feed-forward y back-propagation.
2. Algoritmos adaptativos y de segundo orden. Optimización.
3. Variables latentes. Autoencoders. Embeddings. PCA en alta dimensión.
4. Redes recurrentes, recursivas, bidireccionales, con memoria.
5. Transformers. Mecanismos de atención.
6. Redes convolucionales. Pooling. Conexiones residuales.
7. Aplicación en procesamiento de lenguaje natural. Clasificación. Word embeddings.
8. Aplicación en visión. Clasificación, segmentación y detección.

En este curso se lleva adelante un proyecto de sistema basado en el uso de modelos predictivos de deep learning desde el planteo hasta su puesta en producción. Se presentan los conceptos centrales que conforman el ciclo de vida y las operaciones de este tipo de proyectos en la industria, con la finalidad de comprender y resolver los desafíos que se presentan al interactuar con una realidad cambiante y cumplir con los requerimientos.

Contenido

1. Ciclo de vida de un proyecto de machine learning
2. Recolección y preparación de los datos
3. Desarrollo de modelos en producción
4. Despliegue
5. Evaluación y calidad.
6. Introducción a MLOps
7. IA responsable.

Este curso es una introducción hands-on a la inteligencia artificial generativa, con aplicaciones a la generación de texto e imágenes y la construcción de agentes conversacionales básicos.

Contenido

1. Conceptos generales y aplicaciones. Consideraciones éticas y desafíos
2. Modelos Gaussianos (GMM). Inferencia bayesiana
3. Modelos autorregresivos
4. Generación de texto. Word embeddings. Modelos de lenguaje
5. Generación de imágenes
6. Agentes conversacionales

Esta materia estudia la teoría y las herramientas para el procesamiento de grandes volúmenes de datos en el contexto de soluciones basadas en big data e inteligencia artificial.

Contenido

1. Sistemas de archivos distribuidos
2. Ecosistema de archivos distribuidos
3. Arquitecturas y patrones de procesamiento distribuido
4. Indexación y Motores de Búsqueda
5. Extracción, ingesta, transformación, carga y visualización

En este curso se lleva adelante un proyecto de sistema basado en el uso de inteligencia artificial generativa desde el planteo hasta su puesta en producción. Se presentan los conceptos centrales que conforman el ciclo de vida y las operaciones de este tipo de proyectos en la industria.

Contenido

1. Planificación de aplicaciones basadas en IA generativa
2. Orquestación del pipeline de IA
3. Evaluación. Optimización
4. IA responsable

Este curso aborda la teoría y la práctica del proceso de concebir, diseñar, construir, desplegar, operar y gobernar soluciones de big data e inteligencia artificial con un enfoque ingenieril, integrando la visión de  negocio con los aspectos técnicos, regulatorios y éticos.

Contenido

1. Ingeniería de Big Data e IA y ciclo de vida integrado
2. Estrategia y descubrimiento de valor
3. Arquitecturas de datos 
4. Analítica y modelado de IA
5. Despliegue e industrialización (DataOps, MLOps, LLMOps) 
6. Operación, monitoreo y evolución
7. Organización, gobierno y regulación