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.

Esta materia presenta una introducción al problema de desarrollar agentes inteligentes que interactúan con un entorno, percibido de manera aproximada.

Estos deben aprender a tomar acciones que modifican el ambiente guiados por una función de utilidad a maximizar. Se estudian los fundamentos del aprendizaje por refuerzos como enfoque computacional para resolver el problema planteado. Se utiliza el marco formal de los procesos de decisión deMarkov para definir la interacción entre un agente y su entorno en términos de estados, acciones y recompensas. Este marco permite modelar relaciones de causa y efecto, la incertidumbre y el no determinismo, y utilidades numéricas explícitas.

Contenido

1. Introducción a sistemas inteligentes
2. MDP. Policy evaluation. Policy Improvement. Policy iteration. Value iteration 
3. Monte Carlo. On-policy. Métodos de Diferencias Temporales. Q-learning
4. Métodos aproximados. Deep Q-learning. Policy gradient 
5. Aplicaciones

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

Este curso estudia los fundamentos probabilísticos y los algoritmos de aprendizaje para modelos generativos profundos que permiten el modelado escalable de datos complejos de alta dimensión, en particular imágenes y texto. Se abordan también áreas de aplicación práctica, como visión por computadora y procesamiento de lenguaje natural.

Contenido

1. Repaso de modelos autorregresivos. Masked models
2. Modelos generativos híbridos 
3. Energy-based models 
4. Generative Adversarial Networks (GAN) 
5. Aplicaciones. Generación de texto e imágeneS

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 desarrollo de software basado en inteligencia artificial generativa.

Contenido

1. Introducción a la ingeniería de IA 
2. Modelos fundacionales. Grandes modelos de lenguaje (LLM). Arquitectura. Post-training
3. Evaluación de LLM. Métricas. Criterios. Metodología
4. Ingeniería de prompts. Prácticas. Extractabilidad. Privacidad. Ataques y defensas 
5. Retrieval augmented generation (RAG). Fine-tuning. Optimización de modelos 
6. Arquitectura. Agentes. Orquestación. Monitoreo. Observabilidad
7. Aplicaciones