Diploma de Especialización en Inteligencia Artificial

Plan de estudios

El plan de estudios pone énfasis en reinforcement learning y deep learning, pilares fundamentales de la inteligencia artificial moderna.

Requisitos para la obtención del título

Para obtener el título de Diploma de Especialización en Inteligencia Artificial se requiere:

Aprobar un mínimo de 6 asignaturas del plan de estudios

Asignaturas

Agentes inteligentes

Esta materia presenta una introducción al problema de desarrollar agentes inteligentes que interactúan a lo largo del tiempo 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 de Markov 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.
Sistemas multiagente

Esta materia aborda la problemática del aprendizaje por refuerzos para sistemas con múltiples agentes.
Taller de inteligencia artificial

El objetivo de este taller aplicar los conocimientos adquiridos en casos de estudio prácticos. Se utilizarán herramientas basadas en Python, en particular OpenAI.
Taller de deep learning

El objetivo de este taller es experimentar con herramientas de deep learning para resolver problemas de procesamiento de lenguaje natural, reconocimiento de patrones en imágenes, diagnóstico médico, detección de spam, etc. Se utilizarán herramientas basadas en Python.
Técnicas de machine learning para análisis de datos

El aprendizaje automático (machine learning) es un área de muy rápido crecimiento y gran actualidad que se ubica en la intersección de las ciencias de la computación y la estadística.

Es la piedra fundamental de los motores de búsqueda, los filtros colaborativos usados para recomendación personalizada, la traducción automática, el reconocimiento de voz y de imágenes, etc.

Esta materia presenta los elementos fundamentales que constituyen el cuerpo teórico-práctico esencial de las técnicas de aprendizaje automático.

En particular, el curso cubre los diferentes enfoques y algoritmos básicos de aprendizaje supervisado y no supervisado, así como su utilización práctica para el análisis predictivo de grandes volúmenes de datos.
Deep learning para grandes volúmenes de datos

Uno de los problemas fundamentales en aprendizaje automático es la representación del conocimiento. Las técnicas y modelos de aprendizaje profundo constituyen un paradigma cuyo factor central es la representación de modelos complejos mediante la composición de representaciones más simples.

Esta materia presenta los modelos fundamentales de aprendizaje profundo, en particular, diferentes tipos de redes neuronales artificiales (multicapa, convolucionales, recurrentes, etc.), así como una metodología de aplicación práctica, basada en herramientas como TensorFlow.
Optimización aplicada al aprendizaje automático

Las formulaciones y métodos de optimización están demostrando ser de vital importancia en el diseño de algoritmos de aprendizaje automático para extraer conocimiento en grandes volúmenes de datos.

El aprendizaje automático, sin embargo, no es simplemente un consumidor de tecnología de optimización, sino un campo en rápida evolución que es en sí mismo generador de nuevas ideas y técnicas de optimización.

Este curso desarrolla los métodos de optimización esenciales en aprendizaje automático para el análisis de datos.
Análisis predictivo de series temporales

Los datos en forma de series de tiempo surgen en diversas áreas, como la economía, las ciencias sociales, etc. El creciente interés en el análisis de series de tiempo en los últimos años es consecuencia de su amplia aplicabilidad como herramienta para el modelado de sistemas dinámicos y la predicción y el control del comportamiento de dichos sistemas.

Este curso está destinado a presentar los modelos básicos, métodos y conceptos de análisis de series temporales. La presentación será equilibrada entre teoría y práctica. Se pondrá énfasis en el desarrollo y evaluación de modelos y pronósticos en aplicaciones prácticas a través de casos de estudio y en el uso de herramientas informáticas existentes.

Las asignaturas deben considerarse todas como electivas. Por ende, el plan de estudios podrá variar con el tiempo acompañando la evolución de los conocimientos en inteligencia artificial, mediante la incorporación de asignaturas electivas adicionales.

Los cursos aprobados del plan de estudios del Diploma son reconocidos para la realización del Máster en Big Data y dan créditos para el Master en Ingeniería (por Investigación).