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

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 el uso de herramientas informáticas existentes. 

Contenido: 

1. Introducción. Características. Regresión de series de tiempo y análisis exploratorio
2. Modelos ARIMA (Autoregressive Integrated Moving Average). Predicción. Estimación 
3. Análisis espectral. Estimación. Filtros. Modelos de regresión con retardos.
4. GARCH (Generalized Autoregressive Conditional Heterogeneity)
5. Modelos de funciones de transferencia. Vector Autoregressive (VAR). Cointegración
6. Modelos de espacios de estados. Estimación. Predicción.
7. Métodos estadísticos en el dominio de frecuencia. Clustering. Componente principal

El trabajo final tiene una duración de 6 meses y comprende la realización de un proyecto o tesis de investigación aplicada o de innovación científico-técnica en el área de aplicación del máster, poniendo en práctica los conocimientos y habilidades adquiridas.

El trabajo final puede ser individual o grupal. Los estudiantes deberán presentar una propuesta de plan de trabajo al coordinador académico, quién evaluará el cumplimiento de los requisitos mencionados, además de su viabilidad.