Plan de estudios

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 Márkov 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.

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

El objetivo de este curso es presentar los fundamentos teóricos del aprendizaje estadístico (o statistical learning theory) y los paradigmas algorítmicos que se derivan de estos. Mediante un enfoque teórico-práctico se guía al estudiante en el desarrollo de sistemas de inteligencia artificial con el fin de resolver problemas mediante aprendizaje automático (o machine learning) en diferentes áreas de aplicación.

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, enfocándose principalmente en los aspectos teóricos de estos modelos.

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.

Este curso es una introducción al campo de la inteligencia artificial orientada al desarrollo y aplicación de algoritmos y modelos que tienen la capacidad de generar contenidos de forma autónoma.

La materia se basa en una metodología hands-on que motiva a explorar diversas técnicas y enfoques utilizados en la IA generativa, proporcionando una base sólida para comprender y aplicar estos conceptos en proyectos de la vida real.

Los estudiantes completan su formación seleccionando tres asignaturas electivas para profundizar y expandir sus conocimientos técnicos en diversos aspectos del desarrollo y la aplicación responsable de sistemas de inteligencia artificial.

Las electivas pueden ser:

• Optimización aplicada al aprendizaje automático
• Sistemas multiagente
• Análisis predictivo de series temporales
• Machine learning en producción
• Inteligencia artificial responsable

Las materias evolucionarán en el tiempo conformemente a los avances científicos y tecnológicos en inteligencia artificial. Teniendo en cuenta que se trata de un área muy dinámica, la Coordinación Académica, junto al equipo docente, realizará una activa vigilancia científico-tecnológica con el objetivo de garantizar la actualización del plan de estudios con respecto al estado del arte.

Los estudiantes completan su formación seleccionando tres asignaturas electivas para profundizar y expandir sus conocimientos técnicos en diversos aspectos del desarrollo y la aplicación responsable de sistemas de inteligencia artificial.

Las electivas pueden ser:

• Optimización aplicada al aprendizaje automático
• Sistemas multiagente
• Análisis predictivo de series temporales
• Machine learning en producción
• Inteligencia artificial responsable

Las materias evolucionarán en el tiempo conformemente a los avances científicos y tecnológicos en inteligencia artificial. Teniendo en cuenta que se trata de un área muy dinámica, la Coordinación Académica, junto al equipo docente, realizará una activa vigilancia científico-tecnológica con el objetivo de garantizar la actualización del plan de estudios con respecto al estado del arte.

Los estudiantes completan su formación seleccionando tres asignaturas electivas para profundizar y expandir sus conocimientos técnicos en diversos aspectos del desarrollo y la aplicación responsable de sistemas de inteligencia artificial.

Las electivas pueden ser:

• Optimización aplicada al aprendizaje automático
• Sistemas multiagente
• Análisis predictivo de series temporales
• Machine learning en producción
• Inteligencia artificial responsable

Las materias evolucionarán en el tiempo conformemente a los avances científicos y tecnológicos en inteligencia artificial. Teniendo en cuenta que se trata de un área muy dinámica, la Coordinación Académica, junto al equipo docente, realizará una activa vigilancia científico-tecnológica con el objetivo de garantizar la actualización del plan de estudios con respecto al estado del arte.

El Trabajo final comprende la realización de un proyecto o tesis de investigación aplicada o de innovación científico-técnica en el área de aplicación del Master, poniendo en práctica los conocimientos y habilidades adquiridas.