Analista en Inteligencia Artificial

Analista en Inteligencia Artificial te prepara para desarrollar e integrar soluciones basadas en IA. Aprenderás programación, ciencia de datos y Machine Learning, y avanzarás hacia la IA generativa, los modelos de lenguaje, los agentes inteligentes y el desarrollo de aplicaciones, con criterios técnicos y responsables.

Objetivos

Preparar y analizar datos, entrenar y evaluar modelos de IA, desarrollar soluciones con IA generativa y agentes inteligentes, e integrar modelos en aplicaciones aplicando criterios de seguridad, privacidad y uso responsable.

¿Qué aprenderás durante la carrera?

PRIMER AÑO
Programación con Python: adquirirás las bases para desarrollar soluciones y trabajar con datos.

Matemática y estadística aplicada: comprenderás los fundamentos que permiten interpretar datos y resultados de modelos.

Datos para IA: aprenderás a preparar, analizar y visualizar información para obtener resultados confiables.

Machine Learning: trabajarás con modelos capaces de identificar patrones y realizar predicciones.

Implementación de proyectos: integrarás los conocimientos adquiridos para desarrollar, evaluar y presentar proyectos de aprendizaje automático.

SEGUNDO AÑO
Deep Learning y modelos de lenguaje: conocerás redes neuronales y tecnologías para procesar información y lenguaje.

IA generativa: explorarás herramientas para generar contenidos e integrar funciones inteligentes en aplicaciones.

RAG, agentes y automatización: aprenderás cómo conectar modelos con información y herramientas para desarrollar soluciones automatizadas.

Visión artificial e IA multimodal: trabajarás con tecnologías para procesar imágenes y combinar distintos tipos de información.

Despliegue de aplicaciones: conocerás herramientas para integrar modelos en aplicaciones y comprender su puesta en funcionamiento.

Ética y responsabilidad: incorporarás criterios de seguridad, privacidad y uso responsable de la IA.

Temario

PRIMER AÑO
Fundamentos de Programación con Python:
Fundamentos de Python: variables, estructuras, funciones y módulos.
Entornos virtuales, notebooks.
Consumo de APIs y buenas prácticas de programación aplicada a IA.

Matemática y Estadística Aplicada a la IA
Vectores, matrices y operaciones fundamentales.
Media, varianza, desviación, probabilidad y distribuciones.
Correlación, funciones, derivadas y gradiente a nivel aplicado.
Interpretación matemática de algoritmos y métricas.

Datos para Inteligencia Artificial
NumPy, Pandas y SQL.
Limpieza, transformación, calidad y preparación de datos.
Visualización y comunicación de resultados.
Feature engineering e introducción a bases de datos.

Machine Learning
Regresión, clasificación, árboles y métodos ensemble.
Aprendizaje no supervisado: clustering y reducción dimensional.
Entrenamiento, validación, métricas, overfitting y selección de modelos.
Implementación de soluciones con Scikit-learn.

Implementación de Proyectos de Machine Learning
Definición del problema y preparación del conjunto de datos.
Entrenamiento y comparación de modelos.
Evaluación, documentación y presentación de resultados.

Certificación al finalizar: Data Science y Machine Learning

SEGUNDO AÑO
Deep Learning
Redes neuronales, entrenamiento y optimización. TensorFlow y/o PyTorch.
⁠Redes convolucionales, transfer learning y modelos preentrenados.
⁠Atención e introducción conceptual a la arquitectura Transformer.

Procesamiento del Lenguaje Natural (Natural Language Processing, NLP) y LLM
⁠Fundamentos de NLP y representación del lenguaje.
⁠Embeddings, atención y arquitecturas Transformer. Modelos de lenguaje preentrenados y LLM.
⁠Hugging Face, modelos comerciales y open source. Evaluación de modelos y respuestas.

Inteligencia Artificial Generativa
Fundamentos de GenAI y modelos multimodales.
Generación de texto, imagen y otros contenidos.
Function calling, herramientas y salidas estructuradas.
Fine tuning: conceptos, posibilidades y criterios de uso.

RAG, Agentes y Automatización Inteligente
Embeddings, búsqueda semántica y bases vectoriales.
Arquitecturas RAG y recuperación de conocimiento.
Agentes, herramientas, memoria y workflows.
LangChain/LangGraph o tecnologías equivalentes e integración empresarial.

Computer Vision e IA Multimodal
Procesamiento de imágenes con OpenCV.
Clasificación, detección y modelos preentrenados.
Visión + lenguaje y aplicaciones multimodales.

Despliegue de aplicaciones de IA
APIs con FastAPI o tecnología equivalente. Integración de modelos y persistencia de datos.
Docker básico, servicios cloud y despliegue.
Introducción a MLOps: versionado, monitoreo, costos y rendimiento.

Ética y Responsabilidad en Data Science y Artificial Intelligence
Sesgo, privacidad, explicabilidad y protección de datos. Anonimización de datos.
Seguridad en aplicaciones con LLM y prompt injection.
Propiedad intelectual, evaluación de riesgo y uso responsable.
Human-in-the-loop y criterios de gobernanza.

Certificación al finalizar: Analista en Inteligencia Artificial