Especialista en Inteligencia Artificial

Streaming 2 años

---

Especialista en Inteligencia Artificial (IA) es una carrera de 2 años que ofrece una mirada profunda en los principios teóricos y aplicados de la IA. Diseñado para aquellos que desean ser pioneros en el desarrollo y la implementación de soluciones avanzadas y sostenibles basadas en IA.
El primer año de este programa, está dedicado a proporcionar una base sólida a través de los principios de Data Science y Machine Learning. A medida que los estudiantes progresan hacia el segundo año, realizarán un análisis más avanzado de las complejidades de la IA, desarrollando competencias especializadas y conocimientos profundos para enfrentar los desafíos y oportunidades de la era digital.

Objetivos

Adquirir un conocimiento profundo de los principios teóricos y prácticos de Data Science y Machine Learning, sentando las bases para la comprensión avanzada de los sistemas de inteligencia artificial.

Explorar y dominar técnicas avanzadas de modelado de datos y análisis predictivo para identificar patrones y tendencias clave en conjuntos de datos complejos.

Desarrollar la capacidad de diseñar e implementar soluciones de inteligencia artificial eficientes y escalables que se adapten a las necesidades específicas de diversas industrias y sectores.

Temario

1° Año
Fundamentos de Programación con Python:
Conceptos básicos de programación con Python.
Variables, estructuras de datos, bucles y funciones.

Algebra Lineal
Conceptos básicos de álgebra lineal como vectores, matrices y normas.

Estadística y Probabilidad:
Conceptos básicos de estadística como media, mediana, desviación estándar y distribuciones de probabilidad. Aprender a analizar datos utilizando técnicas estadísticas.

Análisis de Datos:
Introducción al Análisis de Datos.
Calidad de Datos.
Importar, limpiar y manipular datos.
Visualizaciones de datos.
Bibliotecas de Python para análisis de datos: NumPy, Pandas.
Bibliotecas de Python para visualizaciones: Matplotlib, Seaborn.

Data Science:
Introducción a Data Science.
Metodología de trabajo en proyectos de Data Science.
Proyectos prácticos de Data Science.
Comunicación de resultados y conclusiones obtenidos.

Machine Learning:
Introducción a Machine Learning.
Aprendizaje supervisado de Regresión y Clasificación.
Aprendizaje No Supervisado.
Métricas de evaluación.
Problemas con los modelos.
Bibliotecas de Python para machine learning: Scikit-Learn.

2° Año
Big Data
Introducción a Big Data.
Herramientas de Big Data como Apache Hadoop, Map Reduce, Apache Spark.

Deep Learning:
Fundamentos del deep learning y las redes neuronales.
Frameworks populares de deep learning, como TensorFlow o PyTorch.
Implementación de modelos de deep learning para resolver problemas complejos.

Procesamiento del Lenguaje Natural (Natural Language Processing, NLP):
Introducción a técnicas de procesamiento del lenguaje natural.
Procesamiento de textos, realizar tareas como clasificación de sentimientos, reconocimiento de entidades y generación de texto.
Bibliotecas para Python de NLP, como NLTK o SpaCy.

Computer Vision
Introducción a computer vision.
Bibliotecas para Python de Computer Vision, como OpenCV.

Ética y Responsabilidad en Data Science y Artificial Intelligence:
Comprender los aspectos éticos y legales relacionados con el uso de datos y algoritmos.
Anonimización de datos.
Explorar temas como sesgo algorítmico, privacidad de datos y explicabilidad de modelos.