MAIA-Maestría en Inteligencia Artificial

Este curso representa el primer acercamiento del estudiante al concepto de inteligencia artificial en el mundo contemporáneo y sienta las bases teóricas para los temas abordados en la fase de especialización de la maestría. Al completarlo, el estudiante estará capacitado para identificar las principales áreas de la inteligencia artificial actual y reconocer el potencial de sus métodos para resolver problemas reales. A lo largo del curso, se aborda el proceso de formulación de problemas y la aplicación de metodologías en proyectos de inteligencia artificial, así como las implicaciones éticas, sociales y legales del uso de datos. Se emplean diversas herramientas computacionales en actividades prácticas para enriquecer el aprendizaje del estudiante.

En este curso aprenderás:

• Plantear soluciones basadas en inteligencia artificial para resolver problemas del mundo contemporáneo.
• Identificar las tecnologías actuales de inteligencia artificial en diferentes dominios de aplicación.
• Reconocer las implicaciones éticas y sociales del despliegue de sistemas de inteligencia artificial dentro del mundo contemporáneo.

La rápida evolución de la inteligencia artificial (IA) promete cambios significativos en nuestra sociedad a medida que estos sistemas se integran en muchos aspectos de nuestras vidas. En este curso se abordan las cuestiones éticas, jurídicas y sociales que plantean los sistemas de IA actuales y futuros, proporcionando un espacio para que los estudiantes demuestren su pensamiento crítico y capacidad de análisis en situaciones que involucren el uso de estas tecnologías. Al finalizar, el estudiante estará en capacidad de enunciar correctamente los principales retos éticos y sociales de la adopción de la IA según el ámbito de aplicación. También, podrá distinguir entre las prácticas de uso, desarrollo e implementación de IA que aumentan o reducen la aparición de problemas éticos.

• Utilizar herramientas de análisis para resolver dilemas éticos que se presentan en el ámbito de la IA.
• Analizar los riesgos de vulneración de los derechos de los usuarios de la IA, teniendo en cuenta las nociones de discriminación algorítmica, la ausencia de transparencia en los modelos y el inadecuado manejo de los datos, con el fin de prevenir o mitigar dichos riesgos.

En este curso, se estudian los fundamentos del machine learning (ML) y los tipos de aprendizaje, así como el proceso que se recomienda seguir para la implementación de proyectos basados en datos. Al finalizar el curso el estudiante estará en capacidad de aplicar algunas técnicas de ML, supervisadas y no supervisadas, para construir soluciones alineadas con el problema bajo estudio y las características de los datos disponibles, siguiendo una metodología para el desarrollo de este tipo de proyectos. En este proceso, entenderá algunos sesgos que se pueden presentar a diferentes niveles del ciclo de ML. Los casos de estudio que se abordan en las actividades prácticas son diversos, con el fin de proporcionarle al estudiante una interacción con diferentes contextos de aplicación.

En este curso aprenderás:

• Explicar los contextos de aplicación del machine learning y cómo puede plantearse una solución con este paradigma de la Inteligencia Artificial.
• Aplicar técnicas de machine learning para construir soluciones alineadas con los objetivos del problema bajo estudio, siguiendo el proceso de aprendizaje a partir de datos.
• Reconocer implicaciones éticas del uso de los datos en el desarrollo de proyectos de machine learning.

Este curso familiariza al estudiante con las técnicas matemáticas necesarias para el estudio del aprendizaje automático (machine learning). Estas técnicas pertenecen a las áreas del álgebra lineal, probabilidad y estadística, cálculo multivariable y optimización. Al finalizar el curso el estudiante tendrá́ la habilidad de organizar, manipular e interpretar cantidades tales como datos y parámetros de modelos en términos de vectores y matrices. También, tendrá la habilidad de hacer cálculos probabilísticos básicos tales como valores esperados y covarianzas, y de cuantificar incertidumbre en medidas de error basadas en datos. Además, podrá implementar algoritmos básicos de descenso de gradiente y verificar optimalidad de una solución de un problema de optmización convexo.

En este curso aprenderás:

• Manipular expresiones matemáticas que involucren funciones de múltiples variables, álgebra lineal y probabilidad y estadística, que se requieren en machine learning.
• Cuantificar incertidumbre en términos de probabilidad y estadística.
• Implementar algoritmos básicos de descenso de gradiente para minimizar funciones de múltiples variables.

En machine learning supervisado el objetivo es modelar la relación entre un objeto de entrada y una o más variables de salida, de manera que el modelo permita predecir la salida para una entrada nueva. En este curso se estudian los modelos de machine learning supervisado más usados en la práctica, así como aspectos generales del problema de aprendizaje que son esenciales para el diseño y evaluación de estos modelos. Al finalizar, el estudiante tendrá la habilidad de identificar los problemas susceptibles de ser abordados mediante el machine learning supervisado, implementar soluciones a problemas prácticos y evaluar el desempeño de este tipo de modelos.

En este curso aprenderás:

• Reconocer los problemas que pueden abordarse eficazmente mediante técnicas de aprendizaje supervisado.
• Desarrollar habilidades prácticas para la implementación de soluciones utilizando técnicas de machine learning supervisado en problemas del mundo real.
• Evaluar el rendimiento de los modelos de machine learning supervisado, con el fin de tomar decisiones informadas sobre su viabilidad y utilidad en aplicaciones prácticas.

El machine learning no supervisado permite a las máquinas aprender patrones y estructuras complejas sin necesidad de datosanotados, lo que implica que los algoritmos deben descubrir por sí mismos las relaciones inherentes en los datos. Este enfoque es esencial para identificar patrones útiles en la toma de decisiones en diversos campos y aplicaciones, y contribuye al desarrollo de otros modelos a partir de datos. Este curso explora en profundidad las técnicas fundamentales del aprendizaje no supervisado, como la agrupación, la reducción de la dimensionalidad y la detección de anomalías. Al finalizar el curso el estudiante estará en capacidad de aplicar estas técnicas para desarrollar soluciones alineadas con problemas específicos y las características de los datos disponibles. Se guiará a los estudiantes a través del proceso de aprendizaje a partir de datos, capacitándolos para abordar diversos casos de estudio en actividades prácticas y así interactuar con una amplia gama de contextos de aplicación.

En este curso aprenderás:

• Reconocer los contextos de aplicación de las tareas asociadas con el machine learning no supervisado.
• Aplicar técnicas de machine learning no supervisado para construir soluciones alineadas con los objetivos del problema bajo estudio y las características de los datos disponibles.
• Identificar los sesgos inherentes en el proceso de aprendizaje a partir de datos y su impacto en la toma de decisiones

En los últimos años, el aprendizaje por refuerzo (RL) ha resurgido como uno de los principales impulsores de la IA y, en general, de la automatización de la toma de decisiones. RL es una poderosa técnica que permite el aprendizaje a largo plazo de los sistemas de software, siendo aplicable a muchos dominios diferentes, incluidos la robótica, la generación de software, las pruebas automáticas, los video juegos y juegos de mesa, la atención médica y los asistentes personalizados, por mencionar algunos. En este curso, los estudiantes obtendrán conocimientos teóricos y prácticos sobre los principios subyacentes de RL, los procesos de decisión de Markov, los algoritmos clásicos de RL y algunas técnicas avanzadas relevantes dentro del contexto actual del RL.

En este curso aprenderás:

• Conocer los principios teóricos y prácticos del aprendizaje por refuerzo, incluyendo los procesos de decisión de Markov y los algoritmos clásicos de RL.
• Desarrollar sistemas de software capaces de aprender y mejorar continuamente en diferentes dominios, como la robótica, los videojuegos, la atención médica y otros.
• Seleccionar las técnicas de aprendizaje por refuerzo pertinentes para abordar problemas y desafíos actuales en el campo del RL.

El aprendizaje profundo o deep learning actualmente es una parte central de la inteligencia artificial contemporánea, y se refiere al proceso realizado por los computadores para aprender de la experiencia permitiendo describir abstracciones complejas a partir de conceptos más simples. Este curso permite explorar algunas de las arquitecturas más importantes del deep learning, como redes neuronales artificiales, redes neuronales convolucionales, redes neuronales recurrentes, Transformers para lenguaje y para visión, además de las redes generativas entre las cuales se presentan las redes generativas adversarias y los modelos de difusión.

En este curso aprenderás:

• Comprender los fundamentos teóricos de las redes neuronales artificiales.
• Reconocer las principales arquitecturas del deep learning contemporáneo, con base en su funcionamiento, sus aplicaciones típicas y las diferencias clave entre ellas.
• Implementar soluciones para diversos problemas con técnicas de deep learning.

El curso presenta metodologías y herramientas para el despliegue de soluciones basadas en datos, considerando el ciclo de vida de los productos de analítica y las necesidades particulares de la etapa de despliegue (MLOps). Además, integra conocimientos y habilidades previamente desarrolladas por los estudiantes alrededor del desarrollo de modelos y la visualización de datos. El curso es fundamentalmente práctico y computacional, guiando al estudiante en la comprensión y uso de herramientas actualmente empleadas para el despliegue de soluciones basadas en datos. En este curso también se desarrolla la propuesta para el proyecto final de la maestría (proyecto de grado).

En este curso aprenderás:

• Identificar las etapas del ciclo de vida de los datos y los modelos analíticos, con base en las necesidades de una solución analítica en el proceso de despliegue.

• Construir un plan de ciclo de vida de datos y modelos con enfoque en el despliegue de soluciones.

• Desplegar soluciones utilizando diversos servicios, infraestructuras y herramientas, evaluando sus alternativas.

• Generar soluciones basadas en datos que respondan a requerimientos específicos, empleando técnicas de Inteligencia Artificial para su implementación.

Este curso es la culminación práctica de la maestría en Inteligencia Artificial (IA), donde los estudiantes implementan y evalúan su proyecto final, demostrando las competencias adquiridas a lo largo del programa. En el proyecto, se abordan desafíos reales utilizando técnicas avanzadas de IA para desarrollar soluciones innovadoras a problemas específicos. Además de aplicar los conocimientos teóricos, los estudiantes deben defender sus ideas ante un panel de expertos, mejorando su capacidad para comunicar resultados técnicos de manera clara. Se pone énfasis en los aspectos éticos de la IA, asegurando que las soluciones respeten principios como la equidad, la transparencia y la privacidad. El curso guía a los estudiantes en la implementación, evaluación y sustentación de su proyecto de grado, que debe incluir un artículo académico que resuma todo el trabajo realizado.

En este curso aprenderás:

• Abstraer problemáticas en contextos interdisciplinarios para determinar aquellas que puedan resolverse con técnicas de Inteligencia Artificial e identificar oportunidades de mejora.
• Generar soluciones que responden a requerimientos específicos y a la información disponible usando o adaptando las técnicas de Inteligencia Artificial que resulten más adecuadas, con un enfoque ético y crítico.
• Implementar soluciones en plataformas computacionales con base en métodos de la Inteligencia Artificial.
• Colaborar en equipos para articular soluciones de IA en un contexto organizacional.

El plan de estudios incluye 6 cursos electivos de 2 créditos cada uno, para un total de 12 créditos.

Los cursos electivos se ofrecen en las temáticas asociadas a las áreas de énfasis, así como cursos de otras maestrías previamente seleccionados y autorizados por la dirección del programa. Se recomienda revisar con el programa la planeación de oferta de electivas ya que éstas no se ofrecen en todos los semestres o ciclos. Algunas de las electivas MAIA actualmente activas son:

MAIA 4321 Visión artificial I: comprensión de imágenes

MAIA 4322 Visión Artificial II: más allá de las imágenes 2D

MAIA 4331 Fundamentos de procesamiento de lenguaje natural

MAIA 4332 Modelos avanzados para el procesamiento de lenguaje natural

MAIA 4341 Inteligencia artificial en sistemas embebidos

MAIA 4342 Sistemas de decisión y control inteligente

MAIA 4351 Inteligencia artificial biomédica: epidemiología, cirugía robótica y biomecánica

MAIA 4352 Inteligencia artificial biomédica: señales, genes y moléculas

MAIA 4361 Aprendizaje por refuerzo profundo

MAIA 4362 Robótica y aprendizaje

MAIA 4371 Web Semántica

*La descripción de estas electivas podrá encontrarse dentro de este mismo catalogo.

Este curso ofrece una comprensión profunda y completa de los conceptos esenciales y avanzados en el campo de la visión por computador, abarcando tanto las bases teóricas como las aplicaciones más sofisticadas de la disciplina. A lo largo del curso, los estudiantes aprenderán a aplicar diversas técnicas clave de procesamiento de imágenes, que incluyen la clasificación, la detección y la segmentación, utilizando herramientas de vanguardia. Además, el curso está diseñado para dotar a los estudiantes de habilidades prácticas y conocimientos profundos, proporcionándoles una preparación sólida para enfrentar los desafíos y las oportunidades de este campo en constante evolución.

En este curso aprenderás:

• Adquirir una sólida comprensión de los conceptos fundamentales y avanzados en visión por computador.
• Aplicar técnicas de procesamiento de imágenes, clasificación, detección y otras tareas en la visión por computador.
• Implementar y experimentar con modelos de redes neuronales convolucionales (CNN) y Transformers Visuales (ViT).
• Desarrollar habilidades prácticas para enfrentar desafíos complejos en el campo de la visión por computador.
• Fortalecer la capacidad para evaluar y optimizar modelos, logrando un equilibrio efectivo entre precisión y rendimiento en diversas aplicaciones de visión por computador.

Construcción 3D, análisis de video y generación de imágenes. Los estudiantes tendrán la oportunidad de estudiar técnicas y algoritmos avanzados para crear modelos tridimensionales a partir de imágenes, procesar secuencias de video y generar imágenes mediante modelos generativos avanzados. A partir de este curso los estudiantes desarrollarán habilidades especializadas que les permitirán enfrentar desafíos complejos en visión por computador, utilizando conceptos de aprendizaje profundo y redes neuronales.

En este curso aprenderás:

• Adquirir una comprensión profunda de los conceptos avanzados en análisis de video, reconstrucción 3D y generación de imágenes.
• Aplicar técnicas de análisis de secuencias de video para la extracción de información significativa y la interpretación de dinámicas visuales.
• Experimentar con algoritmos de reconstrucción 3D, transformando datos bidimensionales en representaciones tridimensionales precisas.
• Desarrollar modelos generativos avanzados, como GANs y redes de difusión, para la creación de imágenes realistas y de alta calidad.
• Fortalecer la capacidad de integrar y aplicar técnicas de visión por computador en proyectos complejos, optimizando el rendimiento y la precisión en tareas específicas dentro de cada módulo.

Este curso introduce los principios fundamentales del Procesamiento de Lenguaje Natural (PLN), abordando los elementos esenciales del lenguaje y los desafíos que enfrentan las máquinas para comprenderlo. Se exploran las principales tareas del PLN, desde la representación del lenguaje hasta la clasificación de textos y la recuperación de información. A lo largo del curso, se implementan técnicas avanzadas como modelos de lenguaje basados en n-gramas, representaciones vectoriales y enfoques de aprendizaje automático. Finalmente, se analizan las implicaciones éticas del desarrollo de soluciones de PLN.

En este curso aprenderás:

• Aplicar técnicas de procesamiento de lenguaje natural para construir soluciones a problemas de aprendizaje cuya entrada es lenguaje natural escrito.
• Implementar diversas estrategias de procesamiento y representación textual para diferentes tipos de problemas y modelos.
• Construir modelos de lenguaje y de clasificación textual usando diferentes representaciones y algoritmos.

Este curso ofrece una introducción profunda a los modelos avanzados de procesamiento de lenguaje natural (NLP) basados en deep learning. A lo largo de ocho semanas, los estudiantes explorarán desde modelos neuronales básicos, como regresión logística y redes feedforward, hasta arquitecturas avanzadas como RNN, LSTM, modelos encoder-decoder y Transformers. Se abordarán técnicas fundamentales como la tokenización con BPE y WordPiece, embeddings estáticos y contextuales, y el mecanismo de autoatención. Además, se estudiarán grandes modelos de lenguaje (LLMs), su generación de texto mediante muestreo, y estrategias para su ajuste fino (fine-tuning) en tareas específicas. También se explorará la ingeniería de prompts para mejorar la interacción con LLMs y se discutirán consideraciones éticas en la implementación de modelos de NLP.

En este curso aprenderás:

• Aplicar técnicas avanzadas de NLP para resolver problemas que involucren texto escrito.
• Implementar modelos de lenguaje con arquitecturas de deep learning, optimizando representaciones textuales.
• Comprender los principios detrás del ajuste fino de modelos preentrenados y las estrategias para mejorar la generación de texto.

Gracias a los avances recientes en hardware y software, hoy es posible implementar algoritmos de inteligencia artificial en dispositivos portables, de bajo costo y con recursos limitados, conocidos como sistemas embebidos. Estos sistemas permiten abordar desafíos complejos en contextos como ciudades inteligentes y agricultura de precisión, donde se requiere sensado distribuido y se enfrentan restricciones en procesamiento, energía y seguridad de la información. En este curso se estudian estrategias para llevar modelos de machine learning, como redes neuronales y aprendizaje profundo, a plataformas embebidas, explorando también conceptos de Edge Computing y su integración con sensores e internet de las cosas. El objetivo general de este curso es desarrollar competencias para la identificación, configuración y optimización de sistemas embebidos y plataformas hardware en la implementación de algoritmos y aplicaciones de inteligencia artificial, utilizando frameworks de machine learning y aplicando estrategias de optimización para soluciones eficientes en términos de recursos y rendimiento.

En este curso aprenderás:

• Identificar los elementos y características de un Sistema Embebido (plataformas hardware) como alternativa para implementar algoritmos/aplicaciones optimizadas de sistemas de inteligencia artificial.
• Configurar y usar Frameworks de machine learning que se pueden programar sobre Sistemas Embebidos (plataformas hardware).
• Identificar y aplicar estrategias de optimización sobre modelos de machine learning en algoritmos/aplicaciones implementadas sobre Sistemas Embebidos (plataformas hardware).
• Identificar aplicaciones donde los Sistemas Embebidos sean una estrategia que permita llegar a una solución optimizada en recursos y algoritmos.

En este curso se exploran las técnicas de control inteligente, las cuáles se basan en la introducción de elementos característicos de humanos y sistemas biológicos tales como el análisis, la adaptación, la planificación, la cooperación y la toma de decisiones para dar respuesta a sistemas complejos (de gran escala), cumpliendo con requisitos de robustez, seguridad y operación en tiempo real.Se discuten, a un alto nivel, sobre la intersección entre el aprendizaje por refuerzo y el control inteligente, y cómo éste último permite un aprendizaje en línea, pudiendo responder a incertidumbres inesperadas durante la operación, lo cual no se realiza en estrategias tradicionales de aprendizaje. El curso contempla una visión más amplia que profunda de los temas, los cuales contemplan conceptos como el control clásico, el control difuso, temas de control adaptativo como el extremum seeking, que pueden enmarcarse en esquemas que buscan alcanzar una mayor flexibilidad y regulación de sistemas dinámicos y complejos. Por otra parte, en el marco de sistemas de decisión, se introducen conceptos como el control predictivo basado en modelo (MPC, por sus siglas en inglés), y se presentan las técnicas de teoría de juegos que permiten modelar y gestionar el control a alto nivel en sistemas con múltiples agentes. Al finalizar el curso el estudiante habrá adquirido una visión global acerca de las técnicas de decisión y control inteligente, dentro del contexto de la inteligencia artificial, pudiendo analizar e implementar controladores básicos que son el fundamento de muchos sistemas complejos de la tecnología moderna, desde la robótica hasta la producción automatizada.

En este curso aprenderás:

• Comprender los fundamentos teórico-prácticos de distintas estrategias de control tales como el control clásico, la lógica difusa, el control predictivo basado en modelo, el control adaptativo, y las técnicas de decisión y control basadas en la teoría de juegos convencional y evolutiva.
• Identificar las ventajas y desventajas de las estrategias de control inteligente mencionadas al implementarlas en escenarios simples simulados de la vida real, en el marco de la inteligencia artificial.

Este curso tiene como objetivo proporcionar una visión completa y práctica sobre cómo las tecnologías de la inteligencia artificial están siendo aplicadas en sectores clave de la medicina, como la epidemiología, la cirugía robótica, la dinámica cardiovascular y la biomecánica. Este curso provee un acercamiento al estudiante en estas áreas de conocimiento de la ingeniería biomédica en contextos reales donde la inteligencia artificial es fundamental. Además, permite anticipar la aplicación del aprendizaje adquirido a lo largo de la maestría con objetivos tanto investigativos como innovadores, donde el estudiante finalizará el curso con un módulo de emprendimiento e innovación.

En este curso aprenderás:

• Reconocer los contextos de aplicación de las tareas asociadas con la inteligencia artificial en la ingeniería biomédica en los campos de epidemiología, cirugía robótica y Biomecánica.
• Identificar las técnicas de inteligencia artificial que son útiles para construir soluciones alineadas con los objetivos del problema médico abordado, así como las limitaciones propias del problema o la solución propuesta.
• Comprender las implicaciones éticas del uso de los datos comunes en los campos específicos de aplicación de la ingeniería biomédica en el desarrollo de proyectos de Machine Learning e Inteligencia Artificial.

Este curso tiene como objetivo principal mostrar aplicaciones reales y concretas relacionadas con el uso de herramientas de IA, aplicadas en áreas de gran impacto moderno en la salud humana: el descubrimiento de fármacos, la genética y modificación génica, y el uso de estas herramientas para analizar distintas señales biológicas. Este curso provee un acercamiento al estudiante en estas áreas de conocimiento de la ingeniería biomédica en contextos reales donde la inteligencia artificial es fundamental. Además, permite anticipar la aplicación del aprendizaje adquirido a lo largo de la maestría con objetivos tanto investigativos como innovadores, donde el estudiante finalizará el curso con un módulo de emprendimiento e innovación.

En este curso aprenderás:

• Reconocer los contextos de aplicación de las tareas asociadas con la inteligencia artificial en la ingeniería biomédica en los campos de las señales biológicas, la genética y el descubrimiento de fármacos a través de la exploración de moléculas.
• Identificar las técnicas de inteligencia artificial útiles para construir soluciones alineadas con los objetivos del problema médico abordado, así como las limitaciones propias del problema o la solución propuesta.
• Comprender las implicaciones éticas del uso de los datos comunes en los campos específicos de aplicación de la ingeniería biomédica en el desarrollo de proyectos de Machine Learning e Inteligencia Artificial.

El aprendizaje por refuerzo profundo es uno de los componentes esenciales en el entrenamiento de los sistemas de IA más exitosos, con aplicaciones en áreas como modelos grandes de lenguaje, robótica y vehículos autónomos. Las técnicas tabulares de RL clásico son insuficientes en problemas reales. Para afrontar dichos problemas en RL profundo se introduce el poder de representación y generalización de las redes neuronales profundas para aproximar las funciones de interés en espacios de estados y acciones muy grandes e incluso continuos. En este curso se estudiarán los principios conceptuales y prácticos de la introducción de redes neuronales profundas s algoritmos de aprendizaje por refuerzo profundo. Con esta base conceptual se introducirán algunos de los algoritmos de RL profundo más populares y se aplicarán estos algoritmos a problemas prácticos.

En este curso aprenderás:

• Reconocer los problemas que pueden abordarse eficazmente mediante técnicas de aprendizaje por refuerzo profundo.
• Desarrollar habilidades prácticas para la implementación de soluciones utilizando técnicas de aprendizaje por refuerzo profundo a problemas del mundo real.
• Evaluar el desempeño de modelos de IA basados en aprendizaje por refuerzo profundo en situaciones reales.

En este curso aprenderás:

• Aplicar técnicas de Inteligencia Artificial (Aprendizaje Supervisado y por Refuerzo) para mejorar el comportamiento autónomo de un robot
• Comparar el uso de técnicas de IA (aprendizaje por refuerzo) y las estrategias de control jerárquico para mejorar el comportamiento autónomo de los robots,
• Evaluar el uso de técnicas de IA en robótica desde el punto de vista de efectividad, seguridad e implicaciones éticas.