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.