calendar correo curso diplomado horas lugar in-company magister magisteres programa-avanzado quotes reloj telefono contacto contacto grad video
X
Coincidencias exactas
Buscar por
Magisters
Diplomados
Cursos
Profesores
Noticias
Search
Coincidencias exactas
Buscar por
Seleccionar todos
Magisters
Diplomados
Cursos
Profesores
Noticias

Diplomado en Inteligencia Artificial

Fórmate en los nuevos avances de la tecnología, con un énfasis especial en las competencias para el desarrollo de soluciones basadas en IA.

Antecedentes Generales

14/04/2020
Mar y jue de 18:30 a 21:45 hrs.
Campus San Joaquín, metro San Joaquín
135 horas cronológicas
$2.700.000.-
programas@ing.puc.cl
+56 2 2354 4516

La Inteligencia Artificial o IA está emergiendo como una tecnología disruptiva y transversal, con el potencial de transformar sustancialmente el escenario tecnológico y revolucionar la sociedad moderna. Avances recientes están dando vida a una serie de innovadoras aplicaciones en ámbitos tan diversos como el retail o la medicina. El diplomado en IA apunta a brindar una sólida formación en estos nuevos avances, poniendo especial énfasis en entregar competencias adecuadas para el desarrollo de soluciones basadas en IA.

 

Dirigido a:

Profesionales y/o emprendedores relacionados con el desarrollo de soluciones que requieran o se beneficien de la incorporación de tecnologías basadas en IA en sus productos, así como también a profesionales del ámbito de las tecnologías de información que participen en iniciativas asociadas a la incorporación de soluciones basadas en IA en sus empresas o instituciones.


Contenidos del Programa

– Introducción a IA y aprendizaje de máquina
– Algoritmo de vecinos cercanos, su relación al aprendizaje profundo y el escenario de Big Data
– Introducción a Python para aprendizaje de máquina
– Redes neuronales tradicionales
– Introducción al aprendizaje profundo

Parte 1: Aprendizaje Profundo I
– Redes neuronales convolucionales
– Arquitecturas de redes convolucionales
– Ambientes de trabajo de dominio público para implementación de modelos de aprendizaje profundo
– Redes neuronales recurrentes
– Modelos de secuencia a secuencia
– Mecanismos de atención

 

Parte 2: Aprendizaje Profundo II 
– Funciones de activación
– Funciones de pérdida y regularización en aprendizaje profundo
– Gráfos de cómputo
– Algoritmos de optimización para entrenar modelos de aprendizaje profundo
– Herramientas de entrenamiento: learning rate, dropout, batch-normalization, inicialización de parámetros
– Refinamiento de modelos, transferencia de conocimiento y data augmentation
– Tareas auxiliares

Parte 1: Modelos Relacionales y de Refuerzo
– Redes neuronales relacionales
– Redes del tipo transformer
– Redes neuronales de grafos
– Aprendizaje reforzado
– Aprendizaje por imitación
– Aprendizaje reforzado inverso

 

Parte 2: Tópicos de Profundización
– Olvido catastrófico y aprendizaje incremental
– Modelos con memoria externa
– Modelos generativos con adversario
– Modelos de auto supervisión
– Razonamiento en modelos de aprendizaje profundo
– Meta aprendizaje

Parte 1: Reconocimiento Visual
– Introducción al análisis de imágenes usando modelos de aprendizaje profundo
– Redes neuronales totalmente convolucionales para reconocimiento visual
– Modelos pre-entrenados para reconocimiento de objetos
– Modelos pre-entrenados para detección de poses humanas
– Modelos pre-entrenados para segmentación de objetos
– Exploración de set de datos públicos para entrenar modelos de reconocimiento visual
– Aplicaciones

 

Parte 2: Procesamiento de Lenguaje Natural
– Introducción al procesamiento de lenguaje natural
– Modelos de lenguaje
– Word2Vect
– Modelos pre-entrenados para procesamiento de lenguaje natural (Elmo, Bert, GPT)
– Aplicaciones (análisis de sentimiento, construcción de resúmenes, indentificación de roles)
– Modelos de pregunta-respuesta
– Exploración de set de datos públicos para procesamiento de lenguaje natural
– Aplicaciones

Parte 1: Análisis de Videos
– Introducción al análisis de video usando modelos de aprendizaje profundo
– Reconocimiento de acciones en video
– Reconocimiento de actividades en video
– Modelos pre-entrenados para análisis de video
– Exploración de set de datos públicos para entrenar modelos de análisis de video
– Aplicaciones

 

Parte 2: Análisis de audios
– Introducción al análisis de audios
– Modelos pre-entrenados para reconocimiento de sonidos
– Modelos pre-entrenados para reconocimiento de voz
– Exploración de set de datos públicos para entrenar modelos de análisis de audio
– Aplicaciones

– IA y el mundo del trabajo
– IA y privacidad
– IA y manejo de sesgos en opinión pública
– IA y responsabilidad civil


Cuerpo Académico

  • Álvaro Soto
    Profesor del Diplomado Big Data de Educación Profesional Ingeniería UC.
    programas@ing.puc.cl

    Profesor Asociado del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC.

    Ph.D. of Philosophy in Computer Science, Carnegie Mellon University, EE.UU. Master of Science, Louisiana State University, EE.UU.

    El Dr. Soto es especialista en aprendizaje de máquina. Su área principal de trabajo es el estudio y  desarrollo de nuevas técnicas de aprendizaje de máquina para la extracción de conocimiento desde grandes fuentes de datos no estructurados.

  • Carlos Aspillaga
    Ingeniero Civil en Ciencia de la Computación
    programas@ing.puc.cl

    Ingeniero Civil en Ciencia de la Computación, UC. Diplomado en Big Data, UC. Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC.

  • Felipe del Río
    Ingeniero Civil en Computación
    programas@ing.puc.cl

    Ingeniero Civil en Computación, UC.  Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC. Profesor instructor del Departamento de Ciencia de la Computación UC.

  • Miguel Fadic
    Magíster en Ciencias de la Ingeniería. Ingeniero Civil en Ciencia de la Computación
    programas@ing.puc.cl

    Magíster en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile. Ingeniero Civil en Ciencia de la Computación, Pontificia Universidad Católica de Chile. Ingeniero de desarrollo de soluciones basadas en IA para el retail, Zippedi Spa. Profesor instructor del Departamento de Ciencia de la Computación UC.

     

  • Julio Hurtado
    Ingeniero Civil en Ciencia de la Computación
    programas@ing.puc.cl

    Ingeniero Civil en Ciencia de la Computación, Universidad Federico Santa María. Candidato a doctor y miembro del laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC.

     

  • Iván Lillo
    Profesor Instructor. Departamento de Ciencia de la Computación. Escuela de Ingeniería UC
    programa@ing.puc.cl

    Magíster en Ciencias de la Ingeniería, UC; Candidato a Doctor en Ciencias de la Ingeniería, UC. Ingeniero Civil Elestricista, UC.

    Profesor Instructor, Departamento de Ciencia de la Computación, Escuela de Ingeniería UC.

  • Hans Lobel
    Profesor Instructor Adjunto, Ciencia de la Computación, Ingeniería UC
    halobel@uc.cl

    Ph.D. y Magíster en Ciencias de la Ingeniería de la UC. Ingeniero Civil en Ciencia de la Computación de la UC.

    Profesor Instructor del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC.

    El Dr. Lobel es especialista en el tema de aprendizaje de máquina. Su área principal de trabajo es el desarrollo de técnicas de aprendizaje profundo para análisis de datos no estructurados con aplicaciones en el área de smart cities.

  • Alain Raymond
    Ingeniero Civil en Ciencia de la Computación
    programas@ing.puc.cl

    Ingeniero Civil en Ciencia de la Computación, UC. Diplomado en Big Data, UC. Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC.

  • Gabriel Sepúlveda
    Ingeniero Civil en Ciencia de la Computación
    programas@ing.puc.cl

    Ingeniero Civil en Ciencia de la Computación, Universidad Federico Santa María. Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC.  Profesor instructor del Departamento de Ciencia de la Computación UC.

  • Álvaro Soto
    Profesor del Diplomado Big Data de Educación Profesional Ingeniería UC.
    programas@ing.puc.cl

    Profesor Asociado del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC.

    Ph.D. of Philosophy in Computer Science, Carnegie Mellon University, EE.UU. Master of Science, Louisiana State University, EE.UU.

    El Dr. Soto es especialista en aprendizaje de máquina. Su área principal de trabajo es el estudio y  desarrollo de nuevas técnicas de aprendizaje de máquina para la extracción de conocimiento desde grandes fuentes de datos no estructurados.

Solicita información y brochure aquí:


Este sitio está protegido por reCAPTCHA y se aplican la política de privacidad y términos del servicio de Google.

¿Listo para postular?

Postula Aquí

 

¿Te gustó este programa?
¡Compártelo en tus redes sociales!

Programas relacionados

X