Diplomado en Inteligencia artificial

Al final del seminario podrás:
- Reconocer la evolución del área de IA así como su relación con el aprendizaje de máquina.
- Comprender técnicas fundamentales de aprendizaje de máquina relevantes a avances recientes en IA.
- Comprender los fundamentos del aprendizaje profundo.

Contenidos:
- Introducción a IA y aprendizaje de máquina.
- Comprender los desafíos inherentes al aprendizaje de máquina.
- Algoritmo de vecinos cercanos, su relación al aprendizaje profundo y el escenario de Big Data.
- Redes neuronales tradicionales y mecanismos esenciales de aprendizaje automático.
- Introducción al aprendizaje profundo.

Al final del curso podrás:
- Comprender los conceptos fundamentales del aprendizaje profundo.
- Diseñar modelos de IA basados en redes neuronales convolucionales y recurrentes.
- Aplicar mecanismos de atención y arquitecturas standard para implementación de modelos de aprendizaje profundo.
- Aplicar ambientes de trabajo de dominio público para la implementación de modelos de aprendizaje profundo.
- Aplicar modelos de aprendizaje profundo a problemáticas concretas, mediante un enfoque práctico.

Contenidos:
Parte 1: Aprendizaje profundo I
- Redes neuronales convolucionales.
- Arquitecturas relevantes construidas con 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.
- Redes relacionales y Transformer.
- Implementación de modelos y entrenamiento (principalmente usando Python y Pytorch).

Parte 2: Aprendizaje profundo II 
- Funciones de activación.
- Funciones de pérdida y regularización en aprendizaje profundo.
- Grafos 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.

Al final del curso podrás:
- Aplicar modelos relacionales de aprendizaje profundo.
- Aplicar modelos activos basados en refuerzo.
- Aplicar modelos avanzados de inteligencia artificial.
- Identificar las limitaciones de los modelos actuales de inteligencia artificial.
- Aplicar los modelos estudiados a problemáticas concretas, mediante un enfoque práctico.

Contenidos:
Parte 1: Modelos relacionales y de refuerzo
- Redes neuronales de grafos.
- Aprendizaje reforzado.
- Aprendizaje por imitación.
- Aprendizaje reforzado inverso.
- Modelos generativos con adversario.
- Recomendación.

Parte 2: Tópicos de profundización
- Olvido catastrófico y aprendizaje incremental.
- Modelos con memoria externa.
- Modelos de auto supervisión.
- Razonamiento en modelos de aprendizaje profundo.
- Meta aprendizaje.

Al final del curso podrás:
- Aplicar modelos de reconocimiento visual de objetos y personas.
- Aplicar modelos pre-entrenados de reconocimiento visual.
- Aplicar modelos de procesamiento de lenguaje natural.
- Aplicar modelos pre-entrenados de procesamiento de lenguaje natural.
- Aplicar los modelos estudiados a problemáticas concretas, mediante un enfoque práctico.

Contenidos:
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 para reconocimiento visual de texto.
- Modelos de pregunta-respuesta con input visual.
- Exploración de set de datos públicos para entrenar modelos de reconocimiento visual.
- Hardware y tips para trabajar con modelos profundos.
- Aplicaciones.

Parte 2: Procesamiento de lenguaje natural
- Introducción al procesamiento de lenguaje natural.
- Modelos de lenguaje.
- Word Embeddings como Word2Vect y GloVe.
- Modelos pre-entrenados para procesamiento de lenguaje natural (Elmo, Bert, GPT, chatGPT).
- Modelos de pregunta-respuesta.
- Exploración de set de datos públicos para procesamiento de lenguaje natural.
- Generación de resúmenes automáticos.
- Aplicaciones.

Al final del curso podrás:
- Aplicar modelos de análisis de videos
- Aplicar modelos pre-entrenados de análisis de video.
- Aplicar modelos de reconocimiento de audios.
- Aplicar modelos pre-entrenados de reconocimiento de audios.
- Aplicar los modelos estudiados a problemáticas concretas, mediante un enfoque práctico.

Contenidos:
Parte 1: Análisis de videos
- Introducción al análisis de video usando modelos de aprendizaje profundo.
- Reconocimiento de acciones y actividades en video.
- Seguimiento de personas u objetos 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.
- Generación de Deep Fakes (audio + video).
- Aplicaciones.

Al final del seminario podrás:
- Identificar los principales temores sobre el impacto social de la IA.
- Comprender la relevancia de un desarrollo ético de la IA en beneficio del ser humano.

Contenidos:
- IA y el mundo del trabajo.
- IA y privacidad.
- IA y manejo de sesgos en opinión pública.
- IA y responsabilidad civil.