– 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