Diplomado en Inteligencia artificial
La Inteligencia Artificial está emergiendo como una tecnología disruptiva y transversal, con el potencial de transformar sustancialmente el escenario tecnológico y revolucionar la sociedad moderna.
Protagoniza esta revolución y adquiere competencias para el desarrollo de soluciones basadas en Inteligencia Artificial, adquiriendo mejores prácticas y un conocimiento que podrás aplicar en tu organización.
Antecedentes Generales
Recientes avances en el área de IA, en particular, la aparición de técnicas de aprendizaje profundo, han abierto la puerta para superar uno de los principales desafíos históricos del área: la capacidad de percibir semánticamente fuentes no estructuradas de información, tales como imágenes, audios o textos. Esto ha dado pie a una avalancha de nuevas aplicaciones que, en diversos ámbitos, han incluso alcanzado un nivel de exactitud similar al de un humano. Reconocimiento facial en imágenes, análisis automático de textos, interacción en lenguaje natural en formato de chat, control de asistentes virtuales, son ejemplos de una larga y creciente lista de aplicaciones comerciales aparecidas recientemente, cuyo eje común es el uso de módulos de aprendizaje profundo, los que han emergido como la tecnología habilitante para percibir patrones semánticos desde datos multidimensionales.
Hoy, una primera generación de estas tecnologías se encuentra disponible a través de diversas fuentes de dominio público, existiendo una amplia gama de plataformas de desarrollo y soluciones de código abierto. Esto representa un escenario inusual para una nueva tecnología, abriendo una oportunidad única, tanto para su uso, como para el desarrollo de innovadoras aplicaciones. En este contexto, el principal objetivo del diplomado en IA es entregar competencias que permitan comprender, manipular y aplicar estas nuevas tecnologías, así como también entender sus desafíos futuros, tanto en el ámbito tecnológico como en el ético.
Las clases mezclan sesiones expositivas y talleres aplicados con metodología de aprendizaje experimental. Todas las actividades teóricas y prácticas buscan potenciar las habilidades de capacidad de análisis y aplicación de las técnicas vistas en clase.
Contenidos del Programa
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.
Cuerpo Docente
Jefe de Programa
Álvaro Soto
Profesor Asociado Departamento de Ciencia de la Computación, Escuela de Ingeniería UC.
Vladimir Araujo
Magíster en Ingeniería Electrónica UC. Estudiante de Doctorado, UC - KU Leuven, Chile - Bélgica
Carlos Aspillaga
Ingeniero Civil en Ciencia de la Computación
Francisca Cattan
Estudiante de Ph.D. en la UC, en temas de Inteligencia Artificial aplicado a robótica cognitiva
Felipe del Río
Ingeniero Civil en Computación
Juan Pablo de Vicente
Machine Learning Engineeren Oddness. Miembro del Laboratorio de Inteligencia Artificial (IALAB) UC
Bianca del Solar Medrano
Estudiante de Doctorado Ciencias de la Computación, UC. Magíster en Ingeniería de Software, Universidad de Tarapacá
Andrés Espinoza Rodríguez
Miembro del Laboratorio de Inteligencia Artificial (IALAB) UC
Miguel Fadic
Magíster en Ciencias de la Ingeniería. Ingeniero Civil en Ciencia de la Computación
Eugenio Herrera Berg
Machine Learning Engineer y miembro del equipo de Transferencia Tecnológica CENIA
Pablo Messina
Magíster en Ciencias de la Ingeniería y estudiante de Doctorado UC
Alain Raymond
Ingeniero Civil en Ciencia de la Computación
Javier Rojas Herrera
Ingeniero Machine Learning, Centro Nacional de Inteligencia Artificial.
Gabriel Sepúlveda
Profesor Instructor. Departamento de Ciencia de la Computación. Escuela de Ingeniería UC
Álvaro Soto
Profesor Asociado Departamento de Ciencia de la Computación, Escuela de Ingeniería UC.
Tomás Vergara Browne
Miembro del Laboratorio de Inteligencia Artificial (IALAB) UC