Diplomado en Inteligencia artificial generativa

Al final del curso podrás:
- Identificar conceptos y operaciones básicas de programación, tales como variables, funciones, operadores lógicos.
- Utilizar los comandos de control de flujo y los ciclos para dirigir y repetir eficientemente un conjunto de operaciones básicas.
- Emplear elementos básicos como tipos de archivos (.txt, csv), tipos de datos (texto, entero, decimal, listas), etc en el procesamiento de datos.
- Aplicar conceptos y herramientas básicas de programación, como lectura, escritura de archivos y edición masiva de datos, resolviendo problemas reales relacionados con el procesamiento de datos.
- Desarrollar programas en el lenguaje de programación Python que permitan resolver problemas sencillos.

Contenidos:
Módulo 1: Introducción a la programación
• Motivación
- De los datos a la información
- Datos, información y programación ¿Cómo conviven hoy estos elementos en el mundo laboral?
- ¿Qué es la programación?
- Aplicaciones prácticas
- La programación en el mundo laboral y cómo debe convertirse en un hábito

• Secuencias de comandos en Python

• Operaciones básicas

• Creación y asignación de variables

• Operaciones lógicas

Módulo 2: Control de flujo
• Control de Flujo:
- If
- Else
- Elif
- Uso en conjunto

• Ciclos:
- While
- For

Módulo 3: Tipos de datos y funciones
• Tipos de datos: Enteros, decimales, textos y listas.

• “Strings”
- ¿Qué es un string?
- Funciones básicas de un string
- Funciones avanzadas de un string

• Funciones
- ¿Qué es una función?
- ¿Por qué ocupar funciones?
- Declaración y uso de funciones

• Listas
- Creación de listas
- Obtener elementos
- Añadir elementos o quitar elementos
- Operaciones sobre listas

Módulo 4: Procesamiento de datos
• Listas de listas

• Archivos
- Cómo se interactúa con archivos y para qué sirven
- Leer archivos
- Escribir archivos

• Procesamiento de datos
- Carga masiva
- Edición masiva
- Ejemplos prácticos

Módulo 5: Diccionarios y Tuplas
• Listas y listas de listas
• Manipulación de listas
• Funciones sobre listas
• Diccionarios
• Operaciones sobre diccionarios
• Aplicaciones de diccionarios
• Aplicaciones con listas y diccionarios
• Tuplas como tipo de dato inmutable
• Operaciones sobre tuplas
•Combinando listas, tuplas y diccionarios

Módulo 6: Funciones
• Concepto de función
• Definición de funciones
• Parámetros y valores de retorno
• Importación y llamado de módulos
• Invocación de funciones y scope
• Parámetros con nombre y parámetros por defecto
• Funciones recursivas
• Aplicación de funciones

Al final del curso podrás:
- Comprender aspectos formales de modelos de aprendizaje supervisado tradicionales, experimentando y comparando su rendimiento.
- Visualizar diferentes tipos de variables en una base de datos utilizando librerías de Python.
- Emplear modelos de redes neuronales artificiales básicas.
- Diseñar modelos de aprendizaje supervisado basados en regresiones.
- Implementar modelos de aprendizaje no supervisado a través de librerías de Python.

Contenidos:
• Introducción al Aprendizaje de Máquinas con Python
- Introducción al Aprendizaje de Máquina
- Tipos de problemas en Aprendizaje de Máquina

• Preprocesamiento de datos con Python
- Introducción a librerías del ecosistema de Data Science
- Tipos de variables
- Análisis descriptivo de variables
- Transformación de variables
- Visualización de variables
- Imputación de datos

• Regresiones
- Aprendizaje supervisado
- Regresión lineal
- Regresiones polinomiales
- Regresión con penalización
- Regresión logística

• Aprendizaje supervisado
- Naive Bayes
- Evaluación de clasificadores
- Árboles de decisión
- Random Forest
- Random Forest para regresión

• Redes neuronales
- Introducción a las redes neuronales artificiales
- Tecnologías para desarrollo de redes neuronales artificiales
- Redes neuronales artificiales

• Aprendizaje no supervisado
- Aprendizaje no supervisado
- K-Means
- Cluster jerárquico
- Evaluación de clusters
- Reducción de dimensionalidad

Al final del curso podrás:
- Reconocer cómo funcionan los grandes modelos de lenguaje (LLMs).
- Distinguir las principales técnicas y algoritmos de aprendizaje de máquina.
- Identificar las fortalezas y debilidades de un modelo de lenguaje.

Contenidos:
• Inteligencia artificial y aprendizaje de máquina
• Introducción a la Inteligencia Artificial Generativa (GAI) y a los grandes modelos (LLM)
• Generación de texto clásica
• Arquitectura de transformers
• Generación de texto usando transformers
• Ciclo de vida de un proyecto de GAI
• Preentrenamiento y desafíos computacionales
• Ajuste fino de parámetros
• Evaluación de un modelo
• Uso de la cadena de pensamiento y el framework ReAct (Reasoning + Acting)
• Uso de LLM en aplicaciones
• Arquitectura de una aplicación basada en LLM

Al final del curso podrás:
- Comparar las características de una API asociada a un LLM.
- Emplear modelos de lenguaje (LLMs) para el desarrollo de nuevas aplicaciones.
- Implementar funcionalidades de GAI accediendo a modelos LLMs mediante una API.

Contenidos:
• Características generales de una API
• Introducción a GPT
• Revisión de la API de GPT
• Ejemplos de uso de la API de GPT
• Introducción a DALL.E
• Revisión de la API de DALL.E
• Interacción con la API de DALL.E
• Creación de un ChatBot propio usando las APIs
• Otros modelos y APIs

Al final del curso podrás:
- Evaluar posibles modelos y APIs para el desarrollo de una aplicación de GAI.
- Implementar una aplicación simple completa con capacidades de GAI.
- Evaluar críticamente el resultado obtenido del desarrollo de una aplicación de GAI.

Contenidos:
• Introducción al framework Flask para desarrollo de aplicaciones Web en Python
• Especificación de requisitos
• Modelos y APIs a utilizar para la componente de GAI
• Diseño de la arquitectura de la aplicación
• Desarrollo de la aplicación y pruebas
• Evaluación