Diplomado en Inteligencia artificial generativa

Sin duda, la aparición, rápida difusión y uso de ChatGPT ha impresionado a todos. No obstante, esta herramienta representa solo la parte visible de una tecnología que, aunque se basa en el gran desarrollo del aprendizaje de máquina, es relativamente nueva: la Inteligencia Artificial Generativa (GAI, del inglés Generative Artificial Intelligence). El Diplomado tiene como propósito proporcionar a los estudiantes los conocimientos y competencias necesarios para comprender, manejar y utilizar esta asombrosa tecnología.

El Diplomado comienza impartiendo competencias básicas de Python y de Machine Learning para posteriormente abordar los fundamentos de la inteligencia artificial generativa y, finalmente, la creación de aplicaciones inteligentes. El objetivo es que el estudiante no solo comprenda esta nueva tecnología, sino que también sea capaz de incorporarla en nuevas aplicaciones.

La metodología de entrega de contenidos combina la modalidad online asincrónica en los cursos iniciales, con la modalidad online sincrónica o streaming en los cursos más específicos sobre la GAI. Los últimos dos cursos tienen un fuerte enfoque práctico de aplicación.

Todo quien desee entender y aplicar la Inteligencia Artificial Generativa en algún proyecto, especialmente ingenieros y otros profesionales con conocimientos técnicos básicos en el área de la computación.

Desarrollar aplicaciones en Python que integren eficazmente la Inteligencia Artificial Generativa (GAI).

El alumno debe estar en posesión de un grado académico, de un título profesional universitario o de un título técnico profesional, tales como:
– Licenciatura en ciencias de la ingeniería o título de ingeniería civil.
– Otro grado académico o título profesional universitario en una disciplina afín, como ingeniería comercial, economía, agronomía, etc.
– Título técnico profesional de una carrera afín, de al menos 8 semestres.

Se sugiere, además:
– Manejo del idioma inglés a nivel lectura.
– Experiencia profesional en el área.

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 la 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:
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.

Control de flujo: Control de flujo: If, Else, Elif, uso en conjunto. Ciclos: While, For.

Tipos de datos y funciones: Tipos de datos: enteros, decimales, textos y listas. Strings: ¿qué es un string?, funciones básicas y 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.

Procesamiento de datos: Listas de listas. Archivos: cómo se interactúa con archivos y para qué sirven, leer y escribir archivos. Procesamiento de datos: carga y edición masiva, ejemplos prácticos.

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

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 y 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 y 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.