Diplomatura en Inteligencia Artificial

• Red de contactos y desarrollo profesional.
• Trabajo final
• Orientación en proyectos reales.
• Aplicaciones prácticas.

MÓDULO 1 – INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL 

1. Introducción al análisis exploratorio de datos. Enfoque exploratorio para analizar y visualizar datos para descubrir patrones y tendencias.  

1. Aplicaciones de la Inteligencia Artificial. Resolución de problemas en medicina, la robótica, ciencia de datos y toma de decisiones empresariales. Impactos de la Inteligencia Artificial en la sociedad. Desafíos éticos y de seguridad relacionados con su uso. 

MÓDULO 2 – MACHINE LEARNING 

1. Introducción a Machine Learning. Eficiencia de un modelo. Medición del rendimiento del modelo en la predicción de nuevos datos. 

1. Árboles de Decisión. Toma de decisiones basadas en reglas. K-Means: Introducción al método k-means, una técnica utilizada para agrupar datos en clústeres basados en su similitud. Introducción a Support Vector Machines: clasificación de datos en dos o más categorías. Introducción a la regresión, utilizada para predecir valores numéricos. 

MÓDULO 3 – DEEP LEARNING 

1. Introducción a las redes neuronales. Introducción al procesamiento de imágenes mediante técnicas de Deep Learning, incluyendo cómo las redes neuronales pueden ser entrenadas para clasificar y reconocer objetos en imágenes. Procesamiento de texto: técnicas de utilización de redes neuronales para analizar y comprender el lenguaje natural. Aplicaciones. 

MÓDULO 4 – MACHINE LEARNING) I y DEEP LEARNING I 

1. Aprendizaje automático (Machine Learning). Tipos de aprendizaje: supervisado, no supervisado, y por refuerzo. Semi-Supervised Learning. Transferencia del aprendizaje (Transfer Learning). Ensemble Learning. Indicadores de la bondad de un modelo de ML en la clasificación y predicción.  

1. Redes Neuronales Artificiales (ANN). Deep Learning. Tipos de Redes (CNNs, RNNs y GANs). Entrenamiento y optimización de modelos. 

1. Herramientas y Frameworks para IA . Bibliotecas populares (TensorFlow, PyTorch, etc.) Notebooks y entornos de desarrollo. Recursos en línea y conjuntos de datos. 

MÓDULO 5 – PROCESAMIENTO DE IMÁGENES 

1. Fundamentos de visión por computadora. Procesamiento de imágenes. 

1. Detección y clasificación de objetos. Algoritmos de detección de objetos (regiones de interés, detección de bordes, etc.). Clasificación de objetos utilizando técnicas de aprendizaje automático. 

1. Redes neuronales convolucionales (CNN) para detección y clasificación de objetos. Segmentación semántica. Reconocimiento facial y de patrones. 

MÓDULO 6 – PROCESAMIENTO DE LENGUAJE NATURAL (NLP)  

1. Fundamentos del NLP. Preprocesamiento de texto. Modelado de lenguaje y representación de palabras. Word embeddings. Modelos de lenguaje. 

1. Aplicaciones de NLP: análisis de sentimientos, traducción automática, generación de texto, etc. 

MÓDULO 7 – INTELIGENCIA ARTIFICIAL GENERATIVA 

1. Introducción a la Inteligencia Artificial Generativa (GenAI). Definición y conceptos básicos. Diferencias con otros enfoques de IA. Modelos Fundacionales. Aplicaciones y casos de uso 

1. Modelos de Lenguaje Generativos. Transformers, BERT, GPT, etc. Preentrenamiento y ajuste fino. Generación de texto 

1. Modelos Generativos de Visión Artificial. Redes Generativas Antagónicas (GANs). Generación de imágenes y arte. Modelos Multimodales. Generación Aumentada de recuperación (RAG). 

1. Sesgos en la IA Generativa. Sesgo algorítmico y equidad. Perplejidad Alucinaciones. 

Proyecto grupal a elección de los estudiantes.

Director:

Dr. Claudio Enrique Righetti

Destacado profesional con un Doctorado en Ciencias de la Computación de la Universidad de Buenos Aires. Ha ocupado cargos importantes como Chief Scientist en Telecom Argentina y Jefe Científico en Cablevisión – Fibertel. Además, tiene una amplia experiencia académica como profesor y director en la Universidad Austral y la Universidad de Buenos Aires, donde ha dirigido más de 35 tesis de grado y posgrado. Recibió el premio International Engineering Professional Award 2018 por su contribución a impulsar la adopción y desarrollo de herramientas de AI y ML en la industria de las telecomunicaciones (SCTE). Es miembro del Grupo de Trabajo en AI del TM Forum.

Docentes:

Mag. Juan Pablo Sokil

Magister en Explotación de Datos y Descubrimiento del Conocimiento de la Universidad de Buenos Aires. Magister ( candidato) en Estadística de la FCEN UBA . Es Especialista en Inteligencia Artificial y Aprendizaje Automático en Allied Group. Ha ocupado roles destacados como , Lead Data Scientist y AI-ML Engineer en Telecom Argentina, y Data Scientist en la Organización de Estados Iberoamericanos. Además, tiene experiencia como Analista de Data Mining en el Banco Credicoop y como Analista Estadístico en CEOP Market Research. En el ámbito académico, se desempeña como profesor de Estadística Aplicada en la Universidad de la Defensa Nacional.

Ing. Esp. Horacio G. Arrigo

Profesional con una sólida formación académica, incluyendo un Magister ( candidato) en Explotación de Datos y Descubrimiento de Conocimiento de la UBA. Ha ocupado roles destacados en empresas como Telecom Argentina, donde se desempeñó como Data Science Manager/Tech Scientist, respectivamente. Actualmente Director de Ciencia de Datos Latinoamérica – MetLife Argentina. Además, tiene experiencia académica como profesor en Ciencia de Datos en CoderHouse y como ayudante en la Facultad de Ingeniería de la Universidad de Buenos Aires.

Mag. Pablo Galiana

Magister en Explotación de Datos y Gestión del Conocimiento de la Universidad Austral . En el ámbito académico, se desempeña como profesor de Inteligencia Artificial, Algoritmos y Estructura de Datos, y Bases de Datos en la Universidad Austral. En cuanto a su experiencia laboral, ha trabajado como ingeniero de software en empresas como MuleSoft (Salesforce Argentina), TekGenesis y Datamex Paraguay, todas ellas dedicadas al desarrollo de software y servicios informáticos.

Mag. Adriana Baravalle

Experta en Ciencia de Datos y Gestión del Conocimiento, con especialización en Planificación Estratégica, Prospectiva, Business Intelligence y Criptología. Ha ocupado cargos destacados como Directora de Data Science en Eclypsium Inc. y Chief Data Officer en Zentricx SRL. También ha trabajado como consultora independiente en Estrategia de Datos en diversas industrias. En el ámbito académico, ha sido Directora de Calidad Académica y Operaciones de Posgrado en la Facultad de Ingeniería de la Universidad Austral, y Profesora en temas como Data Mining, y Ciberseguridad en distintas instituciones. Es miembro de varias organizaciones internacionales relacionadas con la tecnología y ha recibido premios destacados en competencias internacionales de ciberseguridad e IA .

La Facultad de Ingeniería de la Universidad Austral extenderán el Certificado Académico de aprobación de la “Diplomatura en Inteligencia Artificial” a quienes cumplan con el régimen de promoción.

• Consultar por convenio corporativo e institucional haciendo click aquí
• Todas las bonificaciones están sujetas a cupo y no son acumulables.