Objetivos y descripción

Brindar una formación, con un enfoque teórico-práctico, a través de diferentes cursos relativos a aquellas áreas que faciliten la aplicación de Inteligencia Artificial a la realidad de las organizaciones. El enfoque considera las principales tecnologías, involucradas en la construcción de soluciones, centradas en el desarrollo de negocios.

El egresado contará con una capacitación técnica en el manejo de datos con Data Science, los conocimientos de las técnicas claves de IA Inteligencia Artificial (AI, Artificial Intelligence), el manejo de las prácticas de desarrollo y operaciones mediante DevOps, el uso del lenguaje de programación Python como herramienta de IA, la gestión de cómputo distribuida a través de Cloud Computing más la trazabilidad y seguridad de transacciones por intermedio de Blockchain. Ello le permitirá tener una visión general y adaptarse al dinamismo de la industria de TI, así como poder actuar como agente de cambio (en las empresas u organizaciones) para la apropiación de las nuevas tecnologías.

Destinatarios del Diploma en Inteligencia Artificial

Técnicos y profesionales interesados en temas relacionados con la puesta en ejecución de soluciones de TI mediante tecnologías actuales. Se requiere Título universitario o técnico de dos o más años de duración en áreas afines.

Perfil del Egresado

El egresado del Diploma en Inteligencia Artificial Aplicada será un diplomado con conocimientos para la utilización de Inteligencia Artificial y su entorno. Al completar la formación, habrá incorporado las herramientas y habilidades necesarias para aplicar los conocimientos adquiridos en la transformación de su área de negocios. Esto considerando las principales tecnologías capaces de generar ventajas competitivas en el contexto actual.

Próximo inicio

Consultar.

Duración

126 horas. Cada curso consta de 21 horas.

Modalidad:

Clases sincrónicas (docente en vivo) en modalidad virtual.

Evaluación

Trabajos obligatorios en grupo con defensa y/o prueba individual.
Mínimo de asistencia del 50% por módulo y aprobación de cada curso.

Metodología

Las distintas asignaturas se dictarán mediante la presentación de temas teóricos, la utilización de casos de actualidad y la generación de actividades prácticas sobre las áreas más relevantes. Se utiliza una metodología, focalizada en el estudiante, sobre la base del desarrollo de competencias.

Temario Diplomado en Inteligencia Artificial

Data Science:

Diferencia entre la Ciencia de Datos, la Inteligencia Artificial y el Aprendizaje Automático.
¿Cómo se lleva a cabo la Ciencia de Datos y qué es un científico de datos?
Supervisión del proceso de Ciencia de Datos.
Herramientas para Ciencia de Datos.
Plataformas para proyectos de Ciencia de Datos.
Lo que un científico de datos necesita en una plataforma.
Conceptos Básicos de Data Analytics
Relación entre Inteligencia de Negocios y Analítica de datos.
Casos de éxito: Analítica para la toma de decisiones y competitividad.
Metodología para proyectos de analítica.
Preparación de datos estructurados.
Analítica de Procesos.
Conceptos e implementación de KPIs.
Elaboración de Paneles de Control de Gestión (Control Dashboards).
Principales herramientas de visualización, análisis e interpretación de visualizaciones.
Geo-referenciación como apoyo a la visualización.
Riesgos y consideraciones al realizar proyectos de analítica de datos.
Principios y métodos de “anonimización”.
Big Data y analítica de los datos.
Tecnologías para analizar grandes volúmenes de datos.

Python:

Introducción a Python.
Variables y Tipos de datos.
Estructuras de control.
Funciones del lenguaje.
Módulos externos.
Entrada/Salida.
Nociones básicas de Análisis Exploratorio con Python.
Librerías más populares de Python para la generación de gráficos y reportes.
Uso de Python como herramienta de análisis y automatización.

Inteligencia Artificial:

Introducción a la inteligencia artificial.
Herramientas y Tecnologías.
Introducción a Machine Learning y etapas del Machine Learning.
Métricas y validación de modelos.
Aprendizaje supervisado.
Aprendizaje no supervisado.
Aprendizaje por refuerzos.
Problemas con modelados.
Introducción a Deep Learning.
Conceptos generales para el aprendizaje con redes neuronales.
Clasificación de redes neuronales artificiales.
Ejemplos de aplicaciones de Deep Learning.

Blockchain:

Introducción a Blockchain. Introducción a Bitcoin. Relación entre Bitcoin y Blockchain.
Otros criptoactivos. Otras blockchains.
Elementos de proyecto. Riesgos que deben gestionarse.
Aspectos regulatorios de criptoactivos. Aspectos legales de Blockchain.
Presentación general de los aspectos más técnicos asociados a la tecnología.
Actualidad y futuro inmediato.

Cloud Computing:

Introducción y fundamentos de Cloud Computing.
IaaS, PaaS y SaaS.
Requerimientos de diseño.
Seguridad en la Nube.
Responsabilidades en la Nube.
Máquinas virtuales y contenedores.
Modelos de implementación y desarrollo.

DevOps:

Introducción y contexto.
Qué es y qué no es DevOps.
La urgencia por DevOps
- El nuevo contexto de negocio.
- Desafíos de TI en la entrega de valor.
Introducción a DevOps.
- Evolución de los aceleradores de TI.
- Lean Thinking.
- Manifiesto Ágil.
- Urgencia y alcance de DevOps en el nuevo contexto de negocio.
Full Stack – Personas y Cultura.
- Cultura de DevOps.
- Liderazgo transformacional.
- Estructura y equipo.
Full Stack – Procesos y Prácticas.
- Prácticas para habilitar DevOps.
- Entrega continua.
Full Stack – Tecnología y Automatización.
- Automatización para la entrega continúa.
- Arquitectura de la entrega continúa.

Diploma en Inteligencia Artificial Aplicada