Aprendizaje Automático

Objetivo: Introducir los principios fundamentales del aprendizaje automático, incluyendo aprendizaje supervisado y no supervisado, con el objetivo de desarrollar un proyecto que resuelva un problema real mediante el uso de datos.

• Introducción al Aprendizaje Automático: Conceptos básicos, historia, y aplicaciones.
• Preprocesamiento de Datos: Técnicas de limpieza y normalización de datos.
• Modelos de Aprendizaje Supervisado: Regresión lineal, regresión logística, máquinas de soporte vectorial (SVM).
• Modelos de Aprendizaje No Supervisado: K-means, clustering jerárquico, DBSCAN.
• Evaluación de Modelos: Matrices de confusión, curvas ROC, validación cruzada.

Proyecto Real: Desarrollo de un modelo de aprendizaje automático para predecir o clasificar datos reales en un contexto específico (por ejemplo, detección de fraude, recomendación de productos, detección de momentos de compra y venta en mercados bursátiles, clasificación de señales cerebrales para el control de movimiento).

Visión Computacional

Objetivo: Explorar los métodos y técnicas de la visión computacional, con el fin de desarrollar un proyecto que involucre el procesamiento y análisis de imágenes o video para resolver un problema práctico.

• Fundamentos de la Visión Computacional: Historia, aplicaciones y desafíos actuales.
• Procesamiento de Imágenes: Técnicas de filtrado, detección de bordes, y segmentación.
• Detección y Reconocimiento de Objetos: Métodos basados en características, aprendizaje profundo.
• Visión por Computadora y Deep Learning: Uso de redes neuronales convolucionales (CNN) para tareas de visión.
• Aplicaciones de la Visión Computacional: Reconocimiento facial, análisis de video.

Proyecto Real: Implementación de un sistema de visión computacional para un caso de uso específico, como reconocimiento de objetos o análisis de tráfico en tiempo real, detección de comportamiento sospechoso en áreas comunes, detección de malaria en muestras de sanguíneas.

Computación en la Nube con énfasis en inteligencia artificial

Objetivo: Proporcionar una comprensión de la computación en la nube, sus servicios, y cómo se pueden utilizar para desplegar y escalar aplicaciones de inteligencia artificial.

• Introducción a la Computación en la Nube: Modelos de servicio (IaaS, PaaS, SaaS).
• Proveedores de Servicios en la Nube: AWS, Google Cloud Platform, Microsoft Azure.
• Servicios de Computación y Almacenamiento en la Nube: Máquinas virtuales, almacenamiento de objetos, bases de datos.
• Despliegue de Modelos de IA en la Nube: Contenedores, Kubernetes, funciones sin servidor.
• Seguridad y Privacidad en la Nube: Mejores prácticas, políticas de acceso, encriptación.

Proyecto Real: Desarrollo y despliegue de una aplicación de inteligencia artificial en la nube, como un servicio web de reconocimiento de imágenes, sistema de seguimiento para estudiantes del ICFES.

Deep Learning Avanzado

Objetivo: Profundizar en las técnicas avanzadas de deep learning, incluyendo redes neuronales convolucionales, redes recurrentes, y modelos generativos, para desarrollar soluciones innovadoras en proyectos complejos.

• Redes Neuronales Convolucionales Avanzadas: Técnicas de regularización, arquitecturas innovadoras.
• Redes Neuronales Recurrentes: LSTM, GRU, aplicaciones en procesamiento de lenguaje natural.
• Optimización y Ajuste Fino de Modelos: Estrategias avanzadas de entrenamiento, transferencia de aprendizaje.
• Transformadores: Uso de modelos como GPT para generación de texto, traducción automática, y creación de contenido escrito.
• Ética y Responsabilidad en el Deep Learning: Sesgos, transparencia, uso responsable de la IA.

Proyecto Real: Creación de una solución de deep learning para un desafío complejo, como generación de contenido, predicción de series temporales, o sistemas de recomendación personalizados, traductor de lenguaje de señas a lenguaje escrito.

Inteligencia Artificial Generativa

Objetivo: Introducir a los estudiantes en el campo emergente de la inteligencia artificial generativa, enseñándoles a crear modelos que puedan generar contenido nuevo y original, como texto, imágenes, música o video, basándose en los datos aprendidos.

• Introducción a la IA Generativa: Conceptos básicos, historia, y aplicaciones en diferentes campos.
• Redes Generativas Adversarias (GANs): Principios fundamentales, arquitecturas, y aplicaciones prácticas en la generación de imágenes y video.
• Modelos de Autoencoders Variacionales (VAEs): Cómo funcionan, aplicaciones en la generación y modificación de contenido.
• Creatividad Computacional y Generación de Música: Herramientas y técnicas para la generación de música y arte utilizando IA.
• Ética y Impacto de la IA Generativa: Consideraciones sobre la propiedad intelectual, la autenticidad del contenido, y el impacto social de la generación automatizada de contenido.

Proyecto Real: Desarrollo de un proyecto que aplique técnicas de IA generativa para crear contenido nuevo y relevante en una industria específica, como diseño de moda, creación de contenido para redes sociales, generación