Diplomado en Inteligencia Artificial - Online - clases en vivo*

La Inteligencia Artificial o IA está emergiendo como una tecnología disruptiva y transversal, con el potencial de transformar sustancialmente el escenario tecnológico y revolucionar la sociedad moderna. En particular, avances recientes están dando vida a una serie de innovadoras aplicaciones en ámbitos tan diversos como el retail o la medicina. El diplomado en IA apunta a brindar una sólida formación en estos nuevos avances, poniendo especial énfasis en entregar competencias adecuadas para el desarrollo de soluciones basadas en IA.


Descripción

Recientes avances en el área de IA, en particular, la aparición de técnicas de aprendizaje profundo, han abierto la puerta para superar uno de los principales desafíos históricos del área: la capacidad de percibir semánticamente fuentes no estructuradas de información, tales como imágenes, audios o textos. Esto ha dado pie a una avalancha de nuevas aplicaciones que, en diversos ámbitos, han incluso alcanzado un nivel de exactitud similar al de un humano. Reconocimiento facial en imágenes, análisis automático de textos, control de voz para asistentes virtuales, son ejemplos de una larga y creciente lista de aplicaciones comerciales aparecidas recientemente, cuyo eje común es el uso de módulos de aprendizaje profundo, los que han emergido como la tecnología habilitante para percibir patrones semánticos desde datos multidimensionales.

Hoy en día, una primera generación de estas tecnologías se encuentra disponible a través de diversas fuentes de dominio público, existiendo una amplia gama de plataformas de desarrollo y soluciones de código abierto. Esto representa un escenario inusual para una nueva tecnología, abriendo una oportunidad única, tanto para su uso, como para el desarrollo de innovadoras aplicaciones. En este contexto, el principal objetivo del diplomado en IA es entregar competencias que permitan comprender, manipular y aplicar estas nuevas tecnologías, así como también entender sus desafíos futuros, tanto en el ámbito tecnológico como en el ético.

La modalidad de enseñanza del diplomado es de tipo presencial. Las clases son una mezcla de sesiones expositivas y talleres aplicados con metodología de aprendizaje experimental. Todas las actividades teóricas y prácticas buscan potenciar las habilidades de capacidad de análisis y aplicación de las técnicas vistas en clase.

Dirigido a

El diplomado está orientado a profesionales y/o emprendedores relacionados con el desarrollo de soluciones que requieran o se beneficien de la incorporación de tecnologías basadas en IA en sus productos, así como también a profesionales del ámbito de las tecnologías de información que participen en iniciativas asociadas a la incorporación de soluciones basadas en IA en sus empresas o instituciones.

Prerrequisitos
  • Licenciatura en Ciencias de la Ingeniería o Título de Ingeniería Civil en Informática o áreas afines a las tecnologías de información. Postulaciones de profesionales con otro grado académico o título Profesional Universitario y/o con experiencia laboral en áreas afines serán consideradas caso a caso, según evaluación de antecedentes.
  • Conocimientos de programación evaluados según antecedentes curriculares o rendición de una prueba de diagnóstico diseñada por el Jefe de Programa del diplomado. De ser necesario, disponibilidad a asistir a sesiones de nivelación en programación utilizando el lenguaje Python.
Objetivo de aprendizaje
  • Entender y explicar conceptos y técnicas relevantes al estado del arte en el área de IA.
  • Entender y aplicar conceptos y técnicas relevantes al paradigma de aprendizaje profundo, especialmente su aplicación a datos no estructurados como texto, audio, imágenes y video.
  • Conocer y aplicar las principales herramientas y modelos disponibles en código abierto para el desarrollo de soluciones basadas en IA.
Desglose de cursos

Nombre del curso: Seminario Introducción a Inteligencia Artificial y Aprendizaje de Máquina
Horas cronológicas: 12
Resultados de Aprendizaje

  • Reconocer la evolución del área de IA así como su relación con el aprendizaje de máquina.
  • Comprender técnicas fundamentales de aprendizaje de máquina relevantes a avances recientes en IA.
  • Comprender y usar elementos de programación en Python relevantes para los cursos del diplomado.
  • Comprender los fundamentos del Aprendizaje Profundo.

Contenidos:

  • Introducción a IA y aprendizaje de máquina.
  • Algoritmo de vecinos cercanos, su relación al aprendizaje profundo y el escenario de Big Data.
  • Introducción a Python para aprendizaje de máquina.
  • Redes neuronales tradicionales.
  • Introducción al aprendizaje profundo.

Metodología de enseñanza y aprendizaje:

  • Clases expositivas y análisis de casos.

Evaluación de los aprendizajes:
No aplica

Nombre del curso: Inteligencia Artificial I
Horas cronológicas: 30; Créditos: 5.
Resultados de Aprendizaje

  • Comprender los conceptos fundamentales del aprendizaje profundo.
  • Diseñar modelos de IA basados en redes neuronales convolucionales y recurrentes.
  • Conocer y aplicar mecanismos de atención y arquitecturas standard para implementación de modelos de aprendizaje profundo.
  • Conocer y aplicar ambientes de trabajo de dominio público para la implementación de modelos de aprendizaje profundo. 

Contenidos:

Parte 1: Aprendizaje Profundo I

  • Redes neuronales convolucionales.
  • Arquitecturas de redes convolucionales.
  • Ambientes de trabajo de dominio público para implementación de modelos de aprendizaje profundo.
  • Redes neuronales recurrentes.
  • Modelos de secuencia a secuencia.
  • Mecanismos de atención.

Parte 2: Aprendizaje Profundo II

  • Funciones de activación.
  • Funciones de pérdida y regularización en aprendizaje profundo.
  • Grafos de cómputo.
  • Algoritmos de optimización para entrenar modelos de aprendizaje profundo.
  • Herramientas de entrenamiento: learning rate, dropout, batch-normalization, inicialización de parámetros.
  • Refinamiento de modelos, transferencia de conocimiento y data augmentation.
  • Tareas auxiliares.

Metodología de enseñanza y aprendizaje:

  • Clases expositivas.
  • Talleres prácticos.
  • Lecturas individuales.

Evaluación de los aprendizajes:

  • Talleres prácticos                                                                                                                                    80%.
  • 2 controles escritos                                                                                                                                20%.

Nombre del curso: Inteligencia Artificial II
Horas cronológicas: 30; Créditos: 5

Resultados de Aprendizaje

  • Comprender y aplicar modelos relacionales de aprendizaje profundo.
  • Comprender y aplicar modelos activos basados en refuerzo.
  • Conocer y aplicar modelos avanzados de inteligencia artificial.
  • Entender las limitaciones de los modelos actuales de inteligencia artificial. 

Contenidos:

Parte 1: Modelos Relacionales y de Refuerzo

  • Redes neuronales relacionales.
  • Redes del tipo transformer.
  • Redes neuronales de grafos.
  • Aprendizaje reforzado.
  • Aprendizaje por imitación.
  • Aprendizaje reforzado inverso.

Parte 2: Tópicos de Profundización

  • Olvido catastrófico y aprendizaje incremental.
  • Modelos con memoria externa.
  • Modelos generativos con adversario.
  • Modelos de auto supervisión.
  • Razonamiento en modelos de aprendizaje profundo.
  • Meta aprendizaje.

Metodología de enseñanza y aprendizaje:

  • Clases expositivas.
  • Talleres prácticos.
  • Lecturas individuales.

Evaluación de los aprendizajes:

  • Talleres prácticos                                                                                                                                    80%.
  • 2 Controles escritos                                                                                                                                20%.

Nombre del curso: Aplicaciones de Inteligencia Artificial I
Horas cronológicas: 30; Créditos: 5
Resultados de Aprendizaje

  • Identificar y aplicar modelos de reconocimiento visual de objetos y personas.
  • Aplicar modelos pre-entrenados de reconocimiento visual.        
  • Entender y aplicar modelos de procesamiento de lenguaje natural.
  • Aplicar modelos pre-entrenados de procesamiento de lenguaje natural.  

Contenidos:

Parte 1: Reconocimiento Visual

  • Introducción al análisis de imágenes usando modelos de aprendizaje profundo.
  • Redes neuronales totalmente convolucionales para reconocimiento visual.
  • Modelos pre-entrenados para reconocimiento de objetos.
  • Modelos pre-entrenados para detección de poses humanas.
  • Modelos pre-entrenados para segmentación de objetos.
  • Exploración de set de datos públicos para entrenar modelos de reconocimiento visual.
  • Aplicaciones.

Parte 2: Procesamiento de Lenguaje Natural

  • Introducción al procesamiento de lenguaje natural.
  • Modelos de lenguaje.
  • Word2Vect.
  • Modelos pre-entrenados para procesamiento de lenguaje natural (Elmo, Bert, GPT).
  • Aplicaciones (análisis de sentimiento, construcción de resúmenes, identificación de roles).
  • Modelos de pregunta-respuesta.
  • Exploración de set de datos públicos para procesamiento de lenguaje natural.
  • Aplicaciones.

Metodología de enseñanza y aprendizaje:

  • Clases expositivas.
  • Talleres prácticos.
  • Lecturas individuales.

Evaluación de los aprendizajes:

  • Talleres prácticos                                                                                                                                    80%.
  • 2 Controles escritos.                                                                                                                               20%.

Nombre del curso: Aplicaciones de Inteligencia Artificial II
Horas cronológicas: 30; Créditos: 5

Resultados de Aprendizaje

  • Entender y aplicar modelos de análisis de videos
  • Aplicar modelos pre-entrenados de análisis de video.      
  • Entender y aplicar modelos de reconocimiento de audios.
  • Aplicar modelos pre-entrenados de reconocimiento de audios.

Contenidos:

Parte 1: Análisis de Videos

  • Introducción al análisis de video usando modelos de aprendizaje profundo.
  • Reconocimiento de acciones en video.
  • Reconocimiento de actividades en video.
  • Modelos pre-entrenados para análisis de video.
  • Exploración de set de datos públicos para entrenar modelos de análisis de video.
  • Aplicaciones.

Parte 2: Análisis de Audios

  • Introducción al análisis de audios.
  • Modelos pre-entrenados para reconocimiento de sonidos.
  • Modelos pre-entrenados para reconocimiento de voz.
  • Exploración de set de datos públicos para entrenar modelos de análisis de audio.
  • Aplicaciones.

Metodología de enseñanza y aprendizaje:

  • Clases expositivas.
  • Talleres prácticos.
  • Lecturas individuales.

Evaluación de los aprendizajes:

  • Talleres prácticos                                                                                                                                    80%.
  • 2 controles escritos                                                                                                                                20%. 

Nombre del curso: Seminario Ética en el desarrollo de Inteligencia Artificial
Horas cronológicas: 3.
Resultados de Aprendizaje

  • Identificar los principales temores sobre el impacto social de la IA.
  • Comprender la relevancia de un desarrollo ético de la IA en beneficio del ser humano.

Contenidos:

  • IA y el mundo del trabajo.
  • IA y privacidad.
  • IA y manejo de sesgos en opinión pública.
  • IA y responsabilidad civil.

 

Metodología de enseñanza y aprendizaje:

  • Clases expositivas y análisis de casos.

Evaluación de los aprendizajes:

No aplica

Equipo Docente

JEFE DE PROGRAMA
Alvaro Soto, PhD.
Profesor Asociado, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC. PhD, Computer Science, Carnegie Mellon University, EE.UU.; Master of Science, Computer Engineering, Louisiana State University, EE.UU.; Ingeniero Civil de Industrias mención Ingeniería Eléctrica, UC.

EQUIPO DOCENTE
Carlos Aspillaga
Ingeniero Civil en Ciencia de la Computación, UC. Diplomado en Big Data, UC. Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC.

Felipe del Rio
Ingeniero Civil en Computación, UC.  Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC. Profesor instructor del Departamento de Ciencia de la Computación UC.

Miguel Fadic
Magíster en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile. Ingeniero Civil en Ciencia de la Computación, Pontificia Universidad Católica de Chile. Ingeniero de desarrollo de soluciones basadas en IA para el retail, Zippedi Spa. Profesor instructor del Departamento de Ciencia de la Computación UC.

Julio Hurtado
Ingeniero Civil en Ciencia de la Computación, Universidad Federico Santa María. Candidato a doctor y miembro del laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC.

Ivan Lillo
PhD, Ciencia de la Ingeniería, UC; Magister en Ciencia de la Ingeniería, UC; Ingeniero Civil de Industrias mención Electricidad, UC; Director de Desarrollo de soluciones de IA para el retail, Zippedi Spa.

Hans Löbel
PhD, Ciencia de la Ingeniería, UC; Magister en Ciencia de la Ingeniería, UC; Ingeniero Civil en Computación, UC; Profesor Auxiliar, Departamentos de Ciencia de la Computación y Transporte y Logística, UC.

Alain Raymond
Ingeniero Civil en Ciencia de la Computación, UC. Diplomado en Big Data, UC. Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC.

Gabriel Sepúlveda
Ingeniero Civil en Ciencia de la Computación, Universidad Federico Santa María. Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC.  Profesor instructor del Departamento de Ciencia de la Computación UC.

Alvaro Soto
Profesor Asociado, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC. PhD, Computer Science, Carnegie Mellon University, EE.UU.; Master of Science, Computer Engineering, Louisiana State University, EE.UU.; Ingeniero Civil de Industrias mención Ingeniería Eléctrica, UC.
* EP (Educación Profesional) de la Escuela de Ingeniería se reserva el derecho de remplazar, en caso de fuerza mayor, a él o los profesores indicados en este programa.

Requisitos de aprobación

La calificación final del diplomado será el promedio simple de las notas finales de todos los cursos.
Para la aprobación el diplomado, el alumno debe cumplir con dos requisitos:
A)         Mínimo de asistencia del 75% a todo el diplomado (incluyendo seminarios).
B)         Aprobar todos los cursos con nota mínima 4,0. (Se evaluará con una escala de 1,0 (uno coma cero) a 7,0 (siete coma cero).
Para aprobar los programas de diplomados se requiere la aprobación de todos los cursos que lo conforman y en el caso que corresponda, de la evaluación final integrativa.
Los alumnos que aprueben las exigencias del programa recibirán un certificado de aprobación digital otorgado por la Pontificia Universidad Católica de Chile.
El alumno que no cumpla con una de estas exigencias reprueba automáticamente sin posibilidad de ningún tipo de certificación.

Bibliografía

El Diplomado contará con una página web en el que estarán disponibles las presentaciones del programa, así como las lecturas complementarias y códigos de los casos presentados en clase.

Bibliografía Mínima

  • Goodfellow, Y. Bengio and A. Courville, ""Deep Learning"". MIT Press, 2017.
  • Francois Chollet, ""Deep Learning with Python"". Manning Publications, 2017.
  • J. Leskovec, A. Rajaramanan, and J.D. Ullman, ""Mining Massive Datasets"". Cambridge University Press, 2014.
  • A. Gibson and J. Patterson, ""Deep Learning: A Practitioner"s Approach"". O"Reilly, 2016.
  • S. Russell and P. Norvig, "Artificial Intelligence: A Modern Approach", Pearson, 3rd Edition, 2015.
Proceso de Admisión

Las personas interesadas deberán completar la ficha de postulación ubicada al lado derecho de esta página web. Un correo de confirmación solicitará enviar los siguientes documentos a la coordinación a cargo de la coordinación al mail: programas@ing.puc.cl.

• Fotocopia Carnet de Identidad.
• Fotocopia simple del Certificado de Título o del Título.
• Curriculum Vitae actualizado.

No se tramitarán postulaciones incompletas
- En caso que el postulante presente alguna discapacidad de origen: visual, auditiva, movilidad reducida, u otra, deberá informar previamente a la coordinación del programa mediante un email, con el objetivo de brindar las condiciones de infraestructura necesaria al inicio de clases y entregar una asistencia adecuada- El postular no asegura el cupo, una vez inscrito o aceptado en el programa se debe cancelar el valor para estar matriculado.

Importante- Sobre retiros y suspensiones-
• La coordinación del programa se reserva el derecho de suspender o reprogramar la realización de la actividad si no cuenta con el mínimo de alumnos requeridos o por motivos de fuerza mayor. En tal caso se devuelve a los alumnos matriculados la totalidad del dinero a la brevedad posible con un máximo de 10 días hábiles. La devolución se efectuará con depósito en la cuenta (corriente o vista) que indique el alumno o a través de un vale vista que deberá ser retirado en cualquier sucursal del Banco Santander.
• A las personas matriculadas que se retiren de la actividad antes de la fecha de inicio, se les devolverá el total pagado menos el 10% del valor del programa.* A las personas que se retiren una vez iniciada la actividad, se les cobrará las horas o clases cursadas o asistidas y materiales entregados a la fecha de la entrega de solicitud formal de retiro más el 10% del valor del programa. La solicitud de retiro debe realizarse a la coordinación a cargo y hasta antes de que el 50% de la actividad se haya desarrollado (Reglamento de alumno de Educación Continua). En ambos casos la devolución, demorará cómo máximo 15 días hábiles y se efectuará con depósito en la cuenta (corriente o vista) que indique el alumno o a través de un vale vista que deberá ser retirado en cualquier sucursal del Banco Santander. El 10% corresponde al uso de vacante y se calcula en base al precio publicado, no el valor final pagado.

SOLICITAR MÁS INFORMACIÓN
POSTULA AQUÍ

Mantente conectado a nuestras redes sociales