Diplomado en Inteligencia artificial generativa

Docentes(s): Jaime Navón C

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Horas totales:  75

Descripción del curso

Quienes trabajan en Ciencia de Datos saben que el manejo de la programación en lenguaje Python es una necesidad. Pero este lenguaje puede ser usado no solo en ese dominio sino como una herramienta multipropósito general. En este curso aprenderás a plantear la solución de un problema en términos algorítmicos y a expresarlo mediante este lenguaje de programación usando entre otros variables, control de flujo, estructuras de datos y funciones.

Al finalizar el curso, serás capaz de desarrollar tus propios programas en Python y de seguir explorando para construir nuevos programas y cada vez más complejos. Este curso es el primer paso para convertirte en un/a profesional con habilidades básicas de programación.

La metodología de enseñanza y aprendizaje para este curso online consiste en técnicas metodológicas activas, donde el participante puede interactuar con sus pares y profesor-tutor a través de los recursos tecnológicos que provee la plataforma educativa virtual provista para el curso.

Resultados de aprendizaje

1. Identificar conceptos y operaciones básicas de programación, tales como variables, funciones, operadores lógicos.
2. Utilizar los comandos de control de flujo y los ciclos para dirigir y repetir eficientemente un conjunto de operaciones básicas.
3. Emplear elementos básicos como tipos de archivos (.txt, csv), tipos de datos (texto, entero, decimal, listas), etc en el procesamiento de datos.
4. 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.
5. Desarrollar programas en el lenguaje de programación Python que permitan resolver problemas sencillos.

Contenidos

• Módulo 1: 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
• Módulo 2: Control de Flujo
  • Control de Flujo:
    • If
    • Else
    • Elif
    • Uso en conjunto
  • Ciclos:
    • While
    • For
• Módulo 3: Tipos de datos y funciones
  • Tipos de datos: Enteros, decimales, textos y listas.
  • “Strings”
    • ¿Qué es un string?
    • Funciones básicas de un string
    • Funciones 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
• Módulo 4: Procesamiento de datos
  • Listas de listas
  • Archivos
    • Cómo se interactúa con archivos y para qué sirven
    • Leer archivos
    • Escribir archivos
  • Procesamiento de datos
    • Carga masiva
    • Edición masiva
    • Ejemplos prácticos
• Módulo 5: Diccionarios y Tuplas
  • Listas y listas de listas
  • Manipulación de listas
  • Funciones sobre listas
  • Diccionarios
  • Operaciones sobre diccionarios
  • Aplicaciones de diccionarios
  • Aplicaciones con listas y diccionarios
  • Tuplas como tipo de dato inmutable
  • Operaciones sobre tuplas
  • Combinando listas, tuplas y diccionarios
• Módulo 6: 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

Estrategias Metodológicas

La modalidad de capacitación es e-learning asincrónica, por lo que los participantes accederán a una plataforma educativa virtual (LMS). Las actividades se desarrollan en forma remota, lo que permite entregar flexibilidad en los horarios, de manera que cada participante pueda distribuir su tiempo y ser autónomo en su proceso de aprendizaje. No obstante, el proceso de enseñanza-aprendizaje se acompañará con un tutor, quien tendrá un rol de mediador y facilitador, ofreciendo apoyo a los participantes en aspectos técnicos y también administrativos durante la actividad de capacitación.

Respecto a las estrategias de enseñanza - aprendizaje, se utilizarán videoclases, screencast y clases interactivas para la presentación de contenidos y actividades de aplicación que serán desarrolladas a partir de cuestionarios y tareas, dirigidas a que los participantes resuelvan problemas/situaciones aplicando los conocimientos aprendidos y comprobar la comprensión de los contenidos a través de test automáticos.

Los participantes también contarán con foros abiertos de consulta, como apoyo a su proceso de aprendizaje, donde podrán interactuar con sus pares y tutor.

Al inicio del curso se contará con una clase sincrónica en formato streaming, en que el jefe de programa o un profesor del programa, introducirán a los alumnos en las materias a abordar.

Estrategias Evaluativas

• 3 controles individuales sobre los contenidos del curso - 13,3% (c/u). Total = 40%.
• 3 miniproyectos: Miniproyecto 1: se pondrán en práctica los conceptos de: control de flujo, manejo de strings y recepción de input. - 15%. Miniproyecto 2: se pondrán en práctica los conceptos de programación en Python con listas y funciones. - 15%. Miniproyecto 3: se pondrán en práctica el concepto de programación en Python referida a diccionarios, funciones y archivos. - 30%. Total = 60%.

Docentes(s): Francisco Pérez

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Horas totales:  75

Descripción del curso

Python se ha convertido en una de las herramientas fundamentales para los profesionales de Machine Learning. En este contexto, el saber usar librerías como scikit-learn, scipy, numpy, pandas o keras, constituye una competencia básica para el desarrollo de proyectos de este tipo en el entorno empresarial. Este curso busca entregar una base de conocimiento de los fundamentos que soportan estas potentes metodologías y herramientas, potenciando significativamente al participante para enfrentar desafíos que involucran inteligencia artificial y dándole así una ventaja competitiva en el mercado laboral.

A través de este curso, los alumnos aprenderán los conceptos fundamentales asociados de Machine Learning tanto en su versión supervisada como no supervisada. Dicho aprendizaje será acompañado mediante un conjunto de librerías de Python, las que permitirán pasar de la teoría a la implementación de forma amigable, y actualizada a las tecnologías utilizadas en el mercado.

La metodología de enseñanza y aprendizaje para este curso online consiste en técnicas metodológicas activas, donde el participante puede interactuar con sus pares y profesor-tutor a través de los recursos tecnológicos que provee la plataforma educativa virtual provista para el curso.

Resultados del aprendizaje

1. Comprender aspectos formales de modelos de aprendizaje supervisado tradicionales, experimentando y comparando su rendimiento.
2. Visualizar diferentes tipos de variables en una base de datos utilizando librerías de Python.
3. Emplear modelos de redes neuronales artificiales básicas.
4. Diseñar modelos de aprendizaje supervisado basados en regresiones.
5. 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 de variables
  • 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
  • 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

Estrategias Metodológicas:

La modalidad de capacitación es e-learning asincrónica, por lo que los participantes accederán a una plataforma educativa virtual (LMS). Las actividades se desarrollan en forma remota, lo que permite entregar flexibilidad en los horarios, de manera que cada participante pueda distribuir su tiempo y ser autónomo en su proceso de aprendizaje. No obstante, el proceso de enseñanza-aprendizaje se acompañará con un tutor, quien tendrá un rol de mediador y facilitador, ofreciendo apoyo a los participantes en aspectos técnicos y también administrativos durante la actividad de capacitación.

Respecto a las estrategias de enseñanza - aprendizaje, se utilizarán videoclases, screencast y clases interactivas para la presentación de contenidos y actividades de aplicación que serán desarrolladas a partir de cuestionarios y tareas, dirigidas a que los participantes resuelvan problemas/situaciones aplicando los conocimientos aprendidos y comprobar la comprensión de los contenidos a través de test automáticos.

Los participantes también contarán con foros abiertos de consulta, como apoyo a su proceso de aprendizaje, donde podrán interactuar con sus pares y tutor.

Al inicio del curso se contará con una clase sincrónica en formato streaming, en que el jefe de programa o un profesor del programa, introducirán a los alumnos en las materias a abordar.

Estrategias Evaluativas:

• Tres pruebas on-line, todas de igual ponderación    (40% en total)
• Tres actividades de aplicación, la tercera con doble ponderación   (60% en total)

Docentes(s): Miguel Fernandez

Unidad académica responsable: Escuela de Ingeniería

Requisitos: cursos 1 y 2

Horas totales:  48

Descripción del curso

Este curso tiene como objetivo proporcionar los fundamentos y bases teóricas del aprendizaje de máquina y la inteligencia artificial generativa. Se espera que los estudiantes exploren las técnicas utilizadas en la construcción de los modelos de lenguaje (LLMs) y conozcan los modelos más relevantes, entendiendo sus fortalezas y debilidades. La metodología utilizada contempla clases expositivas y un fuerte componente de aplicación práctica.

Resultados del aprendizaje

1. Reconocer cómo funcionan los grandes modelos de lenguaje (LLMs)
2. Distinguir las principales técnicas y algoritmos de aprendizaje de máquina
3. 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

Estrategias Metodológicas:

• Clases expositivas.
• Análisis de casos
• Aplicación práctica

Estrategias Evaluativas:

• Dos pruebas online de igual ponderación, 20% c/u - (40% en total)
• Dos actividades grupales de aplicación de igual ponderación, 30% c/u - (60% en total)

Docentes(s): Gabriel Ulloa

Unidad académica responsable: Escuela de Ingeniería

Requisitos: curso 3 

Horas totales:  48

Descripción del curso:

Los impresionantes modelos de lenguaje (LLMs) desarrollados recientemente pueden utilizarse directamente a través de aplicaciones proporcionadas por los mismos creadores de estos modelos, como buen ejemplo, ChatGPT. Para crear una aplicación que aproveche el inmenso poder de estos modelos, es necesario conectarse a ellos mediante una Interfaz de Programación de Aplicaciones (API), que funciona como un protocolo para acceder a sus funcionalidades. En este curso se espera que los estudiantes conozcan las características de algunas de estas APIs y sepan cómo se pueden emplear para la construcción de aplicaciones inteligentes. La metodología utilizada contempla clases expositivas y un fuerte componente de aplicación práctica.

Resultados del aprendizaje

1. Comparar las características de una API asociada a un LLM.
2. Emplear modelos de lenguaje (LLMs) para el desarrollo de nuevas aplicaciones
3. 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

Estrategias Metodológicas:

• Clases expositivas.
• Análisis de casos
• Aplicación práctica

Estrategias Evaluativas:

• Dos pruebas online de igual ponderación, 20% c/u - (40% en total)
• Dos actividades grupales de aplicación de igual ponderación, 30% c/u - (60% en total)

Docentes(s): Nicolás Gómez

Unidad académica responsable: Escuela de Ingeniería

Requisitos: curso 4

Horas totales:  48

Descripción del curso:

Este es un taller eminentemente práctico, en el que se espera que los estudiantes desarrollen una aplicación completa propia, que proporcione algunas de las funcionalidades asociadas a la GAI. La metodología utilizada será de aplicación práctica guiada.

Resultados del aprendizaje

1. Evaluar posibles modelos y APIs para el desarrollo de una aplicación de GAI
2. Implementar una aplicación simple completa con capacidades de GAI
3. 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

Estrategias Metodológicas:

• Clases expositivas.
• Análisis de casos
• Aplicación práctica

Estrategias Evaluativas:

• Entrega intermedia del proyecto (grupal) 40%
• Entrega final del proyecto (grupal) 60%