Diplomado en Inteligencia artificial

Carlos Aspillaga

Investigador del Centro Nacional de Inteligencia Artificial. 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.

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.

Álvaro 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.

Andrés Villa

Estudiante de Doctorado en Ciencias de la Ingeniería con mención en ciencias de la computación, Departamento de Ciencias de la Computación, Escuela de Ingeniería, UC. Remote Research Intern, King Abdullah University of Science and Technology (KAUST), Saudí Arabia. Ingeniero Electrónico, Departamento de Ingeniería Eléctrica y Electrónica, Universidad del Norte, Colombia.  

Felipe Ríos

Profesor de Jornada parcial, Ingeniero civil Electricista mención automatización y robótica, UC. Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación.

Vladimir Araujo

Doctorando, Departamento de Ciencia de la Computación, Pontificia Universidad Católica de Chile - KU Leuven, Chile - Bélgica.; Magíster en Ingeniería Electrónica, Departamento de Ingeniería, Pontificia Universidad Javeriana, Colombia.; Ingeniero en Electrónica, Universidad Politécnica Salesiana, Ecuador.

Pablo Messina

Estudiante de Doctorado en Inteligencia Artificial, Departamento de Ciencia de la Computación, Escuela de Ingeniería, UC. Magíster en Ciencias de la Ingeniería, UC. Ingeniero Civil de Industrias mención Computación, UC.

Francisca Cattan

Estudiante de Ph.D. en la UC, en temas de Inteligencia Artificial aplicado a robótica cognitiva. Se ha desempeñado como profesora, coordinadora y ayudante en múltiples cursos de Ingeniería UC y Arquitectura UC. Es Arquitecta de profesión, titulada de la UC, y actual miembro del IALab.

Rodrigo Toro Icarte

Profesor Asistente del Departamento de Ciencia de la Computación, en Ingeniería UC. Luego de egresado de Ingeniería en la UC, realizó un Master en la Universidad de Toronto y posteriormente un Ph.D. en la misma Universidad, en temas relacionados con Inteligencia Artificial. Actualmente es miembro de los grupos de investigación IALab y Cenia.

Eugenio Herrera Berg

Machine Learning Engineer y miembro del equipo de Transferencia Tecnológica del Centro Nacional de Inteligencia Artificial, con experiencia profesional como Machine Learning Engineer en NotCo. Licenciado de Ingeniería UC, del Departamento de Ciencia de la Computación.

Juan Pablo de Vicente

Machine Learning Engineer en la empresa de robótica Oddness. Ingeniero Civil Electricista de la Escuela de Ingeniería UC, especializado en control automático y automatización. Master en Ciencias de la computación de la Escuela de Ingeniería UC. Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación.

Andrés Espinoza Rodríguez

Ingeniero Civil de la UC, en Ciencias de la Computación. Miembro del Laboratorio de Inteligencia Artificial, IALAB, Departamento de Ciencia de la Computación. Experiencia profesional aplicando modelos de Inteligencia Artificial a problemáticas industriales reales.

* 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; y de asignar al docente que dicta el programa según disponibilidad de los profesores.

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 o superior al de un humano. Reconocimiento facial en imágenes, análisis automático de textos, interacción en lenguaje natural en formato de chat, 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. 

Las clases mezclan 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. 

• 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 y/o con experiencia laboral en áreas afines serán consideradas caso a caso, según evaluación de antecedentes. 
• Conocimiento nivel básico/medio en programación utilizando lenguaje Python. *Si el(la) estudiante no cuenta con las competencias en un nivel básico, se sugiere que, previo al inicio de las clases, realice el mooc: “Introducción a la programación en Python I: Aprendiendo a programar con Python”. Link: https://es.coursera.org/learn/aprendiendo-programar-python 
• Se sugiere manejo del idioma inglés a nivel lectura

1. Explicar conceptos y técnicas relevantes al estado del arte en el área de IA. 
2. Aplicar conceptos y técnicas relevantes al paradigma de aprendizaje profundo, especialmente su aplicación a datos no estructurados como texto, audio, imágenes y video.
3. Aplicar las principales herramientas y modelos disponibles en código abierto o disponibles mediante API (ej: chatGPT de OpenAI) para el desarrollo de soluciones basadas en IA. 

Curso 1: Seminario Introducción a inteligencia artificial y aprendizaje de máquina

Nombre en inglés: Seminar Introduction to AI and Machine Learning. 

Horas cronológicas: 12 

Descripción del curso 

Este seminario busca mostrar los fundamentos generales sobre los cuales se construye la IA moderna, comprender sus desafíos e introducir las técnicas fundamentales que se utilizan en esta área.

Resultados del Aprendizaje

1. Reconocer la evolución del área de IA así como su relación con el aprendizaje de máquina. 
2. Comprender técnicas fundamentales de aprendizaje de máquina relevantes a avances recientes en IA.
3. Comprender los fundamentos del aprendizaje profundo.

Contenidos: 

• Introducción a IA y aprendizaje de máquina.
• Comprender los desafíos inherentes al aprendizaje de máquina.
• Algoritmo de vecinos cercanos, su relación al aprendizaje profundo y el escenario de Big Data.
• Redes neuronales tradicionales y mecanismos esenciales de aprendizaje automático.
• Introducción al aprendizaje profundo.

Metodología de enseñanza y aprendizaje: 

• Clases expositivas
• Análisis de casos.

Evaluación de los aprendizajes: 

• No aplica

Curso 2: Inteligencia artificial I

Nombre en inglés: Artificial Intelligence I

Horas cronológicas: 30

Créditos: 5

Descripción del curso 

Este curso busca comprender los elementos fundamentales del aprendizaje profundo. El curso se divide en dos partes, donde la primera se focaliza en los principales tipos de modelos (arquitecturas) de aprendizaje profundo y los mecanismos principales que los componen. La segunda parte se focaliza en herramientas concretas (y su fundamento) que se utilizan para entrenar tales arquitecturas. La metodología utilizada en este curso considera, para cada sesión, una porción de clase teórica expositiva, y luego un laboratorio práctico donde se explora los contenidos de la clase, pero de manera aplicada (principalmente usando Python y Pytorch). Cada laboratorio práctico cuenta con una serie de actividades propuestas, que deben ser resueltas de manera individual y entregadas en una fecha posterior a definir, para poder ser evaluadas.

Resultados del Aprendizaje

1. Comprender los conceptos fundamentales del aprendizaje profundo.
2. Diseñar modelos de IA basados en redes neuronales convolucionales y recurrentes.
3. Aplicar mecanismos de atención y arquitecturas standard para implementación de modelos de aprendizaje profundo.
4. Aplicar ambientes de trabajo de dominio público para la implementación de modelos de aprendizaje profundo.
5. Aplicar modelos de aprendizaje profundo a problemáticas concretas, mediante un enfoque práctico.

Contenidos: 

• Parte 1: Aprendizaje Profundo I
  • Redes neuronales convolucionales.
  • Arquitecturas relevantes construidas con 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.
  • Redes relacionales y Transformer.
  • Implementación de modelos y entrenamiento (principalmente usando Python y Pytorch)
• 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: 

• 5 talleres prácticos individuales – 100% (20% c/u)

Cada semana se presentan dos talleres prácticos (uno en cada sesión). Los(as) estudiantes deberán resolver y entregar al menos uno de ellos en el plazo estipulado, para su evaluación y retroalimentación. En caso de entregar ambos talleres, se preserva la mejor nota de ambos.

Curso 3 : Inteligencia artificial II

Nombre en inglés: Artificial Intelligence II

Horas cronológicas: 30

Créditos: 5

Descripción del curso 

Este curso busca mostrar arquitecturas y técnicas avanzadas adicionales que hoy en día están complementando el ecosistema del aprendizaje profundo, como son las redes de grafos, el aprendizaje reforzado, modelos generativos adversarios, modelos auto-supervisados, meta-aprendizaje, entre otros. El curso se divide en dos partes, cada una abordando un set de técnicas diferentes. La metodología utilizada en este curso considera, para cada sesión, una porción de clase teórica expositiva, y luego un laboratorio práctico donde se explora los contenidos de la clase, pero de manera aplicada (principalmente usando Python y Pytorch). Cada laboratorio práctico cuenta con una serie de actividades propuestas, que deben ser resueltas de manera individual y entregadas en una fecha posterior a definir, para poder ser evaluadas.

Resultados del Aprendizaje

1. Aplicar modelos relacionales de aprendizaje profundo.
2. Aplicar modelos activos basados en refuerzo.
3. Aplicar modelos avanzados de inteligencia artificial.
4. Identificar las limitaciones de los modelos actuales de inteligencia artificial.
5. Aplicar los modelos estudiados a problemáticas concretas, mediante un enfoque práctico.

Contenidos: 

• Parte 1: Modelos relacionales y de refuerzo
  • Redes neuronales de grafos.
  • Aprendizaje reforzado.
  • Aprendizaje por imitación.
  • Aprendizaje reforzado inverso. 
  • Modelos generativos con adversario.
  • Recomendación.
• Parte 2: Tópicos de profundización
  • Olvido catastrófico y aprendizaje incremental.
  • Modelos con memoria externa.
  • 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: 

• 5 talleres prácticos individuales – 100% (20% c/u)

Cada semana se presentan dos talleres prácticos (uno en cada sesión). Los(as) estudiantes deberán resolver y entregar al menos uno de ellos en el plazo estipulado, para su evaluación y retroalimentación. En caso de entregar ambos talleres, se preserva la mejor nota de ambos.

Curso 4: Aplicaciones de inteligencia artificial I

Nombre en inglés: AI Applications I

Horas cronológicas: 30

Créditos: 5

Descripción del curso 

Este curso busca profundizar en las técnicas y modelos asociados al reconocimiento visual y al procesamiento de lenguaje natural. El curso se divide en dos partes, donde la primera aborda distintas temáticas del reconocimiento visual, y la segunda del procesamiento de lenguaje natural. Dentro de estas clases, también se considera contenidos que combinan simultáneamente fuentes de datos o salidas en formato textual y visual. La metodología utilizada en este curso considera, para cada sesión, una porción de clase teórica expositiva, y luego un laboratorio práctico donde se explora los contenidos de la clase, pero de manera aplicada (principalmente usando Python y Pytorch). Cada laboratorio práctico cuenta con una serie de actividades propuestas, que deben ser resueltas de manera individual y entregadas en una fecha posterior a definir, para poder ser evaluadas.

Resultados del Aprendizaje

1. Aplicar modelos de reconocimiento visual de objetos y personas.
2. Aplicar modelos pre-entrenados de reconocimiento visual.     
3. Aplicar modelos de procesamiento de lenguaje natural. 
4. Aplicar modelos pre-entrenados de procesamiento de lenguaje natural.  
5. Aplicar los modelos estudiados a problemáticas concretas, mediante un enfoque práctico.

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 para reconocimiento visual de texto.
  • Modelos de pregunta-respuesta con input visual.
  • Exploración de set de datos públicos para entrenar modelos de reconocimiento visual.
  • Hardware y tips para trabajar con modelos profundos.
  • Aplicaciones.
• Parte 2: Procesamiento de lenguaje natural
  • Introducción al procesamiento de lenguaje natural.
  • Modelos de lenguaje.
  • Word Embeddings como Word2Vect y GloVe.
  • Modelos pre-entrenados para procesamiento de lenguaje natural (Elmo, Bert, GPT, chatGPT).
  • Modelos de pregunta-respuesta.
  • Exploración de set de datos públicos para procesamiento de lenguaje natural.
  • Generación de resúmenes automáticos.
  • Aplicaciones.

Metodología de enseñanza y aprendizaje: 

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

Evaluación de los aprendizajes: 

• 5 talleres prácticos individuales – 100% (20% c/u)

Cada semana se presentan dos talleres prácticos (uno en cada sesión). Los(as) estudiantes deberán resolver y entregar al menos uno de ellos en el plazo estipulado, para su evaluación y retroalimentación. En caso de entregar ambos talleres, se preserva la mejor nota de ambos.

Curso 5: Aplicaciones de inteligencia artificial II

Nombre en inglés: AI Applications II

Horas cronológicas: 30

Créditos: 5

Descripción del curso 

Este curso busca profundizar en las técnicas y modelos asociados al análisis de audio y video. El curso se divide en dos partes, donde la primera aborda distintas temáticas para trabajar con videos, y la segunda de para trabajar con audios. Hacia el final del curso también se explora aplicaciones donde se combina audio y video de manera simultánea. La metodología utilizada en este curso considera, para cada sesión, una parte de clase teórica expositiva, y luego un laboratorio práctico donde se explora los contenidos de la clase, pero de manera aplicada (principalmente usando Python y Pytorch). Cada laboratorio práctico cuenta con una serie de actividades propuestas, que deben ser resueltas de manera individual y entregadas en una fecha posterior a definir, para poder ser evaluadas.

Resultados del Aprendizaje

1. Aplicar modelos de análisis de videos
2. Aplicar modelos pre-entrenados de análisis de video.    
3. Aplicar modelos de reconocimiento de audios.
4. Aplicar modelos pre-entrenados de reconocimiento de audios.
5. Aplicar los modelos estudiados a problemáticas concretas, mediante un enfoque práctico.

Contenidos: 

• Parte 1: Análisis de videos
  • Introducción al análisis de video usando modelos de aprendizaje profundo.
  • Reconocimiento de acciones y actividades en video.
  • Seguimiento de personas u objetos 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.
  • Generación de Deep Fakes (audio + video).
  • Aplicaciones.

Metodología de enseñanza y aprendizaje: 

• Clases expositivas. 
• Talleres prácticos.
• Lecturas individuales

Evaluación de los aprendizajes: 

• 5 talleres prácticos individuales – 100% (20% c/u)

Cada semana se presentan dos talleres prácticos (uno en cada sesión). Los(as) estudiantes deberán resolver y entregar al menos uno de ellos en el plazo estipulado, para su evaluación y retroalimentación. En caso de entregar ambos talleres, se preserva la mejor nota de ambos.

Curso 6 : Seminario Ética en el desarrollo de inteligencia artificial

Nombre en inglés: Seminar Ethics in the Development of IA

Horas cronológicas: 3. 

Descripción del curso 

Este curso busca dar cierre al diplomado abordando los aspectos éticos de la IA.

Resultados de Aprendizaje

1. Identificar los principales temores sobre el impacto social de la IA.
2. 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
• Análisis de casos.

Evaluación de los aprendizajes: 

• Sin evaluación de aprendizajes.

La calificación final del diplomado será el promedio simple de las notas finales de todos los cursos. 

Los alumnos deberán ser aprobados de acuerdo los criterios que establezca la unidad académica: 

• Calificación mínima de todos los cursos 4.0 en su promedio ponderado.

Para aprobar los programas de diplomados se requiere la aprobación de todos los cursos que lo conforman.

Si bien el porcentaje de asistencia no es un requisito para la aprobación final del diplomado o curso, dentro de las clases pueden realizarse actividades no grabadas y evaluadas, sin previo aviso. 

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. 

* En caso de que un alumno repruebe uno o máximo dos cursos pertenecientes a un Diplomado, Educación Profesional Ingeniería UC ofrece la oportunidad de realizarlos en una siguiente versión del mismo programa. Para ello, el alumno deberá pagar un valor de 3 UF por curso e indicar la fecha de la versión en la que desea matricularse. La gestión debe realizarse dentro de un máximo de 2 años a contar de la fecha de inicio del Diplomado original. El estudiante debe considerar que de existir un cambio en la estructura curricular de su Diplomado que implique nuevos cursos, tendrá que realizarlos pagando un valor de 3 UF, además del que reprobó.

Las personas interesadas deberán completar la ficha de postulación que se encuentra al costado derecho de esta página web y enviar los siguientes documentos al momento de la postulación o de manera posterior a la coordinación a cargo: 

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

El postulante será contactado, para asistir a una entrevista personal (si corresponde) con el Jefe de Programa del Diplomado o su Coordinadora Académica. Cualquier información adicional o inquietud podrás escribir al correo programas@ing.puc.cl.

VACANTES: 55

INFORMACIONES RELEVANTES

Con el objetivo de brindar las condiciones de infraestructura necesaria y la asistencia adecuada al inicio y durante las clases para personas con discapacidad: Física o motriz, Sensorial (Visual o auditiva) u otra, los invitamos a informarlo. 

El postular no asegura el cupo, una vez inscrito o aceptado en el programa se debe pagar el valor completo de la actividad para estar matriculado.

No se tramitarán postulaciones incompletas.

Puedes revisar aquí más información importante sobre el proceso de admisión y matrícula