Diplomado en Inteligencia artificial

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. 

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.

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

Sebastián Amenábar

Estudiante de Magíster en Ciencias de la Ingeniería e Ingeniería Civil en Computación y miembro del Laboratorio de Inteligencia Artificial (IALAB), UC

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.

* 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 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

• 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.

1. Entender y explicar conceptos y técnicas relevantes al estado del arte en el área de IA. 
2. 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.
3. Conocer y aplicar las principales herramientas y modelos disponibles en código abierto para el desarrollo de soluciones basadas en IA. 

Nombre del curso: Seminario Introducción a inteligencia artificial y aprendizaje de máquina

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

Horas cronológicas: 12 

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 y usar elementos de programación en Python relevantes para los cursos del diplomado.
4. 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

Nombre en inglés: Artificial Intelligence I

Horas cronológicas: 30

Créditos: 5

Resultados del Aprendizaje

1. Comprender los conceptos fundamentales del aprendizaje profundo.
2. Diseñar modelos de IA basados en redes neuronales convolucionales y recurrentes.
3. Conocer y aplicar mecanismos de atención y arquitecturas standard para implementación de modelos de aprendizaje profundo.
4. 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

Nombre en inglés: Artificial Intelligence II

Horas cronológicas: 30

Créditos: 5

Resultados del Aprendizaje

1. Comprender y aplicar modelos relacionales de aprendizaje profundo.
2. Comprender y aplicar modelos activos basados en refuerzo.
3. Conocer y aplicar modelos avanzados de inteligencia artificial.
4. 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

Nombre en inglés: AI Applications I

Horas cronológicas: 30

Créditos: 5

Resultados del Aprendizaje

1. Identificar y aplicar modelos de reconocimiento visual de objetos y personas.
2. Aplicar modelos pre-entrenados de reconocimiento visual.     
3. Entender y aplicar modelos de procesamiento de lenguaje natural. 
4. 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

Nombre en inglés: AI Applications II

Horas cronológicas: 30

Créditos: 5

Resultados del Aprendizaje

1. Entender y aplicar modelos de análisis de videos
2. Aplicar modelos pre-entrenados de análisis de video.    
3. Entender y aplicar modelos de reconocimiento de audios.
4. 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

Nombre en inglés: Seminar Ethics in the Development of IA

Horas cronológicas: 3. 

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: 

No aplica

BIBLIOGRAFÍA

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.

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.

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:

• Mínimo de asistencia del 75% a todo el diplomado (incluyendo seminarios).
• 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. 

*En caso de que un alumno repruebe un curso perteneciente a un diplomado, en Educación Profesional Ingeniería UC ofrecemos la oportunidad de realizar un nuevo intento. Para ejercer este derecho, 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, y es factible para un máximo de 2 cursos por diplomado.

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: 40

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