Programa de Alta Especialización
Inteligencia Artificial Avanzada
Solicita mas información
Sobre el Programa
La inteligencia artificial (IA) se ha consolidado como un componente clave en la economía digital actual. Por ello, es crucial que líderes y profesionales de diversas áreas comprendan los principios básicos de la IA y su aplicabilidad en sus respectivos sectores. Este programa cubre desde los fundamentos de la IA hasta aplicaciones avanzadas de aprendizaje automático, modelos de lenguaje, ética y transparencia, innovaciones en aprendizaje profundo, procesos de toma de decisiones basados en IA y la gobernanza estratégica de la inteligencia artificial.
Objetivo
Brindar a los participantes los conocimientos teóricos y prácticos avanzados en Inteligencia Artificial y Machine Learning, fortaleciendo sus competencias para el diseño, desarrollo e implementación de soluciones innovadoras aplicables en diversos sectores, incluyendo seguridad y defensa, industria, finanzas, telecomunicaciones y servicios.
Dirigido
- Profesionales innovadores responsables de guiar proyectos de transformación digital en empresas de mediana y gran escala. Interesados en utilizar la IA de manera estratégica para optimizar operaciones y aumentar la competitividad.
- Profesionales de ventas, marketing, tecnologías, finanzas y emprendimiento,
orientados a mejorar la experiencia del cliente y perfeccionar las estrategias de
mercado mediante el uso de IA. - Comunicadores sociales, especialistas en marketing y cualquier profesional
involucrado en la creación de contenidos digitales.
Metodología
El programa se desarrollará en modalidad 100% virtual, garantizando un
aprendizaje dinámico, participativo y práctico:
- Clases sincrónicas en tiempo real: sesiones virtuales con docentes
expertos mediante plataforma de videoconferencia. - Laboratorios virtuales y ejercicios prácticos: uso de entornos en la nube
para aplicar técnicas de IA y Machine Learning con datasets reales. - Campus Virtual: acceso a materiales de estudio, lecturas, bibliografía
digital, grabaciones de clases y foros de discusión. - Aprendizaje activo: resolución de casos prácticos, análisis de problemas
reales y desarrollo de proyectos aplicados a diversos sectores. - Tutorías personalizadas: acompañamiento académico para resolver
dudas técnicas y fortalecer la comprensión de los contenidos. - Proyecto Final Integrador: elaboración y presentación de un trabajo
aplicado que demuestre la competencia adquirida en Inteligencia
Artificial avanzada.
Requisitos de Admisión
Para participar en el programa, los postulantes deberán cumplir con los
siguientes requisitos mínimos:
1.Formación Académica:
Egresados, bachilleres o titulados de universidades e institutos en
carreras afines a ingeniería, ciencias, economía, administración,
telecomunicaciones u otras áreas relacionadas.
Estudiantes de últimos ciclos con interés en especializarse en
Inteligencia Artificial.
2.Conocimientos Básicos:
Manejo intermedio de ofimática.
Conocimientos elementales de matemáticas y estadística
(álgebra lineal, probabilidad y funciones básicas).
Conocimientos previos de programación (preferentemente en
Python).
3.Equipamiento Técnico:
Computadora personal o laptop con acceso estable a internet.
Cuenta de correo electrónico activa.
Certificación
1. Diploma Digital
Al haber aprobado el Diploma con un promedio ponderado mayor ó igual a 14, se le otorga al participante un diploma a nombre de la Universidad Nacional de Ingeniería – Facultad de Ingenieria Mecánica.
2. Constancia de Asistencia
Al participante que no cumpla con los requisitos de certificación, se le
otorgará una Constancia de Asistencia, para lo cual el alumno deberá contar con una asistencia a clase mínima del 80%. En el caso de no cumplir con dicho requerimiento no se emitirá dicha Constancia.
Inicio
26 de octubre
Modalidad
online en vivo
Horario
domingos de 9 am a 1 pm
Duración
2 meses (120 hrs certificadas)
Certificación
Certificado digital UNI con QR
¡Certifícate a nombre de la mejor Universidad del Perú!
Nuestro certificado es reconocido y avalado por instituciones educativas y profesionales. Refleja la calidad de la formación recibida y es una valiosa acreditación para avanzar en el mercado laboral.
Docente
Temario
Fundamentos de IA y Machine Learning
1. Competencia:
En esta sesión inicial, se establecerán las bases teóricas y conceptuales para el resto del programa. El objetivo es que los participantes comprendan el panorama general del campo y se familiaricen con las herramientas esenciales.
2. Contenidos:
- Introducción a la Inteligencia Artificial, Machine Learning y Deep
- Learning: Diferencias clave y aplicaciones en la industria.
- Tipos de Aprendizaje:
- Aprendizaje Supervisado: Definición, casos de uso y ejemplos.
- Aprendizaje No Supervisado: Definición, casos de uso y ejemplos.
- Aprendizaje por Refuerzo: Breve introducción al concepto.
- Herramientas y Bibliotecas Esenciales:
- Python: El lenguaje de programación principal.
- Bibliotecas Clave: Presentación de Scikit-learn, Pandas, NumPy,
- Matplotlib y Seaborn.
- Metodologías de un Proyecto de Machine
Análisis y Preparación de Datos
1. Competencia:
Este bloque es fundamental, ya que la calidad de los modelos de Machine Learning depende directamente de la calidad
de los datos de entrenamiento. Se dedicarán dos sesiones completas para dominar estas técnicas.
2. Contenidos:
- Análisis Exploratorio de Datos (EDA – Exploratory Data Analysis):
- Técnicas para entender la distribución y características de los datos.
- Visualización de datos con Matplotlib y Seaborn.
- Herramientas de EDA Automático:
- Introducción a librerías como Pandas Profiling o Sweetviz para generar reportes automáticos.
- Limpieza y Preprocesamiento de Datos:
Manejo de valores faltantes y datos atípicos (outliers). - Normalización y estandarización de variables.
- Feature Engineering (Ingeniería de Características)
- Creación de nuevas variables a partir de las existentes.
- Técnicas de codificación para variables categóricas.
- Selección de características relevantes.
Machine Learning con Modelos Supervisados
1. Competencia:
Se abordarán dos de los algoritmos supervisados más comunes y potentes. Cada modelo incluirá una explicación
teórica, la evaluación de su rendimiento y un caso práctico.
2. Contenidos:
- Modelos de Regresión:
- Regresión Lineal y Múltiple: Principios y supuestos.
- Métricas de Desempeño para Regresión: MAE, MSE, RMSE, y R2.
- Caso Práctico Aplicado: Predicción de precios de viviendas.
- Modelos Basados en Árboles:
- Árboles de Decisión: Funcionamiento y visualización.
- Bosques Aleatorios (Random Forests): Concepto de ensemble learning para mejorar el rendimiento.
- Métricas de Desempeño para Clasificación: Matriz de Confusión, Precisión, Recall y F1-Score.
- Caso Práctico Aplicado: Predicción de churn de clientes (abandono de servicio).
Machine Learning con Modelos No Supervisados
1. Competencia:
Esta sesión se centrará en técnicas que no requieren datos etiquetados, permitiendo encontrar patrones y estructuras ocultas en los conjuntos de datos.
2. Contenidos:
- Clustering:
Algoritmo K-Means: Fundamentos, cómo funciona y elección del
número de clusters. - Caso Práctico: Segmentación de clientes.
- Reglas de Asociación:
- Algoritmo Apriori: Concepto de reglas de asociación (association rules).
- Caso Práctico: Análisis de cestas de la compra (market basket analysis).
Deep Learning
1. Competencia:
Este bloque, ampliado para una inmersión más
profunda, se centrará en la arquitectura de redes neuronales de
mayor impacto en la industria: CNN para visión artificial y una
introducción al procesamiento de lenguaje natural.
2. Contenidos:
Fundamentos de Redes Neuronales:
– Neuronas, capas, y funciones de activación.
– Concepto de backpropagation y optimizadores.
Redes Neuronales Convolucionales (CNN):
– Arquitectura: Capas convolucionales, de pooling y densas.
– Aplicaciones: Reconocimiento de imágenes, detección de objetos.
– Caso Práctico: Clasificación de imágenes utilizando TensorFlow y Keras.
Introducción al Procesamiento de Lenguaje Natural (NLP):
– Conceptos básicos: Tokenización, vectores de palabras.
– Introducción a arquitecturas como las Redes Recurrentes (RNN).
– Aplicación práctica: Análisis de sentimientos o clasificación de
textos.
Sigue nuestras redes
Contáctanos
Universidad Nacional de Ingeniería - UNI
Av. Túpac Amaru Nº210 - Rimac, Puerta Nº 3 Lima, Perú, Facultad de Ingeniería Mecánica - UNI
Correo Institucional
unielearning@uni.edu.pe
Correo Informes
informes@unielearning.net
WhatsApp Informes
974 539841
932 896014