Curso de Inteligencia Artificial

Clase 1 • Ética en IA y Diseño Responsable

Introduce los principios de sesgo, equidad, transparencia y responsabilidad. Establece el razonamiento ético como una restricción de diseño innegociable a lo largo del curso.

Clase 2 • Fundamentos de Representación del Conocimiento

Explica la lógica proposicional y de primer orden, además de las redes semánticas, mostrando cómo las representaciones simbólicas codifican hechos y relaciones. Muestra la integración combinando métodos simbólicos y neuronales.

Clase 3 • Agentes Inteligentes y Entornos

Define agentes racionales, el framework PEAS y los tipos de entorno. Los estudiantes pueden diseñar arquitecturas de agentes adecuadas a entornos de tarea específicos.

Clase 4 • Historia y Evolución de la IA

Traza la IA desde la lógica simbólica hasta el deep learning, destacando avances fundamentales. Proporciona el contexto para entender por qué surgieron las técnicas modernas y dónde se destacan.

Clase 1 • Fundamentos de Aprendizaje Supervisado

Cubre datos etiquetados, funciones de pérdida y optimización basada en gradiente. Forma la base para entender redes neuronales y modelos avanzados más adelante.

Clase 2 • Algoritmos de Clasificación en Profundidad

Examina regresión logística, árboles de decisión, SVMs y k‑NN. Cubre pipelines de entrenamiento, hiperparámetros y evaluación para que los estudiantes puedan implementar y comparar cada clasificador en datasets de referencia.

Clase 3 • Modelos de Regresión y Predicción

Construye modelos de regresión lineal y polinomial con interpretación estadística. Conecta la precisión de la predicción con la toma de decisiones comerciales y científicas.

Clase 4 • Métodos de Aprendizaje No Supervisado

Explora clustering, reducción de dimensionalidad y estimación de densidad. Los estudiantes descubren estructura oculta en datos no etiquetados para análisis exploratorio.

Clase 1 • Backpropagation y Optimización

Deriva la backpropagation mediante la regla de la cadena y cubre Adam, RMSProp y SGD. Los estudiantes depuran gradientes que se desvanecen y tunean optimizadores de manera efectiva.

Clase 2 • Redes Recurrentes y Modelos de Secuencia

Examina redes neuronales recurrentes, unidades LSTM y GRU para modelar datos secuenciales. Cubre desenrollado, backpropagation a través del tiempo y consideraciones prácticas, vinculando estas técnicas a NLP y pronóstico de series temporales.

Clase 3 • Regularización y Entrenamiento Práctico

Aplica dropout, detención temprana y entrenamiento de precisión mixta a redes reales. Los estudiantes reducen el sobreajuste y disminuyen el tiempo de entrenamiento en hardware GPU.

Clase 4 • Redes Neuronales Convolucionales

Cubre convolución, pooling e interpretación de mapas de características para tareas de imagen. Los estudiantes construyen CNNs y aplican transferencia de aprendizaje a datasets personalizados.

Clase 1 • Word Embeddings y Espacio Semántico

Entrena y aplica embeddings Word2Vec, GloVe y FastText, mostrando cómo los vectores densos capturan similitud semántica. Incluye técnicas de evaluación y visualizaciones para explorar espacios de embeddings.

Clase 2 • Inmersión en la Arquitectura Transformer

Analiza la autoatención multi-cabeza, la codificación posicional y las pilas codificador-decodificador. Proporciona la comprensión arquitectónica necesaria para ajustar grandes modelos de lenguaje.

Clase 3 • Modelos Pre-entrenados y Fine-Tuning

Ajusta variantes de BERT, RoBERTa y GPT en tareas de dominio específico. Los estudiantes logran resultados de NLP de vanguardia con datos etiquetados limitados.

Clase 4 • Aplicaciones de NLP y Pipelines

Construye pipelines integrales para análisis de sentimiento, NER y resumen. Integra preprocesamiento, modelado y despliegue en sistemas listos para producción.

Clase 1 • Vision Transformers y Arquitecturas Modernas

Aplica Vision Transformers, CLIP y DINO para clasificación de imágenes y reconocimiento zero-shot. Explica patch embedding, autoatención y aprendizaje contrastivo, vinculando conceptos de transformers de NLP a sistemas de visión modernos.

Clase 2 • Modelos Generativos para Imágenes

Construye GANs y autoencoders variacionales para sintetizar imágenes realistas y realizar transferencia de estilo. Explora la manipulación del espacio latente, trucos de estabilidad de entrenamiento y métricas para evaluar la calidad y diversidad de la generación.

Clase 3 • Arquitecturas de Detección de Objetos

Compara YOLO, Faster R-CNN y SSD para detección precisa y en tiempo real. Los estudiantes entrenan detectores en datasets personalizados con anotaciones de bounding boxes.

Clase 4 • Segmentación Semántica y de Instancias

Implementa U‑Net y Mask R‑CNN para segmentación a nivel de píxel, detallando diseños de codificador-decodificador y pipelines de generación de máscaras. Conecta estas técnicas a dominios como imágenes médicas, conducción autónoma y robótica.

Clase 1 • Métodos Model-Free Basados en Valor

Implementa Q-learning, SARSA y Deep Q-Networks en entornos Gym. Los estudiantes comprenden el aprendizaje por diferencia temporal y el experience replay.

Clase 2 • Procesos de Decisión de Markov

Formaliza estados, acciones, recompensas y dinámicas de transición matemáticamente. Proporciona la base teórica para todos los algoritmos de reinforcement learning.

Clase 3 • RL Multi-Agente y Jerárquico

Extiende RL a configuraciones multi-agente cooperativas y competitivas, y a jerarquías de habilidades. Prepara a los estudiantes para el control de sistemas complejos del mundo real.

Clase 4 • RL Avanzado: PPO y SAC

Aplica Proximal Policy Optimization y Soft Actor-Critic a tareas complejas. Los estudiantes logran un entrenamiento estable en benchmarks de control continuo.

Clase 1 • Fine-Tuning y Alineación

Aplica fine-tuning supervisado, RLHF y optimización directa de preferencias para alinear los LLMs con la intención humana. Los estudiantes crean modelos de dominio específico que siguen instrucciones respetando las restricciones de seguridad.

Clase 2 • Ingeniería de Prompts y Aprendizaje en Contexto

Aplica técnicas de prompts zero-shot, few-shot, cadena de pensamiento y estructuradas. Una ingeniería de prompts efectiva multiplica la capacidad del modelo sin actualizar parámetros.

Clase 3 • Arquitectura de LLMs y Leyes de Escala

Analiza las arquitecturas GPT, LLaMA y Mistral, junto con las leyes de escala Chinchilla. Los estudiantes predicen la capacidad del modelo a partir de presupuestos de cómputo y datos.

Clase 4 • Agentes LLM y Uso de Herramientas

Construye agentes autónomos usando ReAct, llamadas a funciones y frameworks multi-agente. Los estudiantes despliegan agentes que planifican, usan herramientas y completan tareas de múltiples pasos.

Clase 1 • Monitoreo y Mantenimiento de Modelos

Implementa detección de drift, alertas y disparadores de reentrenamiento en producción. Previene la degradación silenciosa del modelo que erosiona el valor comercial con el tiempo.

Clase 2 • Seguimiento de Experimentos y Reproducibilidad

Usa MLflow, Weights & Biases y DVC para registrar experimentos de forma sistemática. La reproducibilidad permite la colaboración en equipo y el cumplimiento normativo.

Clase 3 • Servicio y Despliegue de Modelos

Despliega modelos a través de APIs REST, pipelines batch y runtimes de edge. Guía a los estudiantes en la contenedorización con Docker, la serialización de modelos y estrategias de servicio escalables para rendimiento y confiabilidad.

Clase 4 • Infraestructura de Entrenamiento Escalable

Configura entrenamiento distribuido con Horovod y clústeres de GPUs en la nube. Los estudiantes reducen el tiempo de entrenamiento de modelos grandes mediante estrategias de paralelismo.