Curso de Inteligencia Artificial

Lección 1 • Ética de la IA y diseño responsable

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

Lección 2 • Fundamentos de la 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 que combina métodos simbólicos y neuronales.

Lección 3 • Agentes inteligentes y entornos

Define los agentes racionales, el marco PEAS y los tipos de entorno. Los estudiantes podrán diseñar arquitecturas de agentes adecuadas para entornos de tareas específicos.

Lección 4 • Historia y evolución de la IA

Traza la evolución de la IA desde la lógica simbólica hasta el aprendizaje profundo, destacando los avances fundamentales. Proporciona el contexto para entender por qué surgieron las técnicas modernas y dónde sobresalen.

Lección 1 • Fundamentos del aprendizaje supervisado

Cubre datos etiquetados, funciones de pérdida y optimización basada en gradiente. Constituye la base para comprender las redes neuronales y los modelos avanzados más adelante.

Lección 2 • Algoritmos de clasificación en profundidad

Examina la regresión logística, los árboles de decisión, las SVM y k-NN. Cubre los pipelines de entrenamiento, los hiperparámetros y la evaluación para que los estudiantes puedan implementar y comparar cada clasificador en conjuntos de datos de referencia.

Lección 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 empresariales y científicas.

Lección 4 • Métodos de aprendizaje no supervisado

Explora la agrupación, la reducción de dimensionalidad y la estimación de densidad. Los estudiantes descubren estructuras ocultas en datos no etiquetados para el análisis exploratorio.

Lección 1 • Retropropagación y optimización

Deriva la retropropagación mediante la regla de la cadena y cubre Adam, RMSProp y SGD. Los estudiantes depuran gradientes que se desvanecen y ajustan optimizadores de manera eficaz.

Lección 2 • Redes recurrentes y modelos de secuencia

Examina las redes neuronales recurrentes, las unidades LSTM y GRU para modelar datos secuenciales. Cubre el desenrollado, la retropropagación a través del tiempo y consideraciones prácticas, vinculando estas técnicas con el PLN y la predicción de series temporales.

Lección 3 • Regularización y entrenamiento práctico

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

Lección 4 • Redes neuronales convolucionales

Cubre la convolución, el pooling y la interpretación de mapas de características para tareas de imágenes. Los estudiantes construyen CNN y aplican transferencia de aprendizaje a conjuntos de datos personalizados.

Lección 1 • Embeddings de palabras y espacio semántico

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

Lección 2 • Inmersión profunda en la arquitectura Transformer

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

Lección 3 • Modelos preentrenados y ajuste fino

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

Lección 4 • Aplicaciones y pipelines de PLN

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

Lección 1 • Transformers de visión y arquitecturas modernas

Aplica Vision Transformers, CLIP y DINO para la clasificación de imágenes y el reconocimiento de cero disparos. Explica el incrustado de parches, la autoatención y el aprendizaje contrastivo, vinculando los conceptos de transformers de PLN con los sistemas de visión modernos.

Lección 2 • Modelos generativos para imágenes

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

Lección 3 • Arquitecturas de detección de objetos

Compara YOLO, Faster R-CNN y SSD para una detección precisa y en tiempo real. Los estudiantes entrenan detectores en conjuntos de datos personalizados con anotaciones de cuadros delimitadores.

Lección 4 • Segmentación semántica y de instancias

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

Lección 1 • Métodos libres de modelo basados en valor

Implementa Q-learning, SARSA y Deep Q-Networks en entornos Gym. Los estudiantes comprenden el aprendizaje por diferencia temporal y la repetición de experiencias.

Lección 2 • Procesos de decisión de Markov

Formaliza matemáticamente los estados, acciones, recompensas y dinámicas de transición. Proporciona la base teórica para todos los algoritmos de aprendizaje por refuerzo.

Lección 3 • RL multiagente y jerárquico

Extiende el RL a entornos multiagente cooperativos y competitivos, y a jerarquías de habilidades. Prepara a los estudiantes para el control de sistemas complejos del mundo real.

Lección 4 • RL avanzado: PPO y SAC

Aplica la optimización de política proximal y el actor-crítico suave a tareas complejas. Los estudiantes logran un entrenamiento estable en puntos de referencia de control continuo.

Lección 1 • Ajuste fino y alineación

Aplica el ajuste fino supervisado, RLHF y la optimización directa de preferencias para alinear los LLM con la intención humana. Los estudiantes crean modelos de dominio específico que siguen instrucciones mientras se adhieren a las restricciones de seguridad.

Lección 2 • Ingeniería de prompts y aprendizaje en contexto

Aplica técnicas de cero disparos, pocos disparos, cadena de pensamiento y prompts estructurados. La creación de prompts eficaces multiplica la capacidad del modelo sin ninguna actualización de parámetros.

Lección 3 • Arquitectura de LLM y leyes de escala

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

Lección 4 • Agentes de LLM y uso de herramientas

Construye agentes autónomos utilizando ReAct, llamadas a funciones y marcos multiagente. Los estudiantes despliegan agentes que planifican, usan herramientas y completan tareas de varios pasos.

Lección 1 • Monitoreo y mantenimiento de modelos

Implementa la detección de desviaciones, alertas y desencadenadores de reentrenamiento en producción. Previene la degradación silenciosa del modelo que erosiona el valor empresarial con el tiempo.

Lección 2 • Seguimiento de experimentos y reproducibilidad

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

Lección 3 • Servicio y despliegue de modelos

Despliega modelos a través de API REST, pipelines por lotes y tiempos de ejecución en el borde. Guía a los estudiantes a través de la contenerización con Docker, la serialización de modelos y las estrategias de servicio escalable para el rendimiento y la confiabilidad.

Lección 4 • Infraestructura de entrenamiento escalable

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