No te pierdas Diseño y Desarrollo Web 2.0

Analista en Inteligencia Artificial

[ 2 años ]

Disponible en modalidad: Streaming

Introducción

Analista en Inteligencia Artificial te prepara para desarrollar e integrar soluciones basadas en IA. Aprenderás programación, ciencia de datos y Machine Learning, y avanzarás hacia la IA generativa, los modelos de lenguaje, los agentes inteligentes y el desarrollo de aplicaciones, con criterios técnicos y responsables.

Objetivos

Preparar y analizar datos, entrenar y evaluar modelos de IA, desarrollar soluciones con IA generativa y agentes inteligentes, e integrar modelos en aplicaciones aplicando criterios de seguridad, privacidad y uso responsable.

Temario

Fundamentos de Programación con Python:

Fundamentos de Python: variables, estructuras, funciones y módulos / Entornos virtuales, notebooks / Consumo de APIs y buenas prácticas de programación aplicada a IA.

Matemática y Estadística Aplicada a la IA

Vectores, matrices y operaciones fundamentales / Media, varianza, desviación, probabilidad y distribuciones / Correlación, funciones, derivadas y gradiente a nivel aplicado / Interpretación matemática de algoritmos y métricas.

ver más...

Próximo Inicio

15/04


Ver todos los inicios

Solicitá aquí la ficha informativa

Precios / Horarios

Locales

Esta propuesta se dicta en:
bios

Temario


Primer año


Fundamentos de Programación con Python:

- Fundamentos de Python: variables, estructuras, funciones y módulos.
- Entornos virtuales, notebooks.
- Consumo de APIs y buenas prácticas de programación aplicada a IA.

Matemática y Estadística Aplicada a la IA

- Vectores, matrices y operaciones fundamentales.
- Media, varianza, desviación, probabilidad y distribuciones.
- Correlación, funciones, derivadas y gradiente a nivel aplicado.
- Interpretación matemática de algoritmos y métricas.

Datos para Inteligencia Artificial

- NumPy, Pandas y SQL.
- Limpieza, transformación, calidad y preparación de datos.
- Visualización y comunicación de resultados.
- Feature engineering e introducción a bases de datos.

Machine Learning:

- Regresión, clasificación, árboles y métodos ensemble.
- Aprendizaje no supervisado: clustering y reducción dimensional.
- Entrenamiento, validación, métricas, overfitting y selección de modelos.
- Implementación de soluciones con Scikit-learn.

Implementación de Proyectos de Machine Learning:

- Definición del problema y preparación del conjunto de datos.
- Entrenamiento y comparación de modelos.
- Evaluación, documentación y presentación de resultados.


Segundo año


Deep Learning:

- Redes neuronales, entrenamiento y optimización. TensorFlow y/o PyTorch.
- ⁠Redes convolucionales, transfer learning y modelos preentrenados.
- ⁠Atención e introducción conceptual a la arquitectura Transformer.

Procesamiento del Lenguaje Natural (Natural Language Processing, NLP) y LLM:

- ⁠Fundamentos de NLP y representación del lenguaje.
- ⁠Embeddings, atención y arquitecturas Transformer. Modelos de lenguaje preentrenados y LLM.
- ⁠Hugging Face, modelos comerciales y open source. Evaluación de modelos y respuestas.

Inteligencia Artificial Generativa:

- Fundamentos de GenAI y modelos multimodales.
- Generación de texto, imagen y otros contenidos.
- Function calling, herramientas y salidas estructuradas.
- Fine tuning: conceptos, posibilidades y criterios de uso.

RAG, Agentes y Automatización Inteligente:

- Embeddings, búsqueda semántica y bases vectoriales.
- Arquitecturas RAG y recuperación de conocimiento.
- Agentes, herramientas, memoria y workflows.
- LangChain/LangGraph o tecnologías equivalentes e integración empresarial.

Computer Vision e IA Multimodal

- Procesamiento de imágenes con OpenCV.
- Clasificación, detección y modelos preentrenados.
- Visión + lenguaje y aplicaciones multimodales.

Despliegue de aplicaciones de IA

- APIs con FastAPI o tecnología equivalente. Integración de modelos y persistencia de datos.
- Docker básico, servicios cloud y despliegue.
- Introducción a MLOps: versionado, monitoreo, costos y rendimiento.

Ética y Responsabilidad en Data Science y Artificial Intelligence:

- Sesgo, privacidad, explicabilidad y protección de datos. Anonimización de datos.
- Seguridad en aplicaciones con LLM y prompt injection.
- Propiedad intelectual, evaluación de riesgo y uso responsable.
- Human-in-the-loop y criterios de gobernanza.

Otros inicios de Analista en Inteligencia Artificial



Diseño y Comunicación - 15/04/2027

Plantel Docente