Maestría en Inteligencia Artificial

Descripción de los cursos

Fundamentos de IA Conceptos, técnicas y aplicaciones esenciales de la inteligencia artificial (IA). Evolución de la IA y sus hitos clave. Resolución de problemas mediante algoritmos. Representación del conocimiento con lógica proposicional y de primer orden. Sistemas de razonamiento automatizado. Técnicas de planificación y toma de decisiones en entornos inciertos. Arquitectura y funcionamiento de agentes inteligentes. Sistemas basados en el conocimiento y sistemas expertos. Introducción al aprendizaje automático. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

Programación para IA Fundamentos de programación en Python. Manejo de estructuras de datos, listas y diccionarios. Lectura y escritura de archivos. Uso de funciones incorporadas y definidas por el usuario. Introducción a la programación modular mediante la importación de módulos y el uso de bibliotecas estándar y externas. Programación orientada a objetos (POO). Clases, objetos, métodos, atributos, herencia y polimorfismo, aplicándolos a modelos básicos de IA. Herramientas y bibliotecas esenciales para IA. NumPy, Pandas, TensorFlow y PyTorch.

Matemáticas para IA Álgebra Lineal. Conceptos fundamentales de vectores, matrices, operaciones básicas, espacios vectoriales, normas, distancias, sistemas de ecuaciones lineales y descomposición en valores propios. Derivadas y reglas de derivación, derivadas parciales, integrales definidas y técnicas de integración. Probabilidad y Estadística. Principios de probabilidad espacio muestral, probabilidad condicional, teorema de Bayes, variables aleatorias, distribuciones, medidas descriptivas como media y varianza, distribuciones binominal y normal. Introducción a la estimación.

Machine Learning Principios y técnicas del aprendizaje automático. Aprendizaje supervisado y no supervisado. Regresión lineal y logística. Árboles de decisión. Máquinas de vectores de soporte. Clustering con K-means y análisis de componentes principales.

Redes Neuronales y Deep Learning Introducción a las redes neuronales y al aprendizaje profundo. Conceptos generales. Arquitectura de redes convolucionales (CNN) y recurrentes (RNN). Técnicas de optimización y regularización. Aplicaciones prácticas. Herramientas.

Proyecto de Desarrollo en IA - I El Proyecto de Desarrollo en IA - I comienza un ciclo de concepción, diseño y planificación de un proyecto de 'desarrollo de aplicación tecnológica basada en el uso de la Inteligencia Artificial. Los proyectos son individuales por estudiante, y deben orientarse en los marcos teóricos aportados _y a la aplicación de nuevas tecnologías a productos o servicios presentando soluciones inteligentes e innovadoras a problemáticas reales.

Proyecto de Desarrollo en IA - II El Proyecto de Desarrollo en IA - II se enfoca en la validación, resolución de compromisos, prototipación y testeo del proyecto comenzado en el requerimiento "Proyecto de Desarrollo en IA - I". Este proyecto permite además a los maestrandos comenzar y/o avanzar con la concepción de su Trabajo Final de la Maestría.

Taller de preparación y presentación de trabajo final Introducción y preparación de un Trabajo Final vinculados con las áreas de IA selección de áreas de trabajo. Elección y manejo de bibliografía, bibliografía anotada. Definición de alcance. Pautas de entregas y objetivos relacionados. Armado y presentación de una propuesta de trabajo integral. Técnicas y estrategias. Normas de escritura, estilos. Tipos de trabajo de investigación.

Materias electivas

Procesamiento del Lenguaje Natural (NLP)Fundamentos y técnicas avanzadas para el análisis y comprensión del lenguaje humano por parte de las máquinas. Tokenización, análisis sintáctico y semántico. Técnicas de desambiguación de palabras. Modelos de lenguaje. N-gramas. Redes neuronales y transformadores (e.g., BERT, GPT). Aplicaciones prácticas. Traducción automática. Análisis de sentimientos. Generación de texto y extracción de información. Herramientas y bibliotecas específicas (e.g., NLTK, spaCy, Transformers).

Visión por Computadora Definición y alcance del campo de la visión por computadora. Preprocesamiento de Imágenes. Transformaciones geométricas. Filtrado de imágenes. Concepto de kernel. Transformaciones para detección de bordes. Redes convolucionales. Modelos de clasificación de imágenes binaria y multiclase. Modelos de detección de objetos. Arquitecturas y modelos populares. Segmentación semántica. Computación afectiva: modelos de reconocimiento de emociones.

Inteligencia Artificial Cloud Ventajas y aplicaciones de la inteligencia artificial en la nube. Principales servicios y plataformas de inteligencia artificial en la nube. Principales proveedores de servicios en la nube y sus soluciones de inteligencia artificial. Servicios de aprendizaje automático en la nube: TensorFlow en Google Cloud, Amazon SageMaker, Azure Machine Learning. Ejemplos prácticos de implementación de modelos de aprendizaje automático en la nube.

Inteligencia Artificial GenerativaDefinición y alcance de la inteligencia artificial generativa. Conceptos fundamentales: modelos generativos, espacio latente, función de pérdida. Arquitecturas de Modelos Generativos. Redes Generativas Adversarias (GAN). Redes Generativas Estocásticas (SGN). Codificador Automático Variacional (VAE). Aplicaciones de la Inteligencia Artificial Generativa. Generación de imágenes realistas. Síntesis de texto y generación de lenguaje natural. Concepto básico de los Transformers. Componentes Esenciales de los Transformers. Capas de feed-forward y normalización por capas. Codificadores y decodificadores en arquitecturas Transformer.

Ciberseguridad e IA Fundamentos de ciberseguridad. Criptografía, gestión de identidades, y detección de intrusiones. Técnicas de IA aplicadas a la ciberseguridad. Algoritmos de machine learning para la detección de anomalías, análisis de malware, y respuesta automatizada a incidentes. Sistemas de seguridad inteligentes. Herramientas. Casos prácticos de ciberataques y defensas basadas en IA Privacidad de datos y las implicaciones éticas y legales del uso de IA en la ciberseguridad.

Seminario de Innovación y Tendencias en IA Últimas tendencias y desarrollos en el campo de la inteligencia artificial. Estudio de tecnologías emergentes, aprendizaje profundo, redes neuronales avanzadas, y modelos de lenguaje grandes. Aplicaciones de IA en diversas industrias, como salud, finanzas, transporte y entretenimiento. Casos de estudio. Nuevas tecnologías y herramientas.

Seguridad y Ética en Inteligencia Artificial Definición de ética y su importancia en el desarrollo de la IA. Principios éticos en la IA: transparencia, equidad, responsabilidad. Impacto social y humano de la IA. Desafíos Éticos en la Inteligencia Artificial. Sesgo algorítmico y discriminación. Responsabilidad y rendición de cuentas en el desarrollo y despliegue de sistemas de IA. Regulación y Políticas de Inteligencia Artificial. Marco legal y regulatorio para la IA. Iniciativas internacionales y nacionales para regular la IA

Internet de las Cosas (loT) e IA Integración de la inteligencia artificial con loT. Arquitectura y componentes de sistemas loT. Sensores, actuadores y comunicación en red. Técnicas de adquisición, transmisión y almacenamiento de datos generados por dispositivos loT, así como su análisis mediante algoritmos de inteligencia artificial para la toma de decisiones automatizadas. Aplicaciones loT inteligentes. Casos de uso en diversas industrias.

Robótica e Inteligencia ArtificialDefinición y alcance de la robótica inteligente. Historia y evolución de la robótica. Aplicaciones de la robótica inteligente en diferentes sectores. Sensores utilizados en robótica: cámaras, lidar, sensores inerciales, sensores de presión y deformación. Procesamiento de datos sensoriales para la percepción del entorno. Técnicas de fusión sensorial para una percepción robusta. Métodos de planificación de trayectorias y movimientos. Aprendizaje por refuerzo para la toma de decisiones en robótica. Aprendizaje supervisado y no supervisado para la percepción y manipulación de objetos. Navegación autónoma en entornos exteriores e interiores.

Sistemas multiagentesDefinición de agentes y sistemas multi-agentes. Características de los agentes: autonomía, reactividad, proactividad y capacidad social. Paradigmas y enfoques para el diseño de sistemas multi-agentes. Arquitectura basada en comportamientos reactivos, en agentes deliberativos y en agentes cognitivos. Protocolos de comunicación entre agentes. Lenguajes de comunicación entre agentes. Coordinación y negociación entre agentes. Aplicaciones de los Sistemas Multiagentes.

Aprendizaje por Refuerzo Definición y conceptos fundamentales del aprendizaje por refuerzo. Componentes de un problema de aprendizaje por refuerzo: entorno, agente, acciones, estados, recompensas. Definición y formalismo de Markov Decision Process. Políticas y valor de estado-acción. Métodos de resolución de MDP (Markov Decision Process): iteración de valor, iteración de política, métodos de Monte Cario. Aprendizaje con funciones de valor: Q-learning, SARSA. Aproximación de funciones de valor: métodos de función de valor aproximada, Deep Q­ Networks (DON). Dilema exploración-explotación. Métodos de exploración: E-greedy, softmax. Aplicaciones de Aprendizaje por Refuerzo.

Data ScienceDefinición y alcance de la ciencia de datos. Ciclo de vida del proyecto de ciencia de datos: adquisición de datos, limpieza, exploración, modelado, evaluación y despliegue. Fuentes de datos: estructurados, no estructurados y semiestructurados, Técnicas de recolección de datos. Limpieza y preprocesamiento de datos: manejo de valores faltantes, detección y tratamiento de valores atípicos, normalización y codificación de variables. Análisis Exploratorio de Datos. Conceptos básicos de modelado predictivo y clasificación. Algoritmos de aprendizaje supervisado y no supervisado. Evaluación del rendimiento del modelo y selección del mejor modelo.

Big Data¿Qué es Big Data?. Las 3V: Volumen, Velocidad y Variedad. La 4V: Veracidad. La 5V: Valor aplicado al Negocio. El paradigma MapReduce. Datos estructurados y no estructurados. BD NoSQL. Herramientas de explotación. Herramientas de visualización. Casos de éxito y fracasos aplicados a las diferentes industrias. MongoDB. Introducción a Apache Hadoop. Hadoop File System, HadoopDB. Lenguajes de alto nivel: HiveQL y Pig Latin. Análisis de datos con Hadoop y Hive. Procesamiento en tiempo real. Apache Spark. Soluciones de big data en la nube.