DESCRIPCIÓN
La Certificación de Especialista en Inteligencia Artificial es una acreditación profesional. Un Especialista Certificado en Inteligencia Artificial entiende cómo se pueden utilizar las prácticas de IA para realizar análisis de datos y procesamiento autónomo de datos y tiene conocimientos de enfoques de aprendizaje y diseños funcionales, así como conocimientos de redes neuronales.
OBJETIVO
Formar profesionales capaces de aplicar técnicas y prácticas de Inteligencia Artificial de manera efectiva en diferentes contextos empresariales, contribuyendo al análisis de datos, al procesamiento autónomo de información y a la toma de decisiones estratégicas.
OBJETIVOS ESPECÍFICOS
- Adquirir conocimientos avanzados sobre los principios y aplicaciones de la Inteligencia Artificial, incluyendo enfoques de aprendizaje automático y diseños funcionales de sistemas inteligentes.
- Desarrollar habilidades prácticas en el uso de herramientas y técnicas de Inteligencia Artificial para el análisis de datos y la automatización de procesos en entornos empresariales.
- Comprender los fundamentos de las redes neuronales y otros enfoques avanzados de Inteligencia Artificial, y ser capaz de aplicarlos en la resolución de problemas complejos en diferentes áreas empresariales.
DIRIGIDO A
El curso de Certificación de Especialista en Inteligencia Artificial está dirigido a profesionales de diversas áreas que deseen adquirir conocimientos y habilidades en el campo de la Inteligencia Artificial. También está dirigido a emprendedores y empresarios que buscan implementar soluciones basadas en Inteligencia Artificial en sus organizaciones para mejorar la eficiencia, la toma de decisiones y la competitividad en el mercado.
TEMARIO
Objetivos específicos | Contenido temático | Actividades a realizar | Recursos y materiales |
---|---|---|---|
Fundamentos Inteligencia Artificial | Factores tecnológicos y de negocio de IA • Beneficios y retos de IA • Categorías de problemas de negocio que aborda la IA • Tipos de IA (angosta, general, simbólica, no simbólica, etc.) • Enfoques y algoritmos comunes de aprendizaje de la IA • Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje continuo • Aprendizaje heurístico, aprendizaje semisupervisado, aprendizaje por refuerzo • Diseños funcionales comunes de IA • Visión por computadora, reconocimiento de patrones • Robóticas, procesamiento del lenguaje natural (NLP) • Reconocimiento del habla, comprensión del lenguaje natural (NLU) • Integración sin fricción, integración del modelo de tolerancia a fallas • Redes neuronales, neuronas, capas, enlaces y pesos • Cómo entender los modelos de IA, modelos de entrenamiento y redes neuronales • Cómo entender la manera en que existen los modelos y las redes neuronales • Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época • Arquitecturas fundamentales y especializadas de redes neuronales • Perceptrón, compensación, compensación profunda, autocodificador, recurrente, memoria de corto/largo plazo • Red convolucional profunda, máquina de aprendizaje extremo, red residual profunda • Máquina de vector de soporte, red de Kohonen, red de Hopfield • Red generativa adversarial, máquina en estado líquido • Cómo construir un sistema de IA (paso a paso) • Principios comunes de diseño de sistemas de IA y mejores prácticas de proyectos de IA |
| Equipo conectado a internet, puede ser:
Computadora de escritorio |
Inteligencia Artificial Avanzada | • Patrones de manipulación de datos para preparar los datos para la entrada de la red neuronal • Codificación de características para convertir características categóricas • Imputación de características para inferir valores de las características • Escalamiento de características para conjuntos de datos de entrenamiento con características amplias • Representación de textos para convertir datos preservando las propiedades semánticas y de sintaxis • Reducción de la dimensionalidad para reducir el espacio de características para la entrada de la red neuronal • Patrones de aprendizaje supervisado para entrenar modelos de redes neuronales • Configuración de redes supervisadas para establecer el número de neuronas en las capas de la red • Identificación de imágenes para usar una red neuronal convolucional • Identificación de secuencias para usar una red neuronal de memoria de corto/largo plazo • Patrones de aprendizaje no supervisado para el entrenamiento de modelos de redes neuronales • Identificación de patrones para identificar visualmente patrones mediante un mapa autoorganizado • Filtrado de contenidos para generar recomendaciones • Patrones de evaluación de modelos para medir el desempeño de las redes neuronales • Evaluación del desempeño de entrenamiento para evaluar el desempeño de las redes neuronales • Evaluación del desempeño de predicción para predecir el desempeño de las redes neuronales en la producción • Modelado de referencia para evaluar y comparar redes neuronales complejas • Patrones de optimización de modelos para refinar y adaptar redes neuronales • Evitar el sobreajuste para ajustar una red neuronal • Reentrenamiento frecuente del modelo para mantener una red neuronal en sincronía con los datos actuales • Aprendizaje por transferencia para acelerar el entrenamiento de redes neuronales |
| Equipo conectado a internet, puede ser:
|
INSTRUCTOR
Lic. Cristian Tirado, ingeniero industrial con máster en gestión e ingeniería de la universidad Javeriana, con 7 años experiencia en elsector tecnológico, startups, educación superior e investigación en inteligencia artificial, large language model, machine learning, deep learning, prompt engineering y servicios en la nube.
Fechas: 10, 17, 24 de Setiembre, 1, 8, 15 y 22 de Octubre de 2024
Duración: 21 horas
Hora: 6:00 pm a 9:00 pm
Inversión: $622,20 asociados, $714,00 no asociados (IVA Incluido)
Incluye: material didáctico, certificado de participación, examen para optar por la certificación internacional, plataforma digital abierta por 6 meses para repasar lo visto en las clases semanales.
Inscripciones: teléfono 2202-5600, extensiones 609, 611, 617, 631, 662 o 676, fax 2234-6089; correo electrónico: capacitacion@cicr.com