Descripción y propósito

El propósito principal del seminario introductorio es presentar la lnteligencia Artificial como una disciplina académica, con un énfasis particular en el Aprendizaje de máquina o automático. Este seminario busca proporcionar una comprensión sólida de cómo el Aprendizaje de máquina o automático aborda y resuelve problemas inherentes a la lnteligencia Artificial. Al final de este seminario, los/las estudiantes deben tener una comprensión clara de los principios fundamentales del aprendizaje de máquina o automático y cómo estos se aplican en el contexto más amplio de la lnteligencia Artificial.

Resultados de aprendizaje

• Identifica las problemáticas estudiadas por la inteligencia artificial
• Comprende a cabalidad el enfoque del aprendizaje de máquina o automático.

Descripción y propósito

Este módulo está diseñado para introducir los conceptos fundamentales de la lnteligencia Artificial (lA). Su objetivo principal es proporcionar una comprensión sólida de los principios básicos de la lA, así como de los conceptos aplicados en diversos modelos de lA. Además, los/as estudiantes explorarán los entornos de trabajo más comúnmente utilizados para la implementación de estos modelos. Al final del módulo, se espera que los/as estudiantes demuestren un conocimiento integral de la lA junto con las habilidades necesarias para aplicar estos conceptos en la práctica.

Resultados de aprendizaje:

1.  Explicar los principios básicos de la inteligencia Artificial y cómo estos se aplican en diferentes contextos.
2. Identificar y aplicar los conceptos de lA relevantes a una variedad de modelos de lA, demostrando una comprensión de cómo estos conceptos influyen en el rendimiento y la funcionalidad del modelo.
3.  Familiarizarse con los entornos de trabajo de lA para la implementación de modelos de lA
4. Seleccionar y utilizar eficazmente el entorno más adecuado para una tarea dada.

Descripción y propósito

El propósito de este módulo es proporcionar una comprensión profunda de los desafíos y soluciones asociados con el procesamiento de texto e imágenes en lnteligencia Artificial. A través de este módulo, los(las) estudiantes explorarán los problemas comunes en el procesamiento de texto e imágenes, como la ambigüedad del lenguaje natural, la variabilidad en la calidad de las imágenes y la necesidad de grandes cantidades de datos para el entrenamiento de modelos. Además, se presentarán algunos de los modelos actuales para procesar este tipo de datos, permitiendo a los/as estudiantes familiarizarse con las técnicas y herramientas más recientes en el campo. Al final del módulo, deberían ser capaces de identificar y aplicar soluciones adecuadas a los problemas de procesamiento de texto e imágenes en lA, y estar al tanto de las tendencias actuales en este campo en constante evolución.

Resultados de aprendizaje:

• Comprender los desafíos técnicos asociados con el procesamiento de texto e imágenes en inteligencia artificial, incluyendo la ambigüedad del lenguaje natural y la variabilidad en la calidad de las imágenes.
• ldentificar y aplicar soluciones técnicas a los problemas de procesamiento de texto e imágenes en IA.
• Familiarizarse con los modelos actuales utilizados para procesar texto e imágenes en lA.
• Evaluar la eficacia de diferentes modelos de lA en el procesamiento de texto e imágenes.
• Mantenerse al día con las tendencias actuales en el campo del procesamiento de texto e imágenes en lA.
• Aplicar los conocimientos adquiridos en proyectos prácticos o situaciones del mundo real relacionadas con el procesamiento de texto e imágenes IA.

Descripción y propósito:

Este módulo proporciona una exploración exhaustiva de los desafíos y soluciones en el procesamiento simultáneo de datos multimodales en lnteligencia Artificial. Los(las) estudiantes se familiarizarán con los problemas inherentes al manejo de datos de múltiples modalidades y aprenderán cómo los modelos de lA actuales, incluyendo los modelos multimodales, de difusión y generativos, abordan estos desafíos. Además, se presentarán las aplicaciones prácticas de estos modelos en el procesamiento de datos multimodales, proporcionando a los estudiantes una comprensión sólida de cómo se pueden aplicar estas técnicas en situaciones del mundo real. El módulo también incluirá discusiones sobre las tendencias emergentes y las direcciones futuras en el procesamiento de datos multimodales en lA, preparando a los/as estudiantes para la evolución continua en este campo dinámico.

Resultados de aprendizaje:

• Comprender los desafíos asociados con el procesamiento simultáneo de datos multimodales en lnteligencia Artificial.
• ldentificar y describir los modelos de lA actuales, incluyendo los modelos multimodales, de difusión y generativos, y cómo se utilizan para abordar los desafíos del procesamiento de datos multimodales.
• Aplicar los conocimientos adquiridos sobre estos modelos en situaciones prácticas, demostrando una comprensión sólida de su funcionamiento y aplicabilidad.
• Participar en discusiones sobre las tendencias emergentes y las direcciones futuras en el procesamiento de datos multimodales en lA, mostrando una comprensión de la evolución continua en este campo dinámico.
• Evaluar las implicaciones éticas y sociales del uso de estos modelos en el procesamiento de datos multimodales.

Descripción y propósito:

El propósito de este módulo es proporcionar a los/as estudiantes una comprensión profunda y crítica de los modelos generativos y su aplicación profunda y crítica de los modelos generativos y su aplicación en diversos contextos laborales y sociales. Los/as estudiantes analizarán y discutirán los desafíos éticos, técnicos y prácticos asociados con el uso de éstos modelos. Incluyendo una privacidad de los datos, la sesgo en los modelos y la interpretabilidad de los resultados. Al final del módulo, estarán equipos/as para tomar decisiones informadas sobre la implementación de modelos generativos en sus propios contextos laborales y de modelos generativos en sus propios contextos laborales y comprenderán el impacto potencial de estos modelos en la sociedad en general. 

Resultados de aprendizaje:

• Explicar los fundamentos de los modelos generativos, incluyendo cómo se entrenan y cómo generan datos. 
• Aplicar modelos generativos a problemas del mundo real en su campo generativo a problemas del mundo real en su campo de trabajo y evaluar su eficacia. 
• Discutir los desafíos éticos y técnicos asociados con el uso de modelos generativos, como la privacidad de los datos, el sesgo en los modelos y la interpretabilidad de los resultados. 
• Analizar el impacto potencial de los modelos generativos en la sociedad, y discutir cómo se pueden mitigar los riesgos asociados. 
• Tomar decisiones informadas sobre cuándo y cómo implementar modelos generativos en sus propios contextos laborales.

Descripción y propósito:

El propósito principal de este módulo, es proporcionar una comprensión profunda y aplicada de los conceptos avanzados que subyacen en los modelos generativos de inteligencia artificial. Está diseñado para equipar a los/as estudiantes con las habilidades necesarias para aprovechar al máximo estos modelos, permitiéndoles no solo implementarlos eficazmente, sino también optimizar su rendimiento. Además, se realizará un análisis exhaustivo de las limitaciones y vulnerabilidades inherentes a los Modelos de Lenguaje Grandes (LLMs), lo que permitirá a los/as estudiantes anticipar y mitigar posibles problemas en su uso. En última instancia, este módulo busca empoderarlos/as para que puedan navegar con confianza y competencia en el campo en constante evolución de la lA generativa.

Resultados de aprendizaje:

• Comprender y aplicar conceptos avanzados en el campo de los modelos de lA generativa.
• Optimizar el rendimiento de los modelos de lA generativa, permitiéndoles implementar estos modelos de manera eficiente en diversos contextos.
• Analizar las limitaciones y vulnerabilidades inherentes a los LLMs, lo que les permitirá anticipar y mitigar posibles problemas en su uso.
• Navegar con confianza y competencia en el campo en constante evolución de la lA generativa.