Diplomado Sistemas de Inteligencia Artificial para Ingeniería

Plan de Estudios

• Módulo 1: Fundamentos Matemáticos y Estadísticos para la IA

  • Álgebra lineal aplicada a la IA: vectores, matrices y transformaciones.
  • Cálculo diferencial e integral para la optimización de modelos.
  • Probabilidad y estadística: distribuciones, inferencia estadística y correlación.
  • Optimización numérica: descenso de gradiente y variantes.
  • Teoría de la información: entropía y ganancia de información.
  • Estructuras de datos y algoritmos para grandes volúmenes de información.

• Módulo 2: Aprendizaje Automático Avanzado (Machine Learning)

  • Modelos de regresión y clasificación avanzados: SVR, Random Forests, XGBoost.
  • Clustering y reducción de dimensionalidad: K-Means, DBSCAN, PCA, t-SNE.
  • Modelos de ensamble y boosting: Bagging, Stacking, AdaBoost.
  • Máquinas de vectores de soporte (SVM) y sus kernels.
  • Evaluación de modelos y técnicas de validación cruzada.
  • Overfitting, underfitting y técnicas de regularización.

• Módulo 3: Procesamiento de Datos y Feature Engineering para Ingeniería

  • Fuentes y tipologías de datos en ingeniería (sensores, simulaciones, IoT).
  • Limpieza y preprocesamiento de datos: manejo de valores nulos y atípicos.
  • Feature engineering: creación, transformación y selección de características.
  • Normalización, estandarización y escalado de datos.
  • Manejo de series temporales y datos secuenciales.
  • Herramientas avanzadas de manipulación de datos.

• Módulo 4: Redes Neuronales y Deep Learning

  • Fundamentos de redes neuronales artificiales: perceptrón multicapa, backpropagation.
  • Arquitecturas de redes neuronales convolucionales (CNN) para visión computacional.
  • Arquitecturas de redes neuronales recurrentes (RNN) y LSTMs para datos secuenciales.
  • Modelos de Transformers y atención para procesamiento de lenguaje natural.
  • Frameworks de Deep Learning: implementación y entrenamiento.
  • Transfer learning y fine-tuning en modelos pre-entrenados.

• Módulo 5: Visión por Computador y Procesamiento de Imágenes en Ingeniería

  • Procesamiento de imágenes digital: fundamentos y técnicas básicas.
  • Detección y clasificación de objetos: arquitecturas R-CNN, YOLO, SSD.
  • Segmentación semántica e instanciada: U-Net, Mask R-CNN.
  • Reconocimiento de patrones y defectos en entornos industriales.
  • Visión 3D y nube de puntos (LiDAR, fotogrametría).
  • Aplicaciones en robótica, vehículos autónomos y drones.

• Módulo 6: Procesamiento de Lenguaje Natural (NLP) para Aplicaciones Técnicas

  • Fundamentos de PLN: tokenización, lematización, stop words.
  • Modelos de word embeddings: Word2Vec, GloVe, FastText.
  • Modelos de lenguaje basados en Transformers: BERT, GPT, T5.
  • Introducción y aplicación de Large Language Models (LLMs).
  • Clasificación de texto y análisis de sentimientos en documentos técnicos.
  • Generación de texto y resumen automático para informes de ingeniería.
  • Sistemas de preguntas y respuestas para bases de conocimiento técnico.

• Módulo 7: Despliegue, Escalabilidad y MLOps

  • Introducción a MLOps: principios y ciclo de vida de proyectos de IA.
  • Contenedores y orquestación para modelos de IA.
  • Despliegue de modelos: APIs, microservicios y funciones serverless.
  • Monitoreo de modelos: drift de datos, performance y explicabilidad.
  • Versionado de modelos y datos: herramientas de control de versiones.
  • Automatización de pipelines de Machine Learning.

• Módulo 8: Ética, Seguridad y Gobernanza de la IA en Ingeniería

  • Sesgos algorítmicos y equidad en la IA: detección y mitigación.
  • Explicabilidad e interpretabilidad de modelos (XAI).
  • Privacidad y protección de datos: principios de privacidad por diseño.
  • Seguridad de sistemas de IA: ataques adversarios, robustez y resiliencia.
  • Marcos regulatorios y estándares emergentes para la IA.
  • Responsabilidad y rendición de cuentas en el desarrollo y uso de la IA.

• Módulo 8: Auditor en Sistemas de Gestión de Inteligencia Artificial (ISO/IEC 42001)

  • Introducción a la norma ISO/IEC 42001: contexto, principios y beneficios.
  • Requisitos del Sistema de Gestión de IA (SGIA) según ISO/IEC 42001.
  • Contexto de la organización y partes interesadas en un SGIA.
  • Roles y responsabilidades en la implementación y mantenimiento de un SGIA.
  • Metodologías y técnicas de auditoría interna: planificación, ejecución y reporte.
  • Examen de Auditor Interno en ISO/IEC 42001.