Aplica el análisis exploratorio de datos para comprender conjuntos de datos tras su procesamiento mediante técnicas de machine learning, utilizando herramientas de estadística y visualización de características.
Evalúa los resultados de tareas de machine learning para medir la efectividad de algoritmos específicos, seleccionando e interpretando métricas relevantes para cada tarea.
Desarrolla algoritmos para abordar problemas específicos dentro del ámbito de la inteligencia artificial, utilizando frameworks avanzados como Keras o TensorFlow.
Concepto, evolución, campos y aplicaciones de la inteligencia artificial.
Sistemas inteligentes, agentes, reconocimiento de patrones, robótica, asistentes virtuales y sistemas de aprendizaje.
Fundamentos de Python: sintaxis, indentación, variables, tipos de datos, colecciones, estructuras de control, funciones y algoritmos.
Calidad de datos: precisión, completitud, consistencia, relevancia y oportunidad.
Limpieza y transformación de datos: errores, valores faltantes, duplicados, normalización y filtrado.
Análisis exploratorio de datos: visualizaciones, estadísticas descriptivas, datos atípicos e ingeniería de características.
Entornos de trabajo con Jupyter Notebook y Google Colab.
Pandas: Series, DataFrame, índices, selección con loc e iloc, ordenamiento, agrupación y estadísticas.
Diferencias entre programación tradicional y aprendizaje automático.
Análisis descriptivo, predictivo y aprendizaje automático.
Big Data y sus dimensiones: volumen, velocidad, variedad, veracidad, valor, viabilidad y visualización.
Representación de variables predictoras X y variable objetivo y.
Fuga de datos, sobreajuste y criterios de validez metodológica.
División de datos en entrenamiento y prueba; reproducibilidad y estratificación.
Aprendizaje supervisado: clasificación y regresión; algoritmos principales.
Aprendizaje no supervisado: clustering con K-Means y DBSCAN.
Construcción de pipelines unificados de preprocesamiento y modelado.
Introducción a Transformers y análisis de sentimiento en español con modelos preentrenados.
Ciclo de vida de un proyecto de Machine Learning: problema, datos, preparación, selección, entrenamiento, evaluación, despliegue y monitoreo.
Muestras, características, etiquetas y formatos de datos.
Automatización de experimentos y pipelines con PyCaret.
Comparación, creación, ajuste, evaluación, predicción, guardado y carga de modelos.
Ventajas, limitaciones y riesgos del enfoque AutoML.
Redes neuronales artificiales: neuronas, pesos, sesgo, función de activación y capas.
Perceptrón simple y perceptrón multicapa.
Arquitecturas DNN, CNN y RNN; aplicaciones principales.
Entrenamiento: propagación hacia adelante, retropropagación y descenso de gradiente.
Regularización, parámetros, hiperparámetros y estrategias de ajuste.
Implementación de redes con TensorFlow y Keras.
Modelos de lenguaje de gran escala, tokens, atención y arquitectura Transformer.
Diferencias entre modelos reactivos y agentes de IA orientados a objetivos.
Componentes de un agente: modelo, arnés de control, memoria, planificación, herramientas y reflexión.
Arquitecturas RAG, ReAct con herramientas y sistemas multiagente.
Patrones de diseño: reflexión, uso de herramientas, planificación y colaboración multiagente.
Diseño basado en roles, tareas, resultados esperados y flujos secuenciales con CrewAI.
Agentes de utilidad, superagentes y agentes orquestadores.
Plataformas y frameworks para agentes; interoperabilidad mediante Model Context Protocol.
Tool calling y validación de entradas con esquemas Pydantic.
Gobernanza, seguridad, límites de ejecución, supervisión humana e IA responsable.
Concepto, evolución, campos y aplicaciones de la inteligencia artificial.
Sistemas inteligentes, agentes, reconocimiento de patrones, robótica, asistentes virtuales y sistemas de aprendizaje.
Fundamentos de Python: sintaxis, indentación, variables, tipos de datos, colecciones, estructuras de control, funciones y algoritmos.
Calidad de datos: precisión, completitud, consistencia, relevancia y oportunidad.
Limpieza y transformación de datos: errores, valores faltantes, duplicados, normalización y filtrado.
Análisis exploratorio de datos: visualizaciones, estadísticas descriptivas, datos atípicos e ingeniería de características.
Entornos de trabajo con Jupyter Notebook y Google Colab.
Pandas: Series, DataFrame, índices, selección con loc e iloc, ordenamiento, agrupación y estadísticas.
Diferencias entre programación tradicional y aprendizaje automático.
Análisis descriptivo, predictivo y aprendizaje automático.
Big Data y sus dimensiones: volumen, velocidad, variedad, veracidad, valor, viabilidad y visualización.
Representación de variables predictoras X y variable objetivo y.
Fuga de datos, sobreajuste y criterios de validez metodológica.
División de datos en entrenamiento y prueba; reproducibilidad y estratificación.
Aprendizaje supervisado: clasificación y regresión; algoritmos principales.
Aprendizaje no supervisado: clustering con K-Means y DBSCAN.
Construcción de pipelines unificados de preprocesamiento y modelado.
Introducción a Transformers y análisis de sentimiento en español con modelos preentrenados.
Ciclo de vida de un proyecto de Machine Learning: problema, datos, preparación, selección, entrenamiento, evaluación, despliegue y monitoreo.
Muestras, características, etiquetas y formatos de datos.
Automatización de experimentos y pipelines con PyCaret.
Comparación, creación, ajuste, evaluación, predicción, guardado y carga de modelos.
Ventajas, limitaciones y riesgos del enfoque AutoML.
Redes neuronales artificiales: neuronas, pesos, sesgo, función de activación y capas.
Perceptrón simple y perceptrón multicapa.
Arquitecturas DNN, CNN y RNN; aplicaciones principales.
Entrenamiento: propagación hacia adelante, retropropagación y descenso de gradiente.
Regularización, parámetros, hiperparámetros y estrategias de ajuste.
Implementación de redes con TensorFlow y Keras.
Modelos de lenguaje de gran escala, tokens, atención y arquitectura Transformer.
Diferencias entre modelos reactivos y agentes de IA orientados a objetivos.
Componentes de un agente: modelo, arnés de control, memoria, planificación, herramientas y reflexión.
Arquitecturas RAG, ReAct con herramientas y sistemas multiagente.
Patrones de diseño: reflexión, uso de herramientas, planificación y colaboración multiagente.
Diseño basado en roles, tareas, resultados esperados y flujos secuenciales con CrewAI.
Agentes de utilidad, superagentes y agentes orquestadores.
Plataformas y frameworks para agentes; interoperabilidad mediante Model Context Protocol.
Tool calling y validación de entradas con esquemas Pydantic.
Gobernanza, seguridad, límites de ejecución, supervisión humana e IA responsable.
Requeridos:
Título secundario
Recomendado:
Contar conocimientos de programación python
Conforme los resultados de aprendizaje previstos los participantes deberán elaborar producciones secuenciadas y documentadas en un porfolio. A través del mismo, se estimula la capacidad de documentar el proceso, justificar decisiones y reflexionar críticamente sobre los resultados obtenidos.
El porfolio estará conformado por:
Trabajos obligatorios a lo largo del curso:
Desafío 01: Resolución de un problema empleando algoritmos de búsqueda avanzados para la resolución de problemas.
Desafío 02: Análisis de DataScience mediante algoritmos de Machine Learning
Desafío 03: Creación de un Chatbot simple.
Proyecto Final Integrador. Producción integradora individual con presentación oral consistente en la creación de un chatbot avanzado utilizando un modelo generativo.
Cuestionarios de autoevaluación de los participantes.
Los estudiantes recibirán retroalimentación de los facilitadores sobre cada una de sus producciones donde se les ofrecerá orientaciones para la mejora; están previstas instancias de evaluación entre pares.
Docente universitario en la carrera Ingeniería en sistemas - UAI.
Actualmente es Business Architecture Associate Manager en Accenture Argentina ·
Se desempeñó en Cencosud como Analista Desarrollador POS y Desarrollador BD.
Experiencia en Metodologías Agiles, Scrum.
Análisis y desarrollo de soluciones (Servicios) en distintos lenguajes (SQL Server, JAVA, Basic, C#)
Especialista en Inteligencia Artificial, Tecnología y Transformación Digital.
Profesional especializado en Tecnología, Inteligencia Artificial, Cloud, Seguridad y Operaciones, con experiencia en compañías líderes como Google y Mercado Libre. Actualmente se desempeña como Engineering AI Lead en Pomelo, donde lidera iniciativas de AI orientadas a transformar procesos de negocio mediante agentes autónomos, automatización y nuevas arquitecturas de software.
Arquitectura
Arquitectura
Arquitectura
Arquitectura
Arquitectura
Ciencias Económicas
Ciencias Económicas
Ciencias Económicas
Ciencias Económicas
Ciencias Económicas
Ciencias Económicas
Ciencias Económicas
Ciencias Económicas
Derecho y Ciencias Políticas
Medicina y Ciencias de la Salud
Medicina y Ciencias de la Salud
Tecnología Informática
Tecnología Informática
Tecnología Informática
Tecnología Informática
Tecnología Informática
Tecnología Informática