¿Qué es la Inteligencia Artificial?
La Inteligencia Artificial (IA) se refiere a la capacidad de las máquinas para realizar tareas que normalmente requieren inteligencia humana, como el razonamiento y la toma de decisiones. Dentro de la IA, el Machine Learning (ML) es una disciplina que se enfoca en desarrollar algoritmos que permiten a las computadoras aprender patrones y tomar decisiones basadas en datos, sin ser programadas explícitamente. En lugar de seguir reglas específicas, los sistemas de Machine Learning utilizan datos para mejorar su rendimiento con el tiempo. Estas tecnologías tienen aplicaciones diversas en áreas como la salud, finanzas y entretenimiento, y están transformando la forma en que interactuamos con la tecnología y abordamos problemas complejos.
¿Para quién está dirigido este bootcamp?
Profesionales de Tecnología: Individuos que buscan adquirir habilidades clave en inteligencia artificial y machine learning para aplicar en proyectos del mundo real y mantenerse actualizados en las últimas tendencias de la industria.
Desarrolladores de Software: Personas interesadas en ampliar sus conocimientos en el campo de la inteligencia artificial y el aprendizaje automático para desarrollar aplicaciones más avanzadas y eficientes.
Profesionales de Datos y Analítica: Individuos que desean incorporar técnicas de inteligencia artificial y machine learning en sus habilidades analíticas para obtener mejores insights y tomar decisiones más informadas.
Estudiantes y Graduados: Aquellos que buscan una introducción intensiva y práctica a la inteligencia artificial y el machine learning para prepararse para carreras en este campo en constante evolución.
Emprendedores y Innovadores: Personas que desean comprender cómo la inteligencia artificial y el machine learning pueden impulsar la innovación y la eficiencia en sus proyectos empresariales.
Temás del bootcamp
Iniciamos con la introducción a Python, cubriendo la sintaxis básica, tipos de datos y estructuras de control de flujo. Simultáneamente, exploramos las librerías esenciales de Python, como NumPy y Pandas, para la manipulación eficiente de datos. También comenzamos a establecer las bases matemáticas necesarias para Machine Learning, abordando conceptos clave de álgebra lineal.
Continuamos profundizando en Python, centrándonos en funciones y aspectos más avanzados. Además, avanzamos en las librerías, incorporando Matplotlib para la visualización de datos. En el aspecto matemático, expandimos la comprensión de álgebra lineal y nos adentramos en conceptos de cálculo aplicados a algoritmos de Machine Learning.
Esta semana proporciona una visión general de Machine Learning, definiendo sus tipos (supervisado, no supervisado, por refuerzo) y explorando aplicaciones prácticas. Paralelamente, comenzamos a abordar la evaluación de modelos, comprendiendo métricas de rendimiento y explorando técnicas de validación cruzada.
En esta semana, profundizamos en el preprocesamiento de datos, abordando temas como limpieza de datos y manejo de valores atípicos. Simultáneamente, nos sumergimos en las consideraciones éticas relacionadas con el uso de datos en Machine Learning.
Comenzamos la exploración de modelos supervisados, abordando regresión lineal y logística como herramientas fundamentales. También introducimos máquinas de soporte vectorial (SVM) como un enfoque poderoso para problemas de clasificación.
En esta semana, nos adentramos en modelos no supervisados, explorando algoritmos de agrupamiento como k-means y técnicas de reducción de dimensionalidad como PCA. La aplicación práctica de estos conceptos se realiza en un proyecto relevante.
La séptima semana se centra en Deep Learning, comprendiendo sus fundamentos y explorando el funcionamiento de las redes neuronales artificiales (ANN). Se abordan temas como funciones de activación y métodos de entrenamiento. Además, se introduce el uso de frameworks populares como TensorFlow y PyTorch.
La última semana está dedicada al desarrollo y presentación del proyecto final, integrando todos los conceptos aprendidos. Posteriormente, nos enfocamos en el despliegue de modelos, comprendiendo cómo llevar las soluciones a entornos de producción. Concluimos con una visión de las tendencias futuras en IA y ML, destacando temas emergentes como la explicabilidad y el aprendizaje federado.
