Un recorrido por el Machine Learning contemporáneo

Curso

Un recorrido por el Machine Learning contemporáneo

Departamento de Ingeniería Biomédica
Inicio / Programas / Un recorrido por el Machine Learning contemporáneo

Un recorrido por el Machine Learning Contemporáneo

El curso "Un recorrido por el Machine Learning contemporáneo" está diseñado para ofrecer una visión integral del aprendizaje automático de máquinas, conocido como Machine Learning, una de las tecnologías clave que impulsa el avance de la inteligencia artificial. A través de sus módulos, exploraremos desde los fundamentos teóricos y éticos del machine learning hasta sus aplicaciones prácticas en problemas supervisados, no supervisados y en técnicas avanzadas como deep learning y prompting. Este recorrido permitirá a los participantes adquirir un entendimiento sólido de las bases del machine learning, comprendiendo sus principales enfoques, aplicaciones prácticas y desafíos actuales. A través de este conocimiento, estarán mejor preparados para aplicar estas herramientas en diversos contextos y enfrentar con criterio las oportunidades y retos asociados a esta tecnología emergente.

Dirigido a

Personas con un conocimiento en álgebra lineal y cálculo, y conocimiento básico de programación.  

Objetivos

Al finalizar el curso, el estudiante estará en la capacidad de conocer los fundamentos teóricos y éticos del machine learning particularmente en los paradigmas de aprendizaje supervisado, no supervisados, y en técnicas avanzadas como deep learning y prompting. 

Metodología

  • Modalidad virtual sincrónica 
  • Sesiones teóricas y prácticas 
  • Computador con acceso a internet, navegador  

Contenido

Introducción a la Inteligencia Artificial y el Machine Learning

Exploraremos los conceptos fundamentales de la inteligencia artificial, proporcionando un contexto histórico y analizando las tecnologías clave que han impulsado su avance, como el machine learning. Además, abordaremos los desafíos actuales para lograr un desarrollo responsable y sostenible de los sistemas de IA basados en machine learning. 

Ética del machine learning

Este es un espacio para desafiar el pensamiento crítico y la capacidad de análisis en situaciones que involucren el uso de machine learning en sistemas de inteligencia artificial. 

Machine Learning supervisado

En este módulo, nos adentraremos en el machine learning supervisado, un paradigma de aprendizaje automático que utiliza datos etiquetados para entrenar modelos predictivos. Aprenderemos sobre los algoritmos más comunes, como la regresión lineal, la regresión logística, las redes neuronales y los ensambles de modelos. También exploraremos las métricas de evaluación necesarias para garantizar resultados precisos y confiables. 

Machine Learning no supervisado

En este módulo, exploraremos el aprendizaje no supervisado, un enfoque de machine learning que permite a los modelos identificar patrones y estructuras en conjuntos de datos sin etiquetar. A diferencia del aprendizaje supervisado, donde se requieren datos de entrada y salida etiquetados, el aprendizaje no supervisado se centra en agrupar datos y descubrir relaciones ocultas entre ellos. Aprenderemos sobre técnicas clave como el clustering, que organiza los datos en grupos basados en distancias, y la reducción de dimensionalidad, que simplifica conjuntos de datos complejos manteniendo la información considerada como esencial. 

Deep Learning

En este módulo, exploraremos el Deep Learning, una subrama del machine learning que se basa en redes neuronales profundas para resolver problemas complejos. Nos centraremos en el concepto clave del aprendizaje de representaciones, presentaremos las arquitecturas más importantes utilizadas hoy en día y abordaremos los modelos fundacionales. 

Prompting

En este módulo, nos centraremos en el arte del prompting, que consiste en formular indicaciones específicas para guiar a los modelos generativos de IA en la creación de contenido nuevo y coherente. Estos modelos, que combinan principios del machine learning supervisado y no supervisado, son capaces de generar contenido innovador. Exploraremos casos prácticos donde la optimización de prompts mejora la eficiencia y precisión en diversos procesos empresariales y de innovación. Además, discutiremos las mejores prácticas para integrar la IA generativa con los sistemas existentes, capacitar al personal y gestionar el cambio, todo mientras se mantienen altos estándares éticos y de responsabilidad en el uso de esta tecnología. Este enfoque práctico y adaptable permitirá a los participantes implementar soluciones efectivas y sostenibles en sus organizaciones. 

Profesores

Luis Felipe Giraldo Trujillo

PhD en Ingeniería Eléctrica y de Computación de la Universidad Estatal de Ohio, Estados Unidos. Actualmente es profesor asociado del departamento de Ingeniería Biomédica de la Universidad de los Andes. Sus líneas de investigación están orientadas al desarrollo de proyectos donde la tecnología y desarrollo social van de la mano. Se ha destacado por dictar de forma sencilla y clara conceptos teóricos relacionados con Machine Learning. Para más información ver http://wwwprof.uniandes.edu.co/~lf.giraldo404/.

Juan Carlos Cruz

Ingeniero Químico en la Universidad Nacional de Colombia (2002) y Ph.D. en Ingeniería Química en la Universidad del Estado de Kansas (KSU) (2010) por su trabajo en una nueva plataforma para la inmovilización de enzimas para resolver retos de biocatálisis en medios no acuosos. Estancia postdoctoral en el Departamento de Ciencia e Ingeniería de los Materiales de la Universidad de Johns Hopkins (2010-2011). Durante dicha estancia, Cruz trabajó en varios proyectos encaminados al uso de técnicas biofísicas de última generación para resolver preguntas en interacciones proteína-lípido. Cruz ha sido profesor de la Universidad de Antioquia, y la Universidad de Adelaide en South Australia. Es miembro del American Institute of Chemical Engineers (AIChE) y la Biophysical Society, revisor de varias revistas indexadas como Bioresource Technology, Materials Chemistry and Physics, Biotechnology Progress, Materials Science and Engineering C y Journal of Biotechnology. A la fecha ha publicado 42 artículos en los campos del desarrollo de vehículos nanoestructurados para penetración celular, nanocomposites para aplicaciones biomédicas, diseño y operación de nuevos bioreactores, desarrollo de sistemas de microfluídica para encapsulación y búsqueda de nuevas moléculas con actividad farmacológica y de membrana. Adicionalmente, ha participado como conferencista en varios eventos nacionales e internacionales. Actualmente, su grupo de investigación consta de más de 30 estudiantes y ha supervisado y co-supervisado más de 15 estudiantes de maestría en Ingeniería Biomédica, Ingeniería Química e Ingeniería Electrónica.

Andrés Páez

Es profesor asociado del departamento de Filosofía y miembro del Centro de Investigación y Formación en Inteligencia Artificial (CinfonIA) de la Universidad de los Andes. Desde 2002 dirige el grupo de investigación en Lógica, Epistemología y Filosofía de la Ciencia (Philogica) y es el coordinador de la recientemente creada Red Latinoamericana de Epistemología Jurídica. Sus investigaciones recientes se ubican en dos grandes áreas: la epistemología jurídica y la filosofía de la Inteligencia Artificial. En la primera, sus publicaciones se han ocupado de los problemas epistemológicos de las pruebas testimoniales, periciales y reputacionales, de los estándares de prueba y de los efectos de los sesgos cognitivos en las decisiones de los jueces. En la segunda, su interés principal se centra en la interacción entre humanos y sistemas artificiales autónomos, en particular, en los factores que favorecen nuestra comprensión de su funcionamiento y generan confianza en sus decisiones.

Fernando Lozano

Profesor asociado. Departamento de Ingeniería Eléctrica y Electrónica. PhD University of New Mexico. Profesor del área de Machine Learning desde 2004. Intereses en reinforcement learning, redes neuronales y modelos de aprendizaje sobre estructuras combinatorias aplicadas a drug discovery.

Condiciones

Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.

La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.