Maestría en Inteligencia Artificial Virtual

El módulo se centra en aspectos fundamentales de la inteligencia artificial (IA), específicamente en la resolución de problemas, el razonamiento automático y la planificación. Se establece el marco general de la IA, conceptos básicos, definiciones y el alcance de la IA, y se cubren aspectos históricos y la evolución de la inteligencia artificial, destacando su impacto en la sociedad y las aplicaciones prácticas en diversos sectores. También se explora la resolución de problemas como competencia central en inteligencia artificial, se introduce al razonamiento automático y a la planificación, se exploran las representaciones estructurales del conocimiento, y se introducen modelos y técnicas para el razonamiento automático y paradigmas para el razonamiento impreciso y con incertidumbre.

La asignatura se enfoca en el uso de Python y plataformas de Cloud Computing para desarrollar habilidades en ciencia de datos. Los estudiantes aprenderán programación avanzada con orientación a la ciencia de datos en Python, explorar librerías clave como NumPy y Pandas, y utilizarán entornos en la nube (AWS) para gestionar grandes conjuntos de datos.

El módulo aborda los conceptos fundamentales de Minería de Datos, incluyendo técnicas de limpieza y preparación para análisis inteligente. Se centra en técnicas de indexación eficientes y estructuras avanzadas para gestionar grandes volúmenes de datos. Además, cubre la preparación de datos para visualización de baja latencia y la creación de dashboards integrando múltiples fuentes de información.

El módulo abarca tres principales paradigmas:

• Supervisado: se revisarán las técnicas y mecanismos para entrenar modelos con datos etiquetados, permitiendo hacer predicciones o clasificaciones.
• No Supervisado: donde se emplearán técnicas para tratar datos no etiquetados con los que descubrir patrones y estructuras inherentemente presentes en los conjuntos de datos.
• Profundo (Deep Learning): utilizando redes neuronales profundas se utilizarán técnicas para aprender representaciones complejas y realizar tareas avanzadas de IA como reconocimiento de imágenes o procesamiento del lenguaje natural.

También se revisarán mecanismos de aprendizaje avanzado, como el aprendizaje por refuerzo, por transferencia, y aprendizaje generativo

El módulo revisará diversas técnicas para analizar y comprender el lenguaje humano. Se revisarán técnicas que profundizarán en:

• Tokenización y Segmentación: etapa para dividir el texto en unidades más pequeñas facilitar su análisis.
• Análisis Morfológico y Sintáctico: se revisarán técnicas para analizar la estructura gramatical de las palabras y cómo se combinan para formar oraciones, lo que permite comprender la sintaxis y la morfología del lenguaje.
• Extracción de Características: se revisarán técnicas para la identificación de características importantes en el texto, como entidades nombradas, relaciones entre palabras y conceptos clave, para representar la información de manera significativa.
• Desambiguación Semántica: se aplicarán técnicas de resolución de ambigüedades en el significado de las palabras o frases, mejorando la comprensión precisa del contexto y la interpretación semántica.
• Generación de Lenguaje: se revisarán las principales y más novedosas tecnologías que se están empleando para generar de autónoma lenguaje natural de manera coherente y relevante.

El módulo se centra en capacitar a las máquinas para interpretar y comprender información visual. Se revisarán técnicas que profundizarán en:

• Reconocimiento de Objetos: se revisan técnicas para identificar y clasificar objetos en imágenes o videos, siendo esencial para aplicaciones como el reconocimiento facial, detección de objetos y análisis de escenas.
• Segmentación de Imágenes: se revisan técnicas para la división de imágenes en regiones o segmentos para un análisis más detallado. La segmentación es clave para tareas como la identificación de contornos, la separación de objetos en primer plano y fondo, y la delimitación de áreas de interés.
• Detección y Seguimiento de Movimiento: se revisan técnicas para rastrear el movimiento de objetos en el tiempo
• Reconocimiento de Patrones y Características: se revisan técnicas para reconocer patrones visuales complejos y extraer características distintivas para comprender la información visual.
• Modelos generativos de imagen. Modelos de aprendizaje auto-supervisados y autoencoders en computación visual.

• Toma de decisiones.
• Análisis de riesgos.
• Big Data e IoT.
• RPA.
• Chatbots.
• Sistemas de recomendación.

• Salud y Medicina: Diagnóstico médico, predicción de enfermedades, desarrollo de tratamientos personalizados, gestión eficiente de registros de pacientes.
• Finanzas y Banca: análisis de riesgos, detección de fraudes, asesoramiento financiero automatizado, gestión de carteras, procesamiento automático de transacciones.
• Comercio y marketing: Recomendaciones personalizadas, análisis de comportamiento del usuario, gestión de inventario, optimización de precios, atención al cliente automatizada.
• Educación: Personalización del aprendizaje, evaluación automatizada, análisis de desempeño estudiantil, asistentes virtuales para educación a distancia.
• Manufactura y Cadena de Suministro: Control de calidad automatizado, mantenimiento predictivo de maquinaria, optimización de la cadena de suministro, gestión de inventario.
• Recursos Humanos: selección de personal, análisis de currículos, gestión de talento, automatización de procesos de reclutamiento, evaluación del desempeño.
• Transporte y Logística: optimización de rutas, gestión de flotas, monitoreo de activos, planificación logística, sistemas de transporte autónomo.
• Ciberseguridad y Vigilancia: detección de amenazas, reconocimiento facial, análisis de comportamiento en tiempo real, vigilancia de perímetros, respuesta automática a eventos de seguridad.

El módulo se enfoca en comprender y comunicar las decisiones de los modelos de IA, explorando técnicas para mejorar la transparencia. Examina cuestiones éticas en el diseño y aplicación de algoritmos, considerando sesgos y responsabilidad social. Además, aborda el marco normativo que guía el desarrollo de la inteligencia artificial, destacando regulaciones y estándares éticos emergentes. Los estudiantes analizarán casos prácticos, debatirán dilemas éticos y explorarán estrategias para equilibrar la innovación tecnológica con la consideración ética y el cumplimiento de normativas.