0% encontró este documento útil (0 votos)
47 vistas4 páginas

Programa Aplicaciones de Inteligencia Artificial Utilizando Python

Cargado por

Guillermo Rubino
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
0% encontró este documento útil (0 votos)
47 vistas4 páginas

Programa Aplicaciones de Inteligencia Artificial Utilizando Python

Cargado por

Guillermo Rubino
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 4

1.

Nombre de la capacitación:
Aplicaciones de Inteligencia Artificial utilizando Python

2. Resumen:
Python es un lenguaje de programación, de alta penetración a escala
científica, e industrial, con múltiples aplicaciones, como la ciencia de datos,
inteligencia artificial, microcontroladores, internet de las cosas entre otras.

La capacitación busca que los/as participantes puedan desarrollar las


habilidades básicas para la interpretación y la manipulación de datos de tipo
estructurado por intermedio del uso de diversas librerías, incluyendo la
aplicación de modelos de inteligencia artificial.

3. Destinatarios:
Este módulo está esencialmente dirigido a quienes hayan obtenido el
Diploma universitario en INDUSTRIA 4.0 y Tecnologías Habilitadoras,
emitido por el INCALIN desde el lanzamiento de esa Diplomatura en el año
2021.

Al iniciarse la cohorte 2023 se anticipaba que “Se podrá aspirar


opcionalmente a un segundo diploma continuando con un módulo de 30
horas adicionales y presentación de una monografía para obtener el:
Diploma Universitario Avanzado en INDUSTRIA 4.0 y Tecnologías
habilitadoras.

Ahora se dará por sentado que los destinatarios de esta capacitación


complementaria ya han adquirido conocimientos básicos de Ciencia de
Datos y de Inteligencia Artificial al cursar la mencionada Diplomatura del
INCALIN.

Quienes hayan cursado otras Diplomaturas similares, o bien adquiridos


conocimientos básicos de Ciencia de Datos y de Inteligencia Artificial en
cualquier otra oferta educativa, podrán ser admitidos en esta capacitación y
obtendrán un certificado INCALIN – UNSAM de aprobación de curso
universitario en Aplicaciones de Inteligencia Artificial utilizando Python.

4. Requisitos previos:
Conocimientos básicos de Ciencia de Datos e Inteligencia Artificial. Manejo
de PC.

5. Objetivos:

Generales
✓ Que el/la estudiante adquiera los conocimientos básicos de
programación utilizando Python.

✓ Que el/la estudiante adquieran las bases del conocimiento del


aprendizaje automático.

✓ Para que finalmente, el/la estudiante pueda implementar soluciones


de Python con aplicación en IA.

6. Temario:

Clase 01: Fundamentos de Programación.


Instalación de entorno. Fundamentos de programación. Operaciones
básicas. Creación y asignación de variables. Operaciones lógicas. Ejercicios y
aplicaciones.

Clase 02: Estructuras de Datos.


Tipos de datos: Enteros, decimales, textos y listas. Strings. Listas.
Manipulación de listas. Funciones sobre listas. Diccionarios. Ejercicios y
aplicaciones.

Clase 03: Sentencias de control de flujo y funciones.


Estructuras if, else. Estructura For, While.Definición de funciones.
Parámetros y valores de retorno. Importación y llamado de módulos.
Ejercicios y aplicaciones.

Clase 04: Programación orientada a objetos.


Objetos. Clases. Sintaxis en la definición de clases. Objetos clase, instancia y
método. Herencia. Herencia múltiple. Variables privadas. Ejercicios y
aplicaciones.

Clase 05: Análisis exploratorio, curación y visualización de datos I.


Introducción al análisis de datos: Concepto, importancia y aplicaciones.
Importación de datos: Leer archivos CSV, Excel, JSON y otros formatos.
Estadísticas descriptivas, visualización de distribuciones. Correlaciones,
gráficos de dispersión. Ejercicios y aplicaciones.

Clase 06: Análisis exploratorio, curación y visualización de datos II.


Manipulación de datos: Limpieza, transformación, fusión y agregación de
datos. Visualización de datos: Gráficos de líneas, barras, histogramas,
dispersión y mapas de calor. Librerías: Pandas, Matplotlib, Seaborn y otras
herramientas de visualización. Ejercicios y aplicaciones.

Clase 07: Introducción al aprendizaje automático.


Definición de aprendizaje automático (Machine Learning ML). Tipos de
aprendizaje: Supervisión, no supervisión, refuerzo. Algoritmos de ML:
Regresión, clasificación, clustering, reducción de dimensionalidad. Proceso
de aprendizaje automático, Recolección de datos. Reprocesamiento de
datos. Entrenamiento de modelos. Evaluación de modelos. Despliegue de
modelos. Métricas de evaluación. Ejercicios y aplicaciones.

Clase 08: Aprendizaje automático I.


Regresión lineal y polinomial. Regresión logística. Perceptrón. Evaluación de
modelos. Despliegue de modelos. Métricas de evaluación. Ejercicios y
aplicaciones.

Clase 09: Aprendizaje automático II.


Arboles de decisión. Support Vector Machines. Evaluación de modelos.
Despliegue de modelos. Métricas de evaluación. Ejercicios y aplicaciones.

Clase 10: Redes neuronales.


Introducción a las redes neuronales. Funcionamiento básico de una neurona
artificial. Arquitecturas básicas de redes neuronales. Algunos tipos de redes
neuronales. Evaluación de modelos. Despliegue de modelos. Métricas de
evaluación. Ejercicios y aplicaciones.

7. Estrategias didácticas

El curso tiene un enfoque práctico y participativo.

La modalidad del curso se basa en un aprendizaje práctico y activo, donde


los ejemplos concretos y la participación de los estudiantes son
fundamentales.

Se busca que los estudiantes no solo reciban información, sino que también
la apliquen y experimenten con ella.

Metodología:
Introducción teórica: Cada clase comienza con una introducción a los
conceptos teóricos del tema a abordar.

Ejemplos prácticos: El docente presentará ejemplos concretos utilizando


Python, ilustrando la teoría y sus aplicaciones.

Actividades en clase: Los estudiantes tienen la oportunidad de realizar


actividades en tiempo real, poniendo en práctica los conceptos aprendidos
y resolviendo nuevos casos.

Apuntes electrónicos: La cátedra proporciona apuntes en formato digital


como complemento a la bibliografía sugerida.

En resumen, las estrategias didácticas del curso se enfocan en un


aprendizaje práctico y participativo, con el objetivo de que los estudiantes
adquieran un conocimiento profundo y significativo de las temáticas
abordadas.

8. Modalidad de cursado.
Clases a distancia online en vivo de exposición del tema que corresponde a
cada clase.

9. Duración:
30 h, 10 clases de 3 h.

10. Evaluación.

Monografía integradora:

Objetivo: Demostrar la capacidad de aplicar los conocimientos adquiridos


en el curso a un caso real o simulado de inteligencia artificial utilizando
Python.

Enunciado: Cada estudiante propondrá un caso de estudio y desarrollará


una monografía que integre los siguientes aspectos:

✓ Planteo del problema: Descripción del problema a resolver y su


contexto.
✓ Metodología: Detalle de las técnicas y herramientas de Python a
utilizar.
✓ Implementación: Desarrollo del código Python y análisis de los
resultados.
✓ Conclusiones: Interpretación de los resultados y evaluación del éxito
del proyecto.
Recursos:

✓ Datos: Cada estudiante proporcionará los datos del caso de estudio.


La cátedra también ofrecerá información sobre fuentes de datos
confiables.
✓ Herramientas: Se utilizará Python como lenguaje de programación
principal.
✓ Bibliografía: Se deberá incluir una lista de referencias bibliográficas
utilizadas.

11. Bibliografía sugerida

Guia de Aprendizaje Python, Guido Van Rossum


https://docs.python.org/es/3/tutorial/index.html

Hands on Machine Learning with Scikit-Learn Keras and TensorFlow, Geron.

Introduction to Machine Learning with Python, Andreas C. Müller & Sarah


Guido.

También podría gustarte