1.

Nombre de la capacitación:
Diplomatura Inteligencia Artificial utilizando Python

2. Resumen:
Esta Diplomatura tiene como objetivo proporcionar a los/as estudiantes las
habilidades necesarias para recopilar, analizar y visualizar datos utilizando el
lenguaje de programación Python.

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:
Analistas, científicos/as e ingenieros/as de datos que deseen utilizar Python
para realizar análisis estadísticos, manipulación, visualización y predicción
de datos. Personas en general que deseen aprender cómo utilizar Python
para procesar y analizar datos podrían perder este curso

4. Requisitos previos:
Manejo de PC. Conocimientos básicos de estadística. Comprensión básica
de programación.

5. Objetivos:

Generales

 Que el/la estudiante adquiera los conocimientos básicos de

programación utilizando Python.

 Que las/los estudiantes adquieran las bases que le permitan utilizar

herramientas de Python para la limpieza y la transformación de datos,
y a construir modelos de análisis de datos para resolver problemas
empresariales y científicos.

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

aprendizaje automático.

 Que las/los estudiantes puedan transformar, modelar y visualizar los

datos de una manera fácil y rápida.

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

de Python con aplicación en IA.
 6. Temario:

Unidad 01: Introducción a la Programación con Python.

Configuración del entorno. Conceptos básicos de programación.
Operaciones fundamentales. Declaración y uso de variables. Operadores
lógicos. Ejercicios prácticos y aplicaciones.

Unidad 02: Estructuras de Datos.

Tipos de datos: Números enteros, flotantes, cadenas de texto y listas.
Manejo de strings. Trabajo con listas. Operaciones con listas. Uso de
diccionarios. Ejercicios prácticos y aplicaciones.

Unidad 03: Sentencias de control de flujo y funciones.

Estructuras de control: if y else. Bucles For y While. Creación de funciones.
Parámetros y valores de retorno. Importación y uso de módulos. Ejercicios
prácticos y aplicaciones.

Unidad 04: Programación orientada a objetos.

Programación orientada a objetos: clases y objetos. Definición de clases y
sintaxis. Objetos de clase, instancias y métodos. Conceptos de herencia y
herencia múltiple. Manejo de variables privadas. Ejercicios prácticos y
aplicaciones.

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

Introducción al análisis de datos: conceptos, importancia y aplicaciones.
Importación de datos: lectura de archivos CSV, Excel, JSON y otros
formatos.

Estadísticas descriptivas y visualización de distribuciones. Análisis de

correlaciones y gráficos de dispersión. Principales distribuciones de
probabilidad. Ejercicios prácticos y aplicaciones.

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

Manipulación de datos: limpieza, transformación, fusión y agregación.
Visualización de datos: gráficos de líneas, barras, histogramas, dispersión y
mapas de calor. Uso de librerías: Pandas, Scikit Learn, Numpy, Matplotlib,
Seaborn y otras herramientas de visualización. Ejercicios prácticos y
aplicaciones.

Unidad 07: Aprendizaje automático, Regresión.

Definición de aprendizaje automático (Machine Learning, ML). Tipos de
aprendizaje: supervisado, no supervisado y por refuerzo. Algoritmos de ML:
regresión, clasificación, clustering.
Proceso de aprendizaje automático: recolección y procesamiento de datos,
entrenamiento y evaluación de modelos, despliegue y métricas de
evaluación. Ejercicios prácticos y aplicaciones.

Regresión lineal simple, múltiple y polinomial. Métricas de evaluación.

Evaluación de modelos. Ejercicios y aplicaciones.

Unidad 08: Aprendizaje automático, Clasificación.

Problemas de clasificación. Regresión logística. Perceptrón. Evaluación de
modelos. Métricas de evaluación. Ejercicios y aplicaciones.

Unidad 09: Árboles de decisión.

Árboles de Decisión: Concepto, construcción, ventajas y desventajas.
Ejercicios y Aplicaciones.

Unidad 10: Support Vector Machines.

Support Vector Machines (SVM): Concepto, funcionamiento, aplicaciones y
parámetros. Evaluación de Modelos y Métricas: Técnicas de evaluación y
métricas para SVM. Ejercicios y Aplicaciones: Prácticas para aplicar SVM en
problemas reales.

Unidad 11: Redes neuronales I.

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

Unidad 12: Redes neuronales II.

Redes neuronales para clasificación. Evaluación de modelos. Despliegue de
modelos. Métricas de evaluación. Ejercicios y aplicaciones.

7. Estrategias didácticas

La Diplomatura adopta un enfoque práctico y participativo, centrado en el

aprendizaje activo. La modalidad se basa en la aplicación práctica y la
participación de los/as estudiantes, utilizando ejemplos concretos.

El objetivo es que los/as estudiantes no solo adquieran información, sino

que también la apliquen y experimenten con ella.

8. Metodología:
Cada clase inicia con una introducción teórica para explicar los conceptos
del tema.
Luego, el docente presentará ejemplos concretos en Python para ilustrar la
teoría y su aplicación.

Los/as estudiantes tendrán la oportunidad de participar en actividades

prácticas en tiempo real, aplicando lo aprendido y resolviendo nuevos
casos.

Además, se ofrecerán apuntes digitales como complemento a la bibliografía

recomendada.

En resumen, las estrategias del curso se centran en un enfoque práctico y

participativo, buscando que los estudiantes obtengan un conocimiento
profundo y significativo sobre los temas tratados.

9. Modalidad de cursado.
Clases a distancia online en vivo de exposición del tema que corresponde a
la semana en cuestión, más consultas.

Documentos PDF, scripts, ejemplos modelos, video tutoriales, todo de

elaboración propia del docente a cargo.

10. Duración:
60 h en vivo, 20 clases de 3 h, a esto se le debe agregar 30 h de preparación
de Trabajo final de Diplomatura. Total: 90h

11. Evaluación.
Cuestionarios por unidad, evaluación continua y Trabajo práctico integrador.

12. Cronograma

Clase Unidad Tema a Desarrollar

Configuración del entorno. Conceptos básicos de

1 programación. Operaciones fundamentales.
01
Declaración y uso de variables. Operadores lógicos.
Ejercicios prácticos y aplicaciones.

Tipos de datos: Números enteros, flotantes, cadenas

2 de texto y listas. Manejo de strings. Trabajo con listas.
02
Operaciones con listas. Uso de diccionarios. Ejercicios
prácticos y aplicaciones.

3 03 Estructuras de control: if y else. Bucles For y While.

Creación de funciones. Parámetros y valores de
 retorno. Importación y uso de módulos. Ejercicios
prácticos y aplicaciones.

Estructuras de control: if y else. Bucles For y While.

4 04 Creación de funciones. Parámetros y valores de
retorno. Importación y uso de módulos. Ejercicios
prácticos y aplicaciones

Estructuras de control: if y else. Bucles For y While.

5 Creación de funciones. Parámetros y valores de
05
retorno. Importación y uso de módulos. Ejercicios
prácticos y aplicaciones

Programación orientada a objetos: clases y objetos.

Definición de clases y sintaxis. Objetos de clase,
6 06 instancias y métodos. Conceptos de herencia y
herencia múltiple. Manejo de variables privadas.
Ejercicios prácticos y aplicaciones.

Programación orientada a objetos: clases y objetos.

Definición de clases y sintaxis. Objetos de clase,
7 07 instancias y métodos. Conceptos de herencia y
herencia múltiple. Manejo de variables privadas.
Ejercicios prácticos y aplicaciones.

Programación orientada a objetos: clases y objetos.

Definición de clases y sintaxis. Objetos de clase,
8 08 instancias y métodos. Conceptos de herencia y
herencia múltiple. Manejo de variables privadas.
Ejercicios prácticos y aplicaciones.

Introducción al análisis de datos: conceptos,

importancia y aplicaciones. Importación de datos:
lectura de archivos CSV, Excel, JSON y otros formatos.
9 09 Estadísticas descriptivas y visualización de
distribuciones. Análisis de correlaciones y gráficos de
dispersión. Principales distribuciones de probabilidad.
Ejercicios prácticos y aplicaciones.

Manipulación de datos: limpieza, transformación,

fusión y agregación. Visualización de datos: gráficos de
10 líneas, barras, histogramas, dispersión y mapas de
10
calor. Uso de librerías: Pandas, Matplotlib, Seaborn y
otras herramientas de visualización. Ejercicios
prácticos y aplicaciones.

Definición de aprendizaje automático (Machine

11 Learning, ML). Tipos de aprendizaje: supervisado, no
11
supervisado y por refuerzo. Algoritmos de ML:
regresión, clasificación, clustering.
 Proceso de aprendizaje automático: recolección y
procesamiento de datos, entrenamiento y evaluación
de modelos, despliegue y métricas de evaluación.
Ejercicios prácticos y aplicaciones.
Regresión lineal simple, múltipe y polinomial. Métricas
de evaluación. Evaluación de modelos. Ejercicios y
aplicaciones.

Proceso de aprendizaje automático: recolección y

procesamiento de datos, entrenamiento y evaluación
de modelos, despliegue y métricas de evaluación.
12 12 Ejercicios prácticos y aplicaciones.
Regresión lineal simple, múltipe y polinomial. Métricas
de evaluación. Evaluación de modelos. Ejercicios y
aplicaciones.

Problemas de clasificación. Regresión logística.

13 13 Perceptrón. Evaluación de modelos. Métricas de
evaluación. Ejercicios y aplicaciones.

14 Árboles de Decisión: Concepto, construcción, ventajas

14
y desventajas. Ejercicios y Aplicaciones.

Support Vector Machines (SVM): Concepto,

funcionamiento, aplicaciones y parámetros. Evaluación
15 15 de Modelos y Métricas: Técnicas de evaluación y
métricas para SVM.Ejercicios y Aplicaciones: Prácticas
para aplicar SVM en problemas reales.

Support Vector Machines (SVM): Concepto,

funcionamiento, aplicaciones y parámetros. Evaluación
16 16 de Modelos y Métricas: Técnicas de evaluación y
métricas para SVM.Ejercicios y Aplicaciones: Prácticas
para aplicar SVM en problemas reales.

Introducción a las redes neuronales. Funcionamiento

básico de una neurona artificial. Arquitecturas básicas
17 de redes neuronales. Algunos tipos de redes
17
neuronales. Redes neuronales para Regresión.
Evaluación de modelos. Métricas de evaluación.
Ejercicios y aplicaciones.

Redes neuronales para clasificación. Evaluación de

18 18 modelos. Despliegue de modelos. Métricas de
evaluación. Ejercicios y aplicaciones.

Redes neuronales para clasificación. Evaluación de

19 19 modelos. Despliegue de modelos. Métricas de
evaluación. Ejercicios y aplicaciones.
 20 20 Repaso General.

13. Régimen de asistencia, calificación y promoción

La asistencia no deberá ser menor al 80% de las clases. Siendo la
metodología de evaluación permanente, la promoción del curso estará
supeditada a la participación activa y compromiso del asistente al curso en
la actividad de la formación, tal lo establecido en el ítem Evaluación.

14. Interés de dictado:

La inteligencia artificial s es un campo en constante crecimiento, y hay una
gran demanda de profesionales capacitados que pueden analizar grandes
cantidades de datos y crear modelos de aprendizaje automático.

Además, Python se ha convertido en una de las habilidades más

importantes en la ciencia de datos, por lo que aquellos que aprendan a usar
Python para la IA estarán mejor posicionados para encontrar trabajo en el
campo.

15. Arancel y becas a otorgarse:

El curso se dictará con becas del 10% para estudiantes UTN y Graduados.

16. Certificado a otorgar:

Se otorgará certificado de aprobación o participación al curso, según
corresponda.

17. 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.