Diploma de Postítulo en Inteligencia Artificial

La inteligencia artificial (IA) está revolucionando cómo funciona el mundo y cómo será el desarrollo tecnológico del futuro.

El conocimiento de esta disciplina sin duda se convertirá en un pilar para el desarrollo de las personas que trabajan en temas relacionados con los negocios, la tecnología y las ciencias.

El Diploma de Postítulo en Inteligencia Artificial del DCC de la Universidad de Chile está pensado para entregar una formación sólida en los temas más relevantes de la IA a los/las profesionales que buscan mantenerse actualizados y a la vanguardia de sus disciplinas.

Objetivo general del Programa

Formar un profesional con dominio básico en búsqueda de patrones que le permitan (i) liderar y realizar proyectos que involucren fuentes de datos complejos y heterogéneos en varias formas (p.e., textos, imágenes), y (ii) de comunicar en forma efectiva las caracterizaciones de estos patrones.

Objetivos específicos

- Enseñar técnicas de redes neuronales y deep learning para la búsqueda de patrones en
grandes volúmenes de datos.

- Enseñar técnicas de algoritmos evolutivos para buscar la solución de problemas
complejos y multidimensionales.

- Enseñar técnicas de proceso de datos.

- Estudiar y analizar aplicaciones de dichas técnicas en el ambito de manejo de texto, de
imágenes y en robótica

Público objetivo

Pueden postular todos aquellos profesionales del área de computación y disciplinas afines, que hayan obtenido en Chile o en el extranjero el grado de Licenciado o título profesional universitario. También pueden postular aquellas personas que hayan obtenido un título profesional en otras disciplinas con la condición que tengan los conocimientos básicos para afrontar las exigencias del Programa.

Régimen de Estudio

Fechas de inicio y término de clases:
Desde agosto a diciembre de 2022

Red de Ex-Alumnos

2019
2020

Plan de Estudios

Distribuidas en: 168 horas cronológicas de docencia.
Clases los días lunes, martes y jueves de 18:30 a 21:30 hrs.

*Si las clases no pudiesen realizarse por circunstancias imprevistas o de fuerza mayor, y cuyas causas son ajenas a la Universidad de Chile, éstas se realizarán via streaming.

Programas de Cursos

Machine Learning

Código del Curso: CC66S
Créditos: 3
Duración: 24 horas
Valor Individual: 30 UF
Profesor : Jocelyn Mariel Dunstan

Objetivos

Al finalizar este curso se espera que los estudiantes entiendan los fundamentos del aprendizaje automático o “machine learning” y puedan aplicar métodos de clasificación y regresión a problemas reales. El curso tiene un efoque práctico y se concentra principalmente en técnicas supervisadas.

Contenidos

- Introducción a Machine Learning

- Regresiones lineales

- Regresión logística

- Árboles de decisión y Random Forest

- Support Vector Machines.

- Ensambles de Clasificadores

- Reducción de Dimensionalidad

Bibliografía

Géron, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media, 2019.

Bishop, Christopher M. Pattern recognition and machine learning. springer, 2006.

Redes Neuronales y Deep Learning

Código del Curso: CC66U
Créditos: 3
Duración: 24 horas
Valor Individual: 30 UF
Profesor: Iván Sipirán

Objetivo

Al finalizar el curso los estudiantes serán capaces de concebir la solución a un problema real que se beneficie de las técnicas de Machine Learning y Deep Learning, entendiendo claramente los pro y contras de una posible solución basada en esta tecnología, y las necesidades de datos, software, hardware y tiempo de computación.

Contenidos

- Diseñar una red neuronal profunda para un problema en específico considerando las distintas arquitecturas de redes posibles, las especificidades del problema en cuestión y los datos disponibles para entrenamiento.
- Implementar un modelo de red neuronal profunda usando librerías de software especializadas, y compararlo con otros modelos implementados según métricas objetivas de eficiencia y efectividad.
- Operar y optimizar el funcionamiento de modelos de redes neuronales profundas, entendiendo cómo modificar (hiper)parámetros, cuándo se debe re-entrenar, cuándo se debe conseguir más datos, etc. Saber cuándo y cómo se debe iterar sobre todos los puntos anteriores para mejorar la solución a un problema en cuestión, y, de ser necesario, consultar el estado del arte del área para implementar nuevas arquitecturas u optimizaciones.

Bibliografía

[1] Deep Learning. Ian Goodfellow, Yoshua Bengio, Aaron Courville. 2016. ISBN: 9780262035613. http://www.deeplearningbook.org/
[2] Deep Learning: A practitioner’s Approach. Josh Patterson, Adam Gibson. O’Reilly, 2017.
[3] Deep Learning with Python. Francois Chollet, November 2017 ISBN 9781617294433

Algoritmos Evolutivos

Código del Curso: CC66M
Créditos: 3
Duración: 24 horas
Valor Individual: 30 UF
Profesor: Alexandre Bergel

Objetivo

Al final de este curso el alumno será capaz de:

- Identificar el rol de la programación genética y aprendizaje por refuerzo en el campo de la inteligencia artificial

- Aplicar programación genética y aprendizaje por refuerzo para solucionar problemas de optimización y de búsqueda de programas (buscar ecuaciones, optimización, buscar camino más corto).

Contenidos

Este curso entrega los fundamentos necesarios para entender, desarrollar y aplicar técnicas de Programación Genética (PG) y reinforcement learning, dos técnicas del campo de inteligencia artificial:
La programación genética es una colección de técnicas de computación evolución que permite a un computador solucionar problemas automáticamente.
El aprendizaje por refuerzo es determinar qué acciones debe escoger un agente de software en un entorno dado con el fin de maximizar alguna noción de "recompensa" o premio acumulado.
Un largo rango de problemas, solucionables con técnicas de RN y PG, son detallados y estudiados a lo largo del semestre.

Bibliografía

- Artifical Intelligence: A Modern Approach (Third Edition), Russell, Stuart Norvig, Peter, 2009
- A field Guide to Genetic Programming, Ricardo Poli, William B. Langdon, Nicholas F. McPhee, 2008, http://www.gp-field-guide.org.uk
- The Nature of Code, Daniel Shiffman, 2012, http://natureofcode.com
- Reinforcement Learning: An Introduction (Adaptive Computation and Machine Learning), Richard S. Sutton and Andrew G. Barto, 1998

Reconocimiento Visual con Deep Learning

Código del Curso: CC66T
Créditos: 3
Duración: 24 horas
Valor Individual: 30 UF
Profesor: José Manuel Saavedra Rondo

Objetivo

En los últimos años hemos visto significativos avances en el área de Inteligencia Artificial, particularmente sobre la base de Deep Learning. Este hecho ha permitido el desarrollo de una gran cantidad de aplicaciones en diversos campos industriales. Por otro lado, también hemos visto una explosión en la generación de datos debido a la proliferación de dispositivos móviles, así como a la masificación de las redes sociales. Uno de estos datos son las imágenes, sobre las que se hace necesario aplicar métodos automáticos para interpretarlas. En este curso, analizaremos el estado del arte en reconocimiento visual bajo el enfoque de deep learning. Al término del ramo, el alumno será capaz de entender y analizar modelos en clasificación, recuperación, detección, segmentación y generación de imágenes. Asimismo, estará capacitado para proponer nuevos modelos y mover las fronteras de la práctica en esta área. La metodología de trabajo estará soportada por un 40% de cátedra online para sentar los fundamentos en el área, un 20% de lectura y análisis de trabajos actuales (de CVPR, ICCV, NeuriIPS, IJCV, etc.), y finalmente un 40% de trabajos computacionales.

Contenidos

Fundamentos en Deep Learning en Visión Computacional

Redes Neuronales.
Redes Convolucionales.
Funciones de Activación.
Inicialización de Pesos y Regularización.
Métodos de Optimización basados en GD.
Redes Residuales y sus variantes.
Métodos de SelfAttention: Squeeze&Excitation, Non-Local Features

Búsqueda por Similitud

ConvNet como extractor de características
Redes Siamesas, Tripletas y Cuadrupletas
Generación de representaciones binarias (DeepHashing).
Reducción de Dimensión, PCA, tSNE, UMAP

Detección de objetos en imágenes

Faster RCNN y Anchors.
YOLO.
Retina Net.
TridentNet y convoluciones dilatadas (atrous convolution).
Modelos libres de anchors (FCOS).
Otros modelos de detección: CornerNet, CenterNet.
One-shot detection

Segmentación de Imágenes

FCN.
U-Net.
Mask R-CNN.
DeepLab y sus variantes.
Modelos débilmente supervisados para segmentación semántica.

Modelos Generativos

Variational AutoEncoders (VAE).
Generative Adversarial Networks (GANs).
Conditional GANs.
Cycle GAN.
GauGAN.
GAN + self-attention

Bibliografía

Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning. 2016. (https://www.deeplearningbook.org/)
Christopher M. Bishop, “Pattern Recognition and Machine Learning”, Springer Verlag Gmbh, 2010, ISBN 978-0-387-31073-2.
O. M. Parkhi, A. Vedaldi, A. Zisserman. Deep Face Recognition. 2015.

Procesamiento de lenguaje natural

Código del Curso: CC66Q
Créditos: 3
Duración: 24 horas
Valor Individual: 30 UF
Profesor: Mauricio Cerda Villablanca

Objetivo

Dominar técnicas más comunes de pre-procesamiento de texto para castellano e inglés
Lograr identificar ventajas y desventajas de técnicas de etiquetado de texto
Aplicar métodos generales de machine learning a problemas de procesamiento de lenguaje natural

Contenidos

Pre-procesamiento de texto inglés, castellano (lematización, negaciones)
Métodos clásicos para el etiquetado (expresiones regulares, bayesianos, n-gramas, hmm)
Aplicaciones al etiquetado de texto: SPAM, sentimientos
Técnicas de representación de texto (vectorización de texto)
Métodos de reducción de dimensionalidad y clasificación (isomap, t-SNE, SVM, regresiones)
Aplicaciones en salud a la detección de patologías críticas
Generación de lenguaje natural
Métodos de redes neuronales (DeepNN, RNN, LSTM)
Aplicaciones a la generación de captions y traducción.

Bibliografía

[Bishop] Christopher M. Bishop, “Pattern Recognition and Machine Learning”, Springer Verlag Gmbh, 2010.
[Bird] Stephen Bird,Ewan Klein, Edward Loper, “Natural Language Processing with Python: Analyzing Text with the Natural Language Toolkit”, O’Reilly Media, 2009.
[Ganegedara] Thushan Ganegedara,“Natural Language Processing with TensorFlow: Teach language to machines using Python's deep learning library”, Packt Publishing, 2018.

Inteligencia Artificial en Robótica

Código del Curso: CC66O
Créditos: 3
Duración: 24 horas
Valor Individual: 30 UF
Profesor : Rodrigo Verschae

Objetivo

Introducción al desarrollo de sistemas robótica inteligentes basados en técnicas de inteligencia
artificial. Examinaremos problemas y algoritmos claves en robótica relacionados con el
control de robots autónomos móviles. El curso no asume conocimientos previos en robótica.

Contenidos

- Introduction a la Robotica,
- Localización,
- Navegación,
- Mapeo,
- Sensado,
- Planificación,
- Software para robótica

Bibliografía

Introduction to AI Robotics by Murphy, MIT Press.
Robotics, Vision and Control: Fundamental Algorithms In MATLAB, Second Edition, Peter
Corke, Springer.

Taller de Proyecto IA

Código del Curso: CC66R
Créditos: 3
Duración: 24 horas
Valor Individual: 30 UF
Profesor: Juan Manuel Barrios

Objetivo

Realizar un proyecto práctico donde se apliquen los conocimientos adquiridos en los cursos del Diplomado de Inteligencia Artificial

Contenidos

El profesor de curso en conjunto con los profesores del diplomado definirá un listado de proyectos a ofrecer a los alumnos. Cada proyecto consistirá en la aplicación de una o más técnicas de Inteligencia Artificial para resolver un problema real.

El curso se compone de ocho sesiones:
En la primera sesión, al inicio del diplomado, se entrega a los alumnos un listado de proyectos posibles junto con una descripción del trabajo esperado.
En la segunda sesión, los alumnos, en grupos de entre 3 a 5 integrantes, realizarán una presentación del proyecto elegido, los objetivos y la planificación de avance para las siguientes sesiones. Los alumnos podrán proponer un proyecto distinto a los ofrecidos, previa aprobación del profesor del taller.
Las sesiones tres a siete corresponden a sesiones de trabajo grupal donde el profesor del taller realizará seguimiento del avance del proyecto.
La última sesión consistirá en presentaciones orales de cada grupo mostrando los resultados del proyecto.

Modalidad de cursos por separado

En el Programa se contempla la posibilidad de que los alumnos tomen sólo aquellos cursos del Diploma que son de su interés. En este caso, se otorga un certificado de aprobación del (los) curso (s), previa aprobación de los exámenes respectivos por parte del estudiante, y un certificado de asistencia para aquellos alumnos que reprueben los cursos

Requisitos de Ingreso

¿Quiénes pueden postular?

Pueden postular todos aquellos profesionales del área de computación y disciplinas afines, que hayan obtenido en Chile o en el extranjero el grado de Licenciado o título profesional equivalente. También pueden postular aquellas personas que hayan obtenido un título profesional en otras disciplinas con la condición que tengan conocimientos y experiencia de programación.

Requisitos

Profesionales del área de ingeniería en computación y a profesionales de otras ciencias (astrónomos, geólogos, biólogos, sociólogos, etc.) con conocimientos de programación.

Documentos que debe presentar

Certificado de Título o grado universitario
Curriculum Vitae
Foto digital
Entrevista personal

Dirección para Matricularse

Beauchef # 851, tercer piso, oficina 326-327 - Santiago, Chile.
Teléfono: (56 2) 2978 4815, 2978 4965. Fax: (56 2) 2689 5531.
E-mail:

Costo y forma de pago

Costo

Total del Programa es de 150 UF, menos el 20% de descuento

Forma de Pago

Transferencias electronicas

Descuentos

Dada la contingencia el Diploma tendra un descuento permanente de un 20% de descuento por el periodo 2022.

Contacto

Mail :
Fono : 2-2978 4965 2-2978 4976
Whatsapp: +56 9 3871 9957

Beneficios

Como estudiante de nuestro Diploma de Postítulo podrás acceder libremente a las instalaciones de nuestro Campus:

Biblioteca Central
Instalaciones deportivas: multicanchas indoor, piscina semiolímpica, salón aeróbico, gimnasio de fitness, cancha de squash, sala de artes marciales, sala de juegos y sala de expresión artística.
Estacionamiento