Diploma de Postítulo en Inteligencia Artificial

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.

- 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

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.

Fechas de inicio y término de clases:
Desde Agosto a Diciembre de 2019

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
 

Código del Curso:  CC66H
Créditos:  3
Duración: 24 horas
Valor Individual:  30 UF
Profesor:  Jorge Pérez

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

Código del Curso:  CC66N
Créditos:  3
Duración: 24 horas
Valor Individual:  30 UF
Profesor :  Mauricio Quezada
 

Objetivos

Al finalizar este curso se espera que los estudiantes entiendan cómo generar conocimiento a partir de diversos tipos de datos, aplicando el proceso de “knowledge discovery in databases”, con énfasis en las técnicas principales de Minería de Datos. Los estudiantes tendrán la oportunidad de conocer, identificar y seleccionar las técnicas de análisis que, según los criterios presentados en el curso, mejor se apliquen al objetivo de generación de conocimiento, según el dominio del problema planteado. Para esto se desarrollarán casos que incorporen problemáticas y datos de áreas tales como la Astronomía, Economía, Medicina, Marketing, entre otras. Se espera, además, acercar a los estudiantes a la problemática del análisis de grandes volúmenes de datos. También alertarlos respecto a prácticas de sobreajuste de los modelos de procesamiento de información que impiden un análisis objetivo de los datos, desarrollando con esto último, habilidades éticas de desempeño profesional en el ámbito de Ingeniería de Datos.

Contenidos

- Introducción a la Minería de Datos.

- Introducción a las técnicas principales de MD y sus aplicaciones (a. Supervisado, a. No supervisado, Reglas de Asociación).

- Metodologías clásicas de clasificación (árboles de decisión, SVM, naive bayes, KNN).

- Evaluación del desempeño de clasificadores (bootstrap, crossvalidation).

- Comparación de  modelos y clasificadores.

- Introducción y conceptos básicos de clustering.

- Algoritmos clásicos de clustering (k-means, clustering aglomerativo jerarquico, otros métodos).

- Elección de métodos de clustering.
             Evaluación de clusters.
             Reglas de asociación.

- Generación de conjuntos de elementos frecuentes.
             Reglas de asociación

Bibliografía

P. Tan, M. Steinbach, V. Kumar. Introduction to Data Mining. Addison-Wesley. 2006.

H. Samet. Foundations of Multidimensional and Metric Data Structures. Morgan Kaufmann. 2006.

Data Mining: Practical Machine Learning Tools and Techniques, Second Edition (Morgan Kaufmann Series in Data Management Systems) by Ian H. Witten and Eibe Frank

P. Zezula, G. Amato, V. Dohnal, M. Batko. Similarity Search: The Metric Approach. Springer. 2006.

Código del Curso:  CC66P
Créditos:  3
Duración: 24 horas
Valor Individual:  30 UF
Profesor:  José Manuel Saavedra Rondo

Objetivo

Capacitar a los estudiantes en el área de Visión por Computadora de modo que al finalizar del curso ellos puedan ser capaces de resolver una variedad de problemas asociada con esta área.
Capacitar a los estudiantes en temas fundamentales de procesamiento de imágenes  basados en operaciones de bajo nivel.
Capacitar a los estudiantes en temas de Visión por Computadora aplicando modelos de deep-learning.

Contenidos

Introducción.  Procesamiento de Imágenes: La imagen y sus propiedades, binarización, mejoramiento de  contraste, filtros lineales, convolución y sus propiedades.
Detectores de Bordes. Morfología Digital. Transformaciones Geométricas.
Visión por Computadora y problemas clásicos. Descriptores locales y agregación de descriptores (BoW, VLAD, FisherVector).
Redes Neuronales Convolucionales y clasificación de imágenes: AlexNet, VGG, ResNet, DenseNet.
Modelos de redes convolucionales para búsqueda por similitud. Redes Siamesas, Redes entrenadas en tripletas. Aplicación en reconocimiento de caras.
Introducción a la detección de objetos en imágenes: Modelos de 2 etapas [Faster-RCNN]
Detección de objetos en imágenes: Modelo de 1 etapa [YOLO y sus variantes]
Detección de objetos en imágenes: Cómo tratar la diversidad de escalas y el no balanceo de las clases. Feature Pyramid Network y Focal Loss.
Modelos generativos en visión por computadora.

Bibliografía

[1] R. González, R. Woods, “Digital Image Processing”, 3rd Ed, Prentice Hall, 2008.
[2] M. Sonka, V. Hlavac, R. Boyle, “Image Processing, Analysis and Machine Vision”, 3rd. Ed., Thomson, 2008.
[3] R. Szeliski, “Computer Vision, Algorithms and Applications”, Springer, 2011.
[4] Deep Learning.  Ian Goodfellow, Yoshua Bengio, Aaron Courville.  2016. ISBN: 9780262035613. http://www.deeplearningbook.org/
[5] Deep Learning:
Artículos  de Conferencias tipo CVPR, ICCV, ICML, ECCV, NIPS, ICLR, EMNLP.
Artículos de Revistas tipo IJCV, PAMI.

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.

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.
 

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.

¿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 (Original o Fotocopia Legalizada)
• 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

Total del Programa es de 150 UF

Forma de Pago

• Hasta en 8 cuotas sin interés, documentadas con cheques

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