DiplomadoInteligencia artificial y datos
Inteligencia artificial
El diplomado Inteligencia artificial proporciona al estudiante las bases conceptuales y la práctica en Python necesarias para comprender, evaluar y construir soluciones de IA, desde la búsqueda y el razonamiento probabilístico hasta el aprendizaje automático, las redes neuronales y los modelos de lenguaje, de modo que pueda proponer y desarrollar prototipos útiles en proyectos reales de software y de negocio.
A quién va dirigido
Estudiantes y profesionales de tecnología con lógica de programación básica que quieren una base sólida y práctica en IA.
Objetivos
✓Comprender los fundamentos de la inteligencia artificial: agentes, búsqueda, lógica, incertidumbre y aprendizaje a partir de datos.
✓Analizar el desempeño de algoritmos y modelos mediante métricas como la matriz de confusión, las curvas ROC y el error de validación.
✓Aplicar algoritmos de búsqueda, inferencia probabilística, aprendizaje automático con scikit-learn y redes neuronales con PyTorch en Python.
✓Diseñar una aplicación con modelos de lenguaje vía API que integre recuperación de documentos (RAG) sobre una base vectorial.
✓Valorar los riesgos de sesgo, explicabilidad y privacidad de una solución de IA a la luz de la Ley 1581 de 2012 y el CONPES 4144 de 2025.
Plan de estudios por sesión
1
Agentes inteligentes y búsqueda en espacios de estadosTipos de agentes y entornos · Búsqueda no informada e informada: BFS, DFS y A*
2
Búsqueda adversarial y restriccionesBúsqueda adversarial: minimax y poda alfa-beta · Problemas de satisfacción de restricciones
3
Representación del conocimiento y razonamiento bajo incertidumbreLógica proposicional e inferencia · Probabilidad condicional y teorema de Bayes
4
Modelos probabilísticos en la prácticaRedes bayesianas y modelos ocultos de Markov · Implementación de inferencia probabilística en Python
5
Aprendizaje supervisado y evaluación de modelosRegresión, k vecinos, árboles y bosques aleatorios · Validación cruzada, matriz de confusión y curvas ROC
6
Aprendizaje no supervisado y flujos de trabajoAgrupamiento con k-means · Flujos con scikit-learn y pandas
7
Fundamentos de redes neuronalesPerceptrón, retropropagación y descenso del gradiente · Redes convolucionales para imágenes
8
Entrenamiento y regularización de redes profundasRegularización: dropout y parada temprana · Entrenamiento en PyTorch sobre Google Colab
9
Representación del lenguaje y transformersTokenización y embeddings · Arquitectura transformer y mecanismo de atención
10
Aplicaciones con modelos de lenguajeConsumo de modelos por API: OpenAI, Anthropic y Gemini · Generación aumentada por recuperación (RAG) con base vectorial
11
Formulación del proyecto y uso responsable de la IAFormulación del problema y selección de técnica · Sesgo, explicabilidad y privacidad según la Ley 1581 de 2012
12
Presentación del proyecto final: prototipo de IA con informe de métricas y riesgosLineamientos de la Política Nacional de IA (CONPES 4144 de 2025) · Presentación y defensa del prototipo
Evaluación
Inicial30%Taller en Python de búsqueda con BFS, DFS y A*; ejercicio de inferencia con redes bayesianas; cuestionario sobre agentes y lógica.
Intermedio30%Cuaderno de aprendizaje automático con validación cruzada y curvas ROC; entrenamiento de una red convolucional en PyTorch sobre Google Colab.
Final40%Proyecto final: prototipo funcional de IA en Python (clasificador o asistente con RAG) para un caso real, con informe de métricas, riesgos y decisiones de diseño, y sustentación.
Proyecto final
Prototipo funcional de IA en Python (clasificador o asistente con RAG) para un caso real, con informe de métricas, riesgos y decisiones de diseño.