Centro de Consultoría y Educación Continua

Bootcamp en Inteligencia Artificial Básico

Presentación

La Inteligencia Artificial y el Machine Learning se han convertido en herramientas fundamentales para analizar datos, reconocer patrones y apoyar la toma de decisiones en múltiples sectores. Este bootcamp ofrece una ruta introductoria y aplicada para comprender sus fundamentos conceptuales, matemáticos y computacionales. A lo largo del programa, los participantes explorarán la evolución de la IA, sus principales paradigmas de aprendizaje y consideraciones éticas; estudiarán algoritmos esenciales como regresión lineal, regresión logística, árboles de decisión y K-Means; y fortalecerán las bases de probabilidad, estadística y álgebra lineal necesarias para comprender el funcionamiento de los modelos. El proceso formativo articula explicación conceptual, formulación matemática y ejercicios prácticos en Python, especialmente con scikit-learn, favoreciendo una comprensión progresiva del ciclo de construcción, entrenamiento y evaluación de modelos. De esta manera, el participante contará con una base sólida para continuar hacia niveles intermedios de Inteligencia Artificial y abordar proyectos de aprendizaje automático con mayor criterio técnico.

Dirigido

Personas interesadas en iniciar una ruta formativa en Inteligencia Artificial y Machine Learning, especialmente estudiantes, técnicos, tecnólogos y profesionales de áreas de tecnología, ingeniería, ciencias, analítica, administración u otros campos que requieran comprender y utilizar datos. Se recomienda contar con nociones básicas de programación y disposición para trabajar con Python y conceptos matemáticos fundamentales. No se requiere experiencia previa especializada en Inteligencia Artificial.

Imagen dirigido

Docentes

Carlos Ernesto Ramírez Ovalle

Matemático y doctor en Ciencias Matemáticas de la Universidad del Valle. Es profesor asistente del Departamento de Ciencias Naturales y Matemáticas de la Pontificia Universidad Javeriana Cali e integrante del Grupo de Investigación en Estadística y Matemática Aplicada (EMAP). Su trayectoria académica e investigativa.

Imagen metodología

Metodología

El bootcamps ofrecen una experiencia de formación práctica que combina sesiones sincrónicas, trabajo autónomo y acompañamiento experto. A través de laboratorios, casos y retos, aplicarás lo aprendido y desarrollarás un proyecto integrador orientado a resolver una necesidad del entorno laboral. Además, contarás con espacios para fortalecer tu perfil y orientar tu proyección profesional.

¿Cómo se distribuyen las 159 horas?

  • Sesiones de inmersión 32 horas: Encuentros sincrónicos con docentes para comprender los conceptos, explorar herramientas y desarrollar habilidades mediante la interacción y la práctica guiada.
  • Recursos de aprendizaje 16 horas: Materiales digitales disponibles en la plataforma para profundizar en los contenidos, consultar ejemplos y avanzar de manera autónoma.
  • Mentorías 16 horas. Acompañamiento experto para resolver dudas, fortalecer habilidades y orientar la aplicación de los conocimientos en el proyecto integrador.
  • Actividades de aprendizaje 24 horas: Ejercicios, laboratorios, estudios de caso y retos prácticos que te permitirán afianzar lo aprendido y recibir retroalimentación durante el proceso.
  • Proyecto integrador 64 horas: Desarrollo de una solución para un reto aplicado, en la que integrarás los conocimientos y las habilidades adquiridos durante el bootcamp.
  • Reconversión laboral 7 horas: Espacios con expertos del sector productivo para fortalecer tu perfil profesional, mejorar tu hoja de vida, prepararte para entrevistas y reconocer oportunidades laborales.
imagen horarios

Horario

Horario

Las sesiones se desarrollaran los días viernes de 5:00 p.m a 9:00 p.m. y sábados de 8:00 a.m. a 12:00 p.m.

Nota: Para obtener la certificación del bootcamp, los participantes deberán asistir a todas las sesiones sincrónicas de inmersión y participar en los encuentros programados con los mentores. Estos espacios permitirán compartir avances, recibir retroalimentación y fortalecer su proceso formativo. Asimismo, se requiere completar y entregar las actividades de aprendizaje, y presentar y aprobar el proyecto integrador. Las fechas de entrega y los criterios de evaluación se compartirán al inicio de la ruta formativa.

En caso de fuerza mayor, la Universidad se reserva el derecho de cambio en los docentes y fechas programadas, antes y durante la ejecución del curso. Estos cambios serán informados oportunamente a los participantes.

Ubicación

Online

Objetivos

Comprender los fundamentos conceptuales, matemáticos y computacionales de la Inteligencia Artificial y el Machine Learning para construir, entrenar y evaluar modelos básicos de aprendizaje automático mediante Python, reconociendo sus principales aplicaciones, alcances y consideraciones éticas.

  • Analizar los fundamentos, paradigmas y evolución de la Inteligencia Artificial y el Machine Learning, diferenciando sus principales enfoques y campos de aplicación.

  • Construir y evaluar modelos básicos de aprendizaje automático mediante algoritmos de regresión, clasificación, árboles de decisión y clustering implementados en Python.

  • Interpretar los fundamentos de probabilidad, estadística y álgebra lineal que sustentan el funcionamiento de los algoritmos de Machine Learning.

Imagen logros

Contenido del curso

Módulo 1. Fundamentos de Machine Learning.

Detalle del módulo:

Introduce los principales tipos de aprendizaje automático y algoritmos fundamentales de regresión, clasificación y clustering. Integra intuición, formulación matemática e implementación en Python, junto con criterios para evaluar el desempeño de los modelos y reconocer problemas como el sobreajuste.

  • Introducción al Machine Learning.
  • Tipos de aprendizaje.
  • Regresión lineal.
  • Regresión logística.
  • Árboles de decisión.
  • K-Means Clustering.
  • Sobreajuste.
  • Métricas de evaluación.
  • Implementación en Python con scikit-learn.
Detalle del módulo:

Construye una base conceptual sobre la evolución de la Inteligencia Artificial y el Machine Learning, sus diferencias, paradigmas de aprendizaje y principales aplicaciones. Incorpora además criterios de ética y gobernanza para comprender los retos asociados al diseño y uso responsable de sistemas de IA.

  • Historia y evolución de la IA y el ML.
  • IA, ML y Deep Learning. 
  • Aprendizaje supervisado, no supervisado, semisupervisado y por refuerzo. 
  • Transferencia, autosupervisión y aprendizaje adversarial.
  • Visión por computador.
  • PLN; robótica e IoT. 
  • Transparencia, equidad, privacidad, responsabilidad y sostenibilidad.
Detalle del módulo:

Fortalece los fundamentos matemáticos que permiten comprender el funcionamiento de los algoritmos de Machine Learning. Aborda probabilidad, estadística descriptiva y álgebra lineal mediante formulación matemática, ejemplos y ejercicios aplicados, conectando estos conceptos con la representación, análisis y procesamiento computacional de datos.

  • Probabilidad y variables aleatorias.
  • Unión e intersección. 
  • Probabilidad condicional y teorema de Bayes. 
  • Distribuciones de probabilidad.
  • Tipos de datos, población y muestra. 
  • Tendencia central y variabilidad. 
  • Herramientas gráficas. 
  • Vectores; matrices. 
  • Descomposición LU.
s