Centro de Consultoría y Educación Continua

Bootcamp en Inteligencia Artificial Intermedio

Presentación

El Bootcamp de Inteligencia Artificial – Nivel Intermedio profundiza en técnicas de Machine Learning que permiten abordar problemas de mayor complejidad y avanzar desde la construcción de modelos hacia soluciones integrales de inteligencia artificial. La ruta articula algoritmos de ensemble y gradient boosting, aprendizaje no supervisado, Procesamiento de Lenguaje Natural y fundamentos de MLOps. A lo largo del programa, los participantes trabajarán con Python y librerías especializadas para entrenar, validar, comparar y desplegar modelos, interpretar patrones en datos no etiquetados y desarrollar soluciones basadas en texto. El nivel culmina con proyectos integradores que conectan preparación de datos, experimentación, evaluación, versionado, monitoreo y despliegue. De esta manera, el bootcamp fortalece una comprensión técnica y aplicada del ciclo de vida de proyectos de Machine Learning, promoviendo decisiones fundamentadas sobre selección de algoritmos, calidad de modelos y preparación de soluciones para escenarios profesionales y de producción.

Dirigido

Personas con conocimientos previos de Python, análisis de datos y fundamentos de Machine Learning que deseen avanzar hacia técnicas intermedias de inteligencia artificial. Está dirigido a estudiantes, técnicos, tecnólogos y profesionales de ingeniería, tecnología, analítica, ciencias, negocios u otras áreas que busquen fortalecer capacidades para construir, evaluar e integrar modelos de mayor complejidad y desarrollar proyectos aplicados de IA.

Imagen dirigido

Docentes

Juan Carlos Romero Reina

Matemático aplicado y magíster en Ingeniería con énfasis en teoría de redes y sistemas dinámicos, con más de 10 años de experiencia en ciencia de datos y Machine Learning. Su trayectoria incluye el desarrollo de soluciones de inteligencia artificial, sistemas de recomendación, analítica predictiva, procesamiento de lenguaje natural y modelos basados en grandes modelos de lenguaje. Ha liderado equipos y proyectos de Machine Learning para diferentes sectores y cuenta con experiencia docente en inteligencia artificial y aprendizaje automático en la Pontificia Universidad Javeriana Cali, integrando fundamentos matemáticos y aplicaciones tecnológicas.

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

Fortalecer las capacidades técnicas para diseñar, entrenar, evaluar e integrar soluciones de inteligencia artificial mediante técnicas intermedias de Machine Learning, aprendizaje no supervisado, procesamiento de lenguaje natural y prácticas de MLOps, articulando criterios de selección de modelos y desarrollo de proyectos aplicados.

  • Analizar y comparar algoritmos intermedios de Machine Learning y técnicas de aprendizaje no supervisado, seleccionando alternativas de acuerdo con las características de los datos y los criterios de evaluación del problema.

  • Diseñar soluciones de Procesamiento de Lenguaje Natural mediante técnicas de preprocesamiento, representación, clasificación y evaluación de texto.

  • Integrar prácticas de versionado, automatización, monitoreo y despliegue en proyectos de Machine Learning, articulando los aprendizajes del bootcamp en soluciones end-to-end.

Imagen logros

Contenido del curso

Módulo 1. Técnicas de Machine Learning Intermedio.

Detalle del módulo:

Profundiza en algoritmos de Machine Learning de mayor capacidad predictiva, incluyendo métodos de ensemble, gradient boosting, SVM y redes neuronales. Integra validación avanzada y criterios para seleccionar modelos de acuerdo con la naturaleza del problema, el desempeño esperado y las necesidades del contexto.

  • Introducción al Machine Learning intermedio.
  • Random Forest.
  • XGBoost.
  • CatBoost y LightGBM.
  • Support Vector Machines (SVM).
  • Redes neuronales densas.
  • Validación avanzada y métricas.
  • Selección de algoritmos y buenas prácticas.
Detalle del módulo:

Aborda técnicas para descubrir estructuras y patrones en datos sin etiquetas. Integra clustering, reducción de dimensionalidad, detección de anomalías y métodos de evaluación, con implementación práctica en Python para interpretar segmentos, relaciones y comportamientos relevantes en conjuntos de datos.

  • Introducción al aprendizaje no supervisado.
  • K-means clustering.
  • DBSCAN.
  • Análisis de Componentes Principales (PCA).
  • Detección de anomalías.
  • Evaluación de clustering y conceptos clave.
Detalle del módulo:

Desarrolla el flujo de trabajo para transformar texto no estructurado en información procesable por modelos de Machine Learning. Incluye tokenización, normalización, vectorización, embeddings, clasificación de texto y evaluación, con aplicaciones como detección de spam y análisis de sentimientos.

  • Introducción al Procesamiento de Lenguaje Natural.
  • Tokenización, stemming y lematización.
  • TF-IDF.
  • Embeddings semánticos.
  • Modelos de clasificación de texto.
  • Evaluación de modelos de clasificación de texto.
Detalle del módulo:

Integra prácticas de MLOps para versionar, automatizar, desplegar y monitorear modelos de Machine Learning. El módulo articula los aprendizajes del nivel mediante proyectos end-to-end de recomendación y análisis de sentimientos, fortaleciendo la reproducibilidad, el seguimiento y la preparación de soluciones para producción.

  • Introducción a MLOps y proyectos integrados.
  • Versionado de modelos con Git, DVC y MLflow.
  • Pipelines, monitoreo y data drift.
  • Proyecto integrador: sistema de recomendación.
  • Proyecto integrador: análisis de sentimientos en redes sociales.
  • Buenas prácticas y siguientes pasos.
s