CERTIFICADO POR LA UNIVERSIDAD TECNOLÓGICA DE PEREIRA

NOTA ACLARATORIA: Cada curso que oferta la Facultad de Ingenierías de la UTP  requiere un número mínimo de participantes para decidir la apertura del curso, si este número no es alcanzado, nos reservamos el derecho de cambio de fecha o cancelación del curso. En caso de haber realizado el pago, se tramitará la devolución del valor recibido en un periodo de 20 días hábiles.


GENERALIDADES

  • Fecha de inicio: Etapa de inscripción (hasta completar el mínimo de participantes)
  • Modalidad: Virtual
  • Horario: martes y miércoles de 7:00 pm a 9:00 pm
  • Duración: 30 horas (20 horas cátedra y 10 horas de trabajo autónomo)
  • Inversión: $400.000
  • Contacto: Ing. Fabián Torres
    • WhatsApp 3041212711  
    • Email: extension.ingenierias@utp.edu.co

MEDIOS DE PAGO

Valor a pagar: $400.000 COP

Estado: Estamos en etapa de inscripción, cuando se complete el mínimo de estudiantes se habilitarán los medios de pago.

Una vez realices el pago debes enviar el comprobante de pago y su CC o TI al correo extensión.ingenierias@utp.edu.co


JUSTIFICACIÓN

El presente curso en Inteligencia Artificial está diseñado para ingenieros de diversas
disciplinas, con el objetivo de proporcionar una comprensión sólida de los principios
fundamentales y aplicaciones de la IA. El programa aborda desde el contexto histórico y
conceptual, las consideraciones éticas y los riesgos asociados, hasta la introducción a los
fundamentos matemáticos y computacionales esenciales. Los participantes adquirirán
habilidades prácticas en Python para el análisis exploratorio de datos y serán introducidos
al desarrollo de modelos básicos de Machine Learning, sentando las bases para la
aplicación innovadora de la IA en la resolución de problemas ingenieriles.


OBJETIVOS

OBJETIVO GENERAL

Diseñar un curso práctico de inteligencia artificial dirigido a ingenieros, que les permita comprender el contexto histórico y conceptual de la IA, identificar sus principales áreas de aplicación en la ingeniería, analizar sus implicaciones éticas, y aplicar técnicas básicas de análisis exploratorio de datos. Además, busca que los participantes visualicen patrones y errores en datasets, entiendan el funcionamiento de modelos de aprendizaje automático, distingan entre aprendizaje supervisado y no supervisado, e integren los conocimientos adquiridos en la resolución guiada de un problema real mediante un proyecto práctico.

OBJETIVOS ESPECÍFICOS
  • Comprender el contexto histórico y conceptual de la IA.
  • Identificar las áreas de aplicación de la IA en la ingeniería.
  • Discutir aspectos éticos y riesgos asociados.

DIRIGIDO A

  • Ingenieros y profesionales de diversas disciplinas interesados en iniciarse en la IA

METODOLOGÍA

El diplomado se desarrollará bajo una modalidad teórico-práctica, con sesiones virtuales y talleres de aplicación con mediciones reales. Se emplearán plataformas interactivas, simulaciones, análisis de casos y herramientas de software especializadas para la medición y control del sonido.


CONTENIDO ACADÉMICO

Módulo 1: Introducción a la Inteligencia Artificial
  • Historia y evolución de la IA.
  • Principales hitos y contribuciones.
  • Aplicaciones en la ingeniería (industria, salud, transporte, energía, etc.).
  • Ética, sesgos algorítmicos, privacidad y seguridad.
  • Diferencias entre IA, aprendizaje automático y aprendizaje profundo.
Módulo 2: Fundamentos matemáticos y computacionales
  • Repaso de Python (sintaxis básica, estructuras, librerías).
  • Librerías: NumPy y Pandas (manipulación de datos).
  • Conceptos básicos de probabilidad y estadística: medidas de tendencia central y dispersión, distribuciones.
  • Introducción a entornos computacionales: Jupyter Notebooks.
Módulo 3: Análisis exploratorio de datos (EDA)
  • Estadísticas descriptivas básicas (media, mediana, moda, desviación).
  • Carga y exploración de datasets reales.
  • Detección de valores nulos y duplicados.
  • Visualización con Matplotlib y Seaborn (histogramas, boxplots, heatmaps).
Módulo 4: Introducción al aprendizaje automático
  • ¿Qué es un modelo? ¿Qué significa entrenar?
  • Diferencias entre aprendizaje supervisado y no supervisado.
  • Conceptos de entrada, salida, objetivo, función de pérdida.
  • Ejemplo de regresión lineal simple con Scikit-learn.

DOCENTES

Jorge Hernando Rivera Piedrahita
  • Ingeniero electrónico UNAL. Magister en instrumentación Física UTP.
  • Estudiante de doctorado en Ingeniería UTP.
  • Tutor del semillero de investigación en Neuro informática e Inteligencia Artificial (SNIEA).
  • Profesor titular programa de Ingeniería Física.
  • Facultad de Ingenierías UTP.