Maestría en Inteligencia Artificial - Asignaturas

:: PRIMER BIMESTRE:

Procesamiento del lenguaje natural II
Temario: Arquitectura, transformers y tokenizadores; Arquitecturas de LLMs y Transformer Decoder; Ecosistema actual (APIs y costos), efectos adversos y evaluación de LLMs; MoEs y técnicas de prompts; Modelos locales y uso de APIs; RAG, vector DBs, chatbots y práctica; Agentes, fine-tuning y práctica y Generación multimodal y práctica.

Visión por computadora III
Temario: Arquitectura de Transformers e imágenes como secuencias; Arquitecturas de ViT y el mecanismo de Attention; Ecosistema actual, Huggingface y modelos pre entrenados; GPT en NLP e ImageGPT; Modelos multimodales: combinación de visión y lenguaje; Segmentación con SAM y herramientas de auto etiquetado multimodales y OCR y detección con modelos multimodales.

Operaciones de aprendizaje automático II
Temario: Modo de flujo de datos a través de base de datos, API REST o transporte en tiempo real; GraphQL, gRPC; Aprendizaje Federado; Streaming; Procesamiento en la nube y Seguridad en IA.

:: SEGUNDO BIMESTRE:

Procesamiento del lenguaje natural III
Temario: RAG avanzado y personalización de soluciones; Seguridad. Ética y alineación de modelos con valores humanos; Métricas, optimización y herramientas para la construcción de agentes; Sistemas cognitivos y agentes autónomos; Escalabilidad y optimización; Knowledge Graphs, Agentes cognitivos y Sistemas Multiagentes y Sistemas Agentic en Producción.

Análisis de Series de Tiempo I
Temario: Introducción a procesos estocásticos, series de tiempo y manejo de datos de series de tiempo en Python; Ruido blanco, caminata aleatoria, funciones de autocorrelación, autocorrelación parcial, procesos y series estacionarias y estacionales y prueba de Dicky-Fuller; Diferenciación de series de tiempo, descomposición ETS, modelo aditivo y multiplicativo y suavizado; Bondad de modelos LLH, AIC y BIC y modelos autorregresivos y de media móvil AR, MA, ARMA; Modelos integrados, estacionales y con variables exógenas: ARIMA, ARIMAX, SARIMAX; Modelos de heteroscedasticidad condicional: ARCH, GARCH; Pronósticos, librería autoarima y librería Prophet y Redes RNN del tipo LSTM para series de tiempo.

Gestión de la tecnología y la innovación
Temario: Innovación: concepto, alcance y atributos; Gestión de la innovación: principios y normas; Sistema de gestión de la innovación y priorización de iniciativas de innovación; Sistema de vigilancia e inteligencia estratégica; Alianzas en innovación; Gestión de la propiedad intelectual y Situar la innovación en Argentina y América Latina: análisis de los casos empíricos estudiados de innovaciones basadas en ciencia y tecnología.

:: TERCER BIMESTRE

Algoritmos evolutivos I
Temario: Computación evolutiva; Algoritmos genéticos; Análisis y comparativa de AE; Optimización por enjambre de partículas (PSO); Mejoras del algoritmo PSO; PSO con restricciones; PSO multiobjetivo; Optimización basada en enseñanza-aprendizaje (TLBO); Optimización basada en colonia de hormigas (ACO); Búsqueda tabú e Hiperheurísticas.

Análisis de series de tiempo II
Temario: Análisis espectral; Modelos de Monte Carlo; Empirical Mode Decomposition (EMD & EEMD); Procesos de Márkov; Integración y derivación estocástica y Fórmula de Black & Scholes.

Curso optativo III
Ver más información

:: CUARTO BIMESTRE:

Aprendizaje por refuerzo I
Temario: Procesos de decisión de Markov; Q-Learning; Deep Q-Network; REINFORCE; Actor-Critic (AC); Asynchronous Advantage Actor-Critic (A3C) y Advantage Actor-Critic (A2C).

Taller de trabajo final A
Ver más información

Curso optativo IV
Ver más información

:: QUINTO BIMESTRE

Aprendizaje por refuerzo II
Temario: Optimización de políticas proximas (PPO); Gradiente de política determinista profunda con doble retardo (TD3); Soft Actor-Critic (SAC); Aprendizaje por refuerzo multiagente (MARL); Aprendizaje por refuerzo inverso (IRL) y Exploración con modelos generativos.

Taller de trabajo final B
Ver más información