Escudo de la República de Colombia Escudo de la República de Colombia
logo-fac-blanco.png

Diplomado modular

Machine learning and Data Science Avanzado

Entrega doce (12) créditos homologables
Cuatro (4) créditos por asignatura/módulo

Fechas realización
Módulo 4 - Febrero 07 a Marzo 19
Módulo 5 - Marzo 13 a Abril 30
Módulo 6 - Abril 24 a Junio 01
Intensidad
Módulo - 64 horas
Ciclo - 192 horas

Horario clases

Plataforma - Acceso 24/7
Magistrales - Miércoles 6:00pm a 8:00pm
Tutorías - Sábados por la mañana

Inversión

$ 1.780.000 - Módulo
$ 5.340.000 - Ciclo completo

Actividad en ejecución

Esta actividad está ejecutándose actualmente. Próximamente tendremos una nueva fecha disponible.

Presentación

En un estudio de prospectiva patrocinado por IEEE , el aprendizaje computacional ha sido identificado como una de las tecnologías innovadoras que pueden liderar el cambio de la industria de la computación en los siguientes años. Pero aún, más allá de esta distinción, el aprendizaje computacional juega un papel fundamental en el éxito de otras tecnologías identificadas en el mismo estudio. En algunos casos, el aprendizaje computacional proveerá los métodos básicos que permitan abordar los retos particulares de algunas tecnologías, como la visión por computador, la biología computacional, las interfaces de usuarios naturales o el denominado big data analytics. En otros casos, los métodos de aprendizaje computacional permitirán analizar y aprovechar los inmensos volúmenes de datos generados por tecnologías, tales como los cursos abiertos masivos en línea, el internet de las cosas o la bioinformática. El programa de formación en MLDS provee los elementos necesarios para afrontar esta revolución y aprovechar estas herramientas conceptuales y tecnológicas para la solución de problemas prácticos en sus organizaciones.

Información de la actividad

El programa de formación en MLDS está dirigido a todas las personas que desde sus roles tienen responsabilidad o incidencia en los procesos de análisis de datos y desarrollo de sistemas inteligentes y analíticos: gerentes de informática, analistas, desarrolladores y responsables de área. Igualmente, el programa de formación en MLDS también está dirigido a aquellos profesionales en áreas tales como la ingeniería, ciencias naturales, economía, matemáticas y estadística, interesados en diversas aplicaciones del aprendizaje computacional y el desarrollo de sistemas inteligentes y analíticos. Dado el enfoque práctico del programa de formación en MLDS se requiere que los estudiantes tengan familiaridad previa con conceptos de programación.
Dado el enfoque práctico del programa de formación, se requiere que los asistentes tengan:
  1. Conocimientos de programación de computadores con Python
  2. Conocimientos de librerías especializadas para análisis de datos con Python (Pandas, NumPy, Seaborn) y aprendizaje de máquina (Scikit-learn)
  3. Conocimientos básicos de Machine Learning
  4. Conocimientos básicos de SQL y UNIX
  5. Disposición para aprender nuevas tecnologías y enfrentar retos técnicos

Tenga en cuenta:
La actividad NO realiza una pruebas de proficiencia, habilidad ni técnicas que limiten su inscripción o participación. Aún así, para propiciar un adecuado abordamiento de los contenidos se recomienda que los participantes tengan las habilidades anteriormente mencionadas.
En el programa de formación en MLDS se asume la educación como un proceso de interacción dinámica centrada en los participantes, donde el rol del profesor, además de proveer su experiencia profesional y los elementos conceptuales, se concentra en ser un dinamizador de las actividades de aprendizaje. Desde esta perspectiva la metodología debe reflejar el enfoque propiciando el desarrollo de las competencias propuestas.

  1. Los tres módulos del programa se impartirán de manera virtual. Para tal fin, los estudiantes contarán con acceso a un sistema de videoconferencia para las sesiones sincrónicas y acceso a una plataforma de aprendizaje autónomo dónde encontrarán una gran cantidad de objetos virtuales de aprendizaje (OVAs) y recursos educativos digitales (REDs) que han sido especialmente diseñados para esta actividad, tales como: videos, imágenes, animaciones, lecturas, notebooks de código pre programado, guías de referencia, etc.

Si bien los módulos entre sí no tienen pre requisitos como tal, se entiende que los módulos más avanzados tratan temas más técnicamente específicos que los anteriores. Debido a ello, recomendamos realizar el ciclo en el planteado (4, 5 y 6) tras haber cumplido el ciclo de formación básico (1,2 y 3). Contar con conocimiento, experiencia o proficiencia en el tema le ayudará a abordar la metodología de mejor manera, evitando choques a nivel temático.
Cada uno de los módulos del programa ofrece certificación expedida por la Facultad de Ingeniería Sede Bogotá, cuando el estudiante apruebe con una nota mínima los exámenes o talleres en el desarrollo de la metodología.

Un estudiante puede recibir tres (3) tipos de certificaciones:

- Certificado de aprobación de la Unidad de Educación Continua (UECP): Se entrega al culminar un asignatura/módulo habiendo obtenido una calificación de al menos 3.0 / 5.0 en las actividades de evaluación del equipo docente. Corresponde a un curso corto.

- Certificado de la Secretaría Académica de la Facultad de Ingeniería: Se entrega al culminar un módulo/materia habiendo obtenido el certificado de aprobación. Este certificado será válido para adelantar los trámites de homologación (convalidación) de créditos en caso que el participante sea admitido a algún programa académico de posgrado de la Universidad Nacional de Colombia, correspondiendo a 4 créditos.

- Certificado de diplomado: Una vez los participantes hayan obtenido el certificado de aprobación de cada uno de los tres (3) módulos/materia que componen un diplomado obtendrán gratuita y adicionalmente el certificado correspondiente a ese bloque
Tenga en cuenta que para obtener este certificado deberá cursar sólo los módulos/materia de un diplomado, no siendo posible intercambiar módulos entre diplomados.


Tenga en cuenta:
Para este Programa de formación se entregará exclusivamente certificado de aprobación (no de asistencia). Para ser objeto de certificación, el participante deberá cumplir con las condiciones detalladas a continuación:
Image

Módulo 4
Procesamiento y entendimiento de lenguaje natural

Objetivo general del aprendizaje

El objetivo de este módulo es abordar los temas principales en el procesamiento del lenguaje natural (NLP, por sus siglas en inglés) por medios computacionales, con énfasis en textos escritos. Se estudiarán una amplia gama de técnicas para la lingüística computacional, el análisis estadístico del lenguaje y la minería de textos, aplicadas a problemas como el análisis sintáctico, la extracción de información, la clasificación y agrupación de textos, el análisis de sentimientos, entre otros.

Introducción a NLP

  1. Describir de manera precisa los conceptos generales de procesamiento de lenguaje natural (NLP), los retos propios del análisis automático de lenguaje natural y conocer los distintos tipos de aplicaciones que actualmente involucran NLP.
  2. Utilizar distintas librerías y utilidades del lenguaje de programación
    Python para la obtención de información textual.
  3. Manipular textos como cadenas de caracteres en Python, incluyendo operaciones básicas con strings, formatos, búsquedas exactas y mediante patrones.

Preprocesamiento

  1. Describir la relación entre un proyecto de NLP y un proyecto de ciencia de datos/machine learning
  2. Seleccionar la estrategia de preprocesamiento más adecuada para diversos datos textuales
  3. Utilizar la librería spacy para procesamiento de lenguaje natural y entender sus módulos y componentes básicos

Embeddings

  1. Entender el proceso de extracción de características y representación semántica en procesamiento de lenguaje natural.
  2. Utilizar los embeddings clásicos como las bolsas de palabras, Word2Vec, Doc2Vec y FastText para construir representaciones vectoriales de la semántica del texto.
  3. Utilizar librerías del lenguaje de programación Python como sklearn y gensim para procesamiento de lenguaje natural.

Análisis supervisado en textos

  1. Entender cómo se aplican los enfoques de aprendizaje supervisado de máquina en procesamiento de lenguaje natural.
  2. Seleccionar el tipo de tarea supervisada en dependencia de la necesidad de clasificación de texto.
  3. Utilizar modelos pre-entrenados para clasificación de palabras o documentos y entrenar modelos personalizados para una tarea específica de procesamiento de texto.

Análisis no supervisado en textos

  1. Entender cómo se aplican los enfoques de aprendizaje no supervisado de máquina en procesamiento de lenguaje natural.
  2. Seleccionar el tipo de tarea no supervisada en dependencia de la necesidad de análisis de texto.
  3. Utilizar distintos modelos de agrupamiento de texto y tópicos para el análisis no supervisado de textos.

Proyecto Aplicado

  1. Ejecutar un proyecto de procesamiento y entendimiento automático de lenguaje natural de forma efectiva usando las técnicas y herramientas presentadas en el curso con el objetivo de hallar información relevante en los textos analizados.

Módulo 5
Deep learning

Objetivo general del aprendizaje

El objetivo de este módulo es estudiar modelos de aprendizaje profundo (deep learning), es decir redes neuronales con varias capas, y su aplicación a la solución de problemas desafiantes de análisis de texto, imágenes y otro tipo de información no estructurada. El módulo cubrirá los fundamentos de los modelos de aprendizaje profundo, así como los problemas prácticos asociados con su diseño, implementación, entrenamiento y despliegue. Se utilizará una metodología práctica enfocada en la construcción de modelos utilizando herramientas populares como Keras y TensorFlow.

Introducción a Deep Learning

  1. Describir de manera precisa los conceptos, herramientas generales y campos de aplicación relacionados con el desarrollo de modelos de Deep Learning.
  2. Entender los componentes específicos necesarios para la implementación práctica de modelos de Deep Learning. 
  3. Utilizar herramientas básicas de Tensorflow y Keras en Python para el diseño, implementación y evaluación de modelos básicos de aprendizaje de máquina.

Redes Neuronales en Keras

  1. Entender los fundamentos teóricos del funcionamiento de las redes neuronales de una sola capa
  2. Entender los fundamentos teóricos del funcionamiento de las redes neuronales con capas intermedias
  3. Conocer los elementos de construcción de modelos de redes neuronales con la librería Keras
  4. Entender y aplicar el flujo de ejecución de un modelo de red neuronal en Keras: construcción de modelos, entrenamiento y evaluación

Redes Neuronales Convolucionales

  1. Entender el procesamiento detrás de una capa convolucional, y sus ventajas en tareas de análisis de imagen.
  2. Usar técnicas de procesamiento de imágen como Data-Augmentation para mejorar el desempeño de modelos en tareas de detección de objetos y clasificación de imágenes
  3. Entender el concepto de transferencia de aprendizaje y ajuste fino, para aplicar modelos pre entrenados en tareas específicas de análisis de imagen

Modelos de Lenguaje y Clasificación de Texto

  1. Entender los conceptos fundamentales de las aplicaciones de deep learning en el análisis de texto
  2. Aprender sobre modelos de representación distribucional de palabras
  3. Aprender sobre modelos convolucionales sobre caracteres y sobre palabras
  4. Aprender sobre modelos basados en mecanismos de atención (Transformers)

Modelos Generativos y Autosupervisados

  1. Entender la perspectiva general de los modelos de deep learning para tareas no supervisadas y de generación de imágen y texto
  2. Aprender sobre Autoencoders y sus variantes variacionales
  3. Aprender sobre modelos basados en redes adversarias y redes siamesas

Proyecto aplicado

  1. Ejecutar un proyecto de deep learning de forma efectiva usando las técnicas y herramientas presentadas en el curso con el objetivo de resolver un problema específico

Módulo 6
Metodologías ágiles para el desarrollo de proyectos de Machine Learning

Objetivo general del aprendizaje

El objetivo de este curso es estudiar las metodologías para el desarrollo de aplicaciones que involucran machine learning e inteligencia artificial, se presentará todo el flujo de desarrollo de software con las tecnologías más recientes y ampliamente usadas en machine learning.

Metodologías de Desarrollo de Machine Learning

  1. Entender las distintas metodologías de desarrollo de aplicaciones de machine learning
  2. Identificar las diferencias entre metodologías de desarrollo de software y las de ciencia de datos
  3. Seleccionar la metodología de desarrollo más apropiada para ciencia de datos

Estructura Estandarizada, Herramientas y Utilidades

  1. Entender cómo estructurar un proyecto de ciencia de datos
  2. Seleccionar una herramienta de versionado apropiada para distintos componentes del proyecto
  3. Integrar herramientas de versionado modernas con herramientas clásicas de machine learning

Ciclo de Vida de Ciencia de Datos

  1. Describir el detalle de cada uno de los componentes del ciclo de vida de ciencia de datos
  2. Seleccionar la herramienta más apropiada para la extracción de características según el tipo de datos
  3. Usar herramientas modernas para modelamiento, comparación y selección de modelos

Despliegue de Modelos

  1. Identificar el tipo de despliegue más apropiado para cada aplicación
  2. Describir el proceso de exportación y reutilización de modelos dentro de aplicaciones de ciencia de datos
  3. Crear una aplicación web basada en un modelo de machine learning

Evaluación y Reiteración de Modelos

  1. Entender conceptos de diseño experimental relacionados con la comparación y validación de modelos
  2. Entender cómo monitorear variaciones en datos, características de modelos y en conceptos

Proyecto Aplicado

  1. Ejecutar un proyecto de machine learning de forma efectiva usando las técnicas y herramientas presentadas en el curso, siguiendo las buenas prácticas y tecnologías vistas

Equipo docente

Felipe Restrepo Calle
Ingeniero de Sistemas y Computación

Ingeniero de Sistemas y Computación, Universidad Tecnológica de Pereira, 2004; Magíster en Instrumentación Física, Universidad Tecnológica de Pereira, 2007; Doctor en Ingeniería Informática, Universidad de Alicante (España), 2011. Ha participado en varios proyectos de investigación a nivel nacional e internacional. Estancias posdoctorales: Universidad de Sevilla (España) durante 2012 y 2013, Universidade Federal do Rio Grande do Sul (Brasil) durante el primer semestre de 2014.

Profesor del Departamento de Ingeniería de Sistemas e Industrial en la Universidad Nacional de Colombia, sede Bogotá. Sus áreas de interés incluyen: lenguajes de programación, análisis automático de código fuente, procesadores de lenguaje, diseño de sistemas embebidos y educación en ingeniería. Cuenta con más de 30 publicaciones científicas en revistas, libros y conferencias internacionales. Actualmente lidera el grupo de investigación PLaS (Programming Languages and Systems) y es el Coordinador de la Maestría en Ingeniería de Sistemas y Computación.

Fabio Augusto González Osorio
Ingeniero de Sistemas

Ingeniero de Sistemas, Universidad Nacional de Colombia (1993); MSc. en Matemáticas, Universidad Nacional de Colombia [1998]; Ph.D. & M.Sc. in Computer Science, The University of Memphis (2003); Profesor visitante University of Louisville, USA (2009); Profesor visitante Ecole Nationale Superieure de Techniques Avancees (ENSTAParisTech), Francia (2010); Profesor visitante University of Houston, USA (2017).

Profesor Titular del Departamento de Ingeniería de Sistemas e Industrial. Coordinador del programa de Doctorado en Ingeniería de Sistemas y Computación, Universidad Nacional de Colombia, Bogotá. Amplia experiencia en investigación en aprendizaje computacional, minería de datos, recuperación de información, procesamiento de lenguaje natural y visión por computador. Participación en diversos proyectos de investigación internacionales y nacionales. Más de 100 publicaciones científicas en revistas, libros y conferencias internacionales. Lidera el grupo de investigación MindLab (Machine Learning Perception and Discovery Lab, http://mindlaboratory.org)

Jorge Eliécer Camargo
Ingeniero de Sistemas

Profesor del Departamento de Ingeniería de Sistemas e Industrial de la Universidad Nacional de Colombia, Sede Bogotá. Cuenta con más de 50 publicaciones científicas en revistas, libros y conferencias internacionales relacionadas con el manejo de grandes volúmenes de datos y aplicaciones de machine learning en grandes volúmenes de datos en imágenes, audio y texto (big data).

Ingeniero de Sistemas de la Universidad Nacional de Colombia, Magíster en Ingeniería de Sistemas y Computación de la Universidad de los Andes, Doctor en Ingeniería - Sistemas y Computación de la Universidad Nacional de Colombia. Ha participado en diferentes proyectos de investigación a nivel nacional e internacional. Trabajó en el Departamento de Policía Científica en Lausana (Suiza) en el proyecto "Detección automática de medicamentos falsos utilizando técnicas de procesamiento de imágenes y Machine Learning" y en el proyecto "Monitoreo de redes de tráfico de drogas sintéticas utilizando técnicas de procesamiento de imágenes y Machine Learning".

0
Ediciones ofertadas al público
0
Participantes capacitados
0
Horas de capacitaciónimpartidas

Opiniones de nuestros estudiantes

“La disponibilidad de certificación, la disponibilidad de un docente real en vez de clases de videos me parecen un plus importante. Y, claro, el renombre de la Universidad Nacional de Colombia.”
Miguel Barreto
"El profesor tiene buenos conocimientos en el tema y sabe explicar. Lo único es el tiempo que no ayuda para ver todos los temas y tener tiempo de responder preguntas qué hacemos los estudiantes."
Cesar Puentes
"En caso de ser un curso avanzado (Seria ideal datastudio - es muy parecido a power BI)"
Yesid
"Me gustó el curso, el docente y el precio."
Mayra Camacho
"Son bien estructurados los cursos y muy cumplidos."
Nelson Salamanca

Tabla de valores de la actividad

Los descuentos NO son acumulables entre sí. Se aplica sólo un (1) descuento, siendo más benéfico para el usuario.
-
Tarifa plena$ 5'340.000
Hasta 06 de Febrero 2024
-30%
Pago 3 asignaturas/módulo + pronto pago$ 3'738.000
Hasta Enero 07 de 2024
-25%
Pago de 3 asignaturas/módulos$ 4'005.000
Hasta Enero 23 de 2024

Tenga en cuenta

Si aplica a los descuentos por todo el ciclo (pago de 3 módulos) NO podrá solicitar devolución de los recursos (ni total ni parcial) una vez hayan iniciado las clases del primer módulo bajo ninguna circunstancia

Tabla de valores por asignatura/módulo

Los descuentos NO son acumulables entre sí. Se aplica sólo un (1) descuento, siendo más benéfico para el usuario.
-
Tarifa plena$ 1'780.000
Módulo 1 - Antes de Febrero 06 de 2024
Módulo 2 - Antes de Marzo 12 de 2024
Módulo 3 - Antes de Abril 23 de 2024
-10%
Pronto pago$ 1'602.000
Para pagos efectuados 15 días antes del inicio
-10%
Grupos (4 o más)$ 1'602.000
A grupos de 4 o más personas a través de un único soporte de pago
-10%
Hijos$ 1'602.000
Pensionados, docentes, funcionarios, contratistas y estudiantes de la UNAL, estudiantes IPARM y Escuela UNAL Medellín
-10%
Sisbén y vulnerables$ 1'602.000
Personas de niveles 1 y 2 de Sisben, población en situación de discapacidad y desplazados inscritos en el registro de población desplazada
-10%
Otras Universidades$ 1'602.000
Personas de niveles 1 y 2 de Sisben, población en situación de discapacidad y desplazados inscritos en el registro de población desplazada
-15%
Múltiples actividades$ 1'513.000
A personas que realicen 3 o más cursos o diplomados al año en la UNAL.
-20%
Descuento rol UNAL$ 1'424.000
A profesores, investigadores, funcionarios, pensionados, egresados y contratistas de la Universidad Nacional de Colombia.
-25%
Contratistas y Funcionarios UNAL Egresados UNAL+Pronto pago$ 1'335.000
Hasta 21 días calendario antes del inicio de cada asignatura/módulo
-30%
Estudiantes de posgrado UNAL$ 1'246.000
A estudiantes activos de posgrado UNAL
-50%
Estudiantes Pregrado UNAL$ 890.000
A estudiantes activos UNAL

Tabla de valores

-
Tarifa plena
$5'340.000
Hasta 06 de Febrero 2024
-30%
Pago 3 asignaturas/módulo + pronto pago
$3'738.000
Hasta Enero 07 de 2024
-25%
Pago de 3 asignaturas/módulos
$4'005.000
Hasta Enero 23 de 2024

Tenga en cuenta

Si aplica a los descuentos por todo el ciclo (pago de 3 módulos) NO podrá solicitar devolución de los recursos (ni total ni parcial) una vez hayan iniciado las clases del primer módulo bajo ninguna circunstancia.

Tabla de valores por asignatura/módulo

Los descuentos NO son acumulables entre sí. Se aplica sólo un (1) descuento, siendo más benéfico para el usuario.
-
Tarifa plena
$1'780.000
Módulo 1 - Antes de Febrero 06 de 2024
Módulo 2 - Antes de Marzo 12 de 2024
Módulo 3 - Antes de Abril 23 de 2024
-10%
Pronto pago
$1'602.000
Para pagos efectuados 15 días antes del inicio
-10%
Grupos (4 o más)
$1'602.000
A grupos de 4 o más personas a través de un único soporte de pago
-10%
Hijos
$1'602.000
Pensionados, docentes, funcionarios, contratistas y estudiantes de la UNAL, estudiantes IPARM y Escuela UNAL Medellín
-10%
Sisbén y vulnerables
$1'602.000
Personas de niveles 1 y 2 de Sisben, población en situación de discapacidad y desplazados inscritos en el registro de población desplazada
-10%
Otras Universidades
$1'602.000
A estudiantes activos de otras universidades (pregrado o posgrado)
-15%
Múltiples actividades
$1'513.000
A personas que realicen 3 o más cursos o diplomados al año en la UNAL.
-25%
Descuento rol UNAL
$1'424.000
A profesores, investigadores, funcionarios, pensionados, egresados y contratistas de la Universidad Nacional de Colombia.
-25%
Contratistas y Funcionarios UNAL Egresados UNAL+Pronto pago
$1'335.000
Hasta 21 días calendario antes del inicio de cada asignatura/módulo
-30%
Estudiantes posgrado UNAL
$1'246.000
A estudiantes activos de posgrado UNAL
-50%
Estudiantes Pregrado UNAL
$890.000
A estudiantes activos UNAL

Procedimiento para la asignación de cupo

Registro

Registro

Debe registrar sus datos personales en el portal de información HERMES: www.hermes.unal.edu.co
Pago

Pago

Consignación Banco Popular, transferencia bancaria, PSE (débito) o tarjeta de crédito (VISA)
Guía de pagos
Legalización

Legalización

Enviar al correo: documento de identidad (cédula) y soporte pago. Si aplica, soporte de descuento.
Correo: uec_fibog@unal.edu.co 

Preguntas frecuentes

¿Quién puede participar en los cursos y diplomados?
Nuestra misión como Universidad Nacional de Colombia en su línea de extensión es capacitar y actualizar a la comunidad en general, con ello NO hay pre requisitos administrativos para que una persona pueda inscribirse, cursar o certificarse en cualquiera de nuestras actividades:

En resumen:
1) NO es necesario ser Ingeniero
2) NO es necesario técnico, tecnólogo o profesional
3) NO es necesario pertenecer a la UN

Actividades relacionadas

Image
logo-fac-blanco.png

Calle 44 #45-67
Bloque B5
Bogotá, Colombia

uec_fibog@unal.edu.co
(+57 1) 350 5891042