Inteligencia Artificial

Explora horarios, modalidades, contenidos y materiales

Horarios del servicio

Horario	Estado
07:30 - 09:00	Sin cupos
09:00 - 10:30	Sin cupos
10:30 - 12:00	Disponible
14:00 - 15:30	Sin cupos
15:30 - 17:00	Sin cupos
17:00 - 18:30	Disponible

Modalidades

Modalidad	Descripción	Inversión (Bs)	Acciones
Hora Libre	Modalidad Inversión Hora Libre Bs 50.00 Flexibilidad total por hora. Carga horaria: 1 h (Bs 50/hora).	50.00	Reservar
Semana 3 Veces	Modalidad Inversión Semana 3 Veces Bs 200.00 Clases 3 veces por semana (LMV/MJS/SÁBADOS). Carga horaria: 5 h (Bs 40/hora).	200.00	Reservar
Semana Lunes a Viernes	Modalidad Inversión Semana Lunes a Viernes Bs 260.00 Clases diarias Lunes a Viernes. Carga horaria: 7.5 h (Bs 34.66/hora).	260.00	Reservar
Quincena 3 Veces	Modalidad Inversión Quincena 3 Veces Bs 300.00 Quincena 3 veces por semana. Carga horaria: 10 h (Bs 30/hora).	300.00	Reservar
Quincena Lunes a Viernes	Modalidad Inversión Quincena Lunes a Viernes Bs 420.00 Quincena Lunes a Viernes. Carga horaria: 15 h (Bs 28/hora).	420.00	Reservar
Mes 3 Veces	Modalidad Inversión Mes 3 Veces Bs 450.00 Mes 3 veces por semana. Carga horaria: 20 h (Bs 22.5/hora).	450.00	Reservar
Mes Lunes a Viernes	Modalidad Inversión Mes Lunes a Viernes Bs 650.00 Mes Lunes a Viernes. Carga horaria: 30 h (Bs 21.66/hora).	650.00	Reservar
2 Meses 3 Veces	Modalidad Inversión 2 Meses 3 Veces Bs 800.00 2 Meses 3 veces por semana. Carga horaria: 40 h (Bs 20/hora).	800.00	Reservar
2 Meses Lunes a Viernes	Modalidad Inversión 2 Meses Lunes a Viernes Bs 1,150.00 2 Meses Lunes a Viernes. Carga horaria: 60 h (Bs 19.16/hora).	1,150.00	Reservar
3 Meses 3 Veces	Modalidad Inversión 3 Meses 3 Veces Bs 1,140.00 3 Meses 3 veces por semana. Carga horaria: 60 h (Bs 19/hora).	1,140.00	Reservar
3 Meses Lunes a Viernes	Modalidad Inversión 3 Meses Lunes a Viernes Bs 1,620.00 3 Meses Lunes a Viernes. Carga horaria: 90 h (Bs 18/hora).	1,620.00	Reservar
Tres Veces por Semana	Modalidad Inversión Tres Veces por Semana Bs 320.00 Fundamentos de ML y práctica guiada 3x/semana con Python y librerías.	320.00	Reservar
Lunes a Viernes	Modalidad Inversión Lunes a Viernes Bs 400.00 Entrenamiento diario: datasets, modelos, evaluación y despliegue.	400.00	Reservar
Solo Sábados	Modalidad Inversión Solo Sábados Bs 240.00 Sesión extendida de laboratorio con proyecto IA.	240.00	Reservar

Benficios (Inteligencia Artificial)

Sin beneficios registrados.

Contenidos Inteligencia Artificial

Contenido	Descripción
1. Entorno y "Hola Mundo"	Panorama del entorno de IA y primer script.
1.1 Instalación de Python/Anaconda	Instalar Python 3 y/o Anaconda para ciencia de datos.
1.2 Instalación y configuración de VS Code + Jupyter	Extensiones, notebooks y depuración básica.
1.3 Instalación y uso básico de Git	Control de versiones para proyectos de IA.
1.4 Ejecutar scripts y notebooks	Correr .py y .ipynb; buenas prácticas.
1.5 Hola Mundo y operaciones básicas	Imprimir, variables y operaciones iniciales.

Contenido	Descripción
2. Fundamentos de datos	Estructuras y manejo básico de datos.
2.1 Arreglos con NumPy	Creación, slicing y operaciones vectorizadas.
2.2 DataFrames con Pandas	Carga, selección y transformación de datos tabulares.
2.3 Carga de datos (CSV/JSON)	Lectura/escritura y formatos comunes.
2.4 Limpieza y EDA	Valores faltantes, outliers y visualización básica.
2.5 Ejercicios prácticos	Retos de transformación y análisis inicial.

Contenido	Descripción
3. Matemática base	Álgebra lineal, probabilidad y cálculo necesarios.
3.1 Álgebra lineal	Vectores, matrices y operaciones fundamentales.
3.2 Probabilidad y estadística	Distribuciones, medidas y muestreo.
3.3 Derivadas y gradiente	Concepto de gradiente y optimización.
3.4 Normalización y escalado	Preprocesamiento numérico y sus efectos.
3.5 Ejercicios	Aplicar conceptos a datos reales pequeños.

Contenido	Descripción
4. Aprendizaje supervisado	Modelos con etiquetas: regresión y clasificación.
4.1 Regresión lineal	Modelo básico y métricas de error.
4.2 Clasificación logística	Clasificación binaria y evaluación.
4.3 Árboles y Random Forests	Modelos interpretables y ensambles.
4.4 SVM (noción)	Márgenes y kernels a alto nivel.
4.5 Métricas	Accuracy, precision, recall y F1.

Contenido	Descripción
5. Aprendizaje no supervisado	Descubrir estructura sin etiquetas.
5.1 K-means	Centroides y asignaciones.
5.2 PCA	Reducción de dimensionalidad y componentes.
5.3 Clustering jerárquico	Vinculación y dendrogramas.
5.4 DBSCAN (noción)	Densidad y ruido.
5.5 Visualización de clusters	Proyección y gráficos.

Contenido	Descripción
6. Ingeniería de características	Crear y seleccionar atributos útiles.
6.1 Codificación categórica	One-hot, ordinal y target encoding (noción).
6.2 Manejo de valores faltantes	Imputación simple y avanzada.
6.3 Selección de características	Filtro, envoltura y métodos integrados.
6.4 Transformaciones	Escalado, normalización y polinomios.
6.5 Pipeline en scikit-learn	Encadenar pasos reproducibles.

Contenido	Descripción
7. Evaluación y validación	Estrategias para medir desempeño.
7.1 Train/Test split	Separar y controlar contaminación de datos.
7.2 Cross-validation	Validación cruzada y promedios.
7.3 Curvas ROC/PR	Umbrales y trade-offs.
7.4 Overfitting/Underfitting	Diagnóstico y mitigación.
7.5 Regularización	L1/L2 y efectos.

Contenido	Descripción
8. Redes neuronales básicas	Perceptrón y capas densas.
8.1 Perceptrón y MLP	Arquitecturas densas y funciones de pérdida.
8.2 Activaciones	ReLU, Sigmoid, Tanh y elección.
8.3 Backpropagation (noción)	Idea de gradientes y actualización.
8.4 Entrenamiento con Keras/PyTorch	Ciclos de entrenamiento y evaluación.
8.5 Ejercicios MNIST (noción)	Clasificación de dígitos simple.

Contenido	Descripción
9. NLP básico	Procesamiento de lenguaje natural y clasificación.
9.1 Tokenización	Palabras, subpalabras y limpieza.
9.2 Bag of Words/TF-IDF	Representaciones clásicas.
9.3 Embeddings (noción)	Vectores semánticos preentrenados.
9.4 Clasificación de texto	Pipeline de clasificación y métricas.
9.5 Evaluación	Métricas y validación en NLP.

Contenido	Descripción
10. Visión por computadora	Imagen, CNN y transferencia (noción).
10.1 Procesamiento de imágenes	Filtros y transformaciones básicas.
10.2 CNN (noción)	Convoluciones y arquitectura general.
10.3 Transfer learning	Reutilización de modelos preentrenados.
10.4 Clasificación de imágenes simple	Dataset pequeño y resultados.
10.5 Métricas	Accuracy y matrices de confusión.

Contenido	Descripción
11. Producción y despliegue	Llevar modelos a producción (nociones).
11.1 Guardar modelos (pickle/joblib)	Persistencia de modelos.
11.2 API con FastAPI/Flask	Servir predicciones vía HTTP.
11.3 Monitoreo	Seguimiento de métricas y drift.
11.4 Pruebas	Tests funcionales básicos.
11.5 Documentación	Guías y README del servicio.

Contenido	Descripción
12. Ética y sesgos	Privacidad, sesgo y equidad.
12.1 Privacidad	Datos sensibles y cumplimiento.
12.2 Sesgo y equidad	Detectar y mitigar sesgos.
12.3 Interpretabilidad	Explicar modelos (noción).
12.4 Seguridad	Ataques y robustez (noción).
12.5 Buenas prácticas	Guías para proyectos responsables.

Contenido	Descripción
13. Proyecto final IA	Integrar datos, modelos y despliegue.
13.1 Definición del problema	Objetivo, métrica y alcance.
13.2 Fuente de datos	Adquisición y preparación.
13.3 Entrenamiento y evaluación	Ciclo de experimentación.
13.4 Despliegue demo	Servicio sencillo para predicciones.
13.5 Presentación	Resultados y lecciones aprendidas.

Materiales Inteligencia Artificial

Python 3 y Anaconda (opcional)

Entorno de datos con paquetes científicos.
VS Code + Jupyter

Editor y notebooks para exploración y prototipos.
Librerías científicas

NumPy, Pandas, Matplotlib/Seaborn para EDA y visualización.
scikit-learn

Algoritmos clásicos de ML para clasificación y regresión.
PyTorch/Keras (nociones)

Redes neuronales básicas y transfer learning simple.