Python para Inteligencia Artificial — Nivel 3

Inversión

¿Qué vas a conseguir?

Si ya manejás Python, datos y machine learning básico, este nivel te lleva a las técnicas de inteligencia artificial más avanzadas: modelos de machine learning intermedio, redes neuronales, deep learning con PyTorch, procesamiento de lenguaje natural y la puesta en servicio de modelos con APIs y contenedores. Al terminar vas a poder:

• Aplicar algoritmos de machine learning intermedio.
• Usar técnicas de clustering y reducción de dimensionalidad.
• Entender cómo funcionan las redes neuronales y el deep learning.
• Construir modelos básicos con PyTorch.
• Reconocer las aplicaciones de las redes CNN y RNN.
• Dar tus primeros pasos en procesamiento de lenguaje natural.
• Exponer soluciones de IA mediante APIs y contenedores.
• Integrar todo en un proyecto final.

¿Es para vos?

• Terminaste los niveles 1 y 2 de Python para Inteligencia Artificial y querés seguir.
• Sos analista, científico de datos junior o desarrollador con machine learning básico y querés profundizar.
• Sos profesional o técnico y querés sumar deep learning, NLP y despliegue de modelos a tu trabajo.
• Querés llevar soluciones de IA a producción con APIs y contenedores.

¿Cumplís con los requisitos?

Necesitás Python intermedio, NumPy, Pandas, fundamentos de machine learning, separación entre entrenamiento y prueba, y métricas de evaluación: lo que se ve en los niveles 1 y 2, o conocimientos equivalentes.

Programa

Machine learning avanzado

• Clase 1 · Árboles de decisión y Random Forest: ensambles y comparación entre un árbol y un conjunto de árboles.
• Clase 2 · Clustering con K-Means y DBSCAN: aprendizaje no supervisado, grupos y puntos aislados.
• Clase 3 · Reducción de dimensionalidad con PCA.
• Clase 4 · Redes neuronales con Scikit-learn, para clasificación y regresión.
• Clase 5 · Ajuste de hiperparámetros con Grid Search, Random Search y validación cruzada.
• Clase 6 · Buenas prácticas: pipelines, prevención del sobreajuste y proyectos reproducibles.

Deep learning con PyTorch

• Clase 7 · Fundamentos de deep learning: activación, forward propagation, función de pérdida y backpropagation.
• Clase 8 · PyTorch: tensores, CPU y GPU, y la estructura de un proyecto de deep learning.
• Clase 9 · Entrenamiento de redes con PyTorch: optimizadores, gradient descent y ciclo de entrenamiento.
• Clase 10 · Redes multicapa, dropout, batch normalization y control del overfitting.
• Clase 11 · Introducción a las redes CNN (imágenes) y RNN (secuencias y texto).

Lenguaje natural y despliegue

• Clase 12 · NLP: limpieza, tokenización, stopwords, stemming y lematización.
• Clase 13 · NLP: Bag of Words, TF-IDF, clasificación de documentos y análisis de sentimiento con NLTK y spaCy.
• Clase 14 · APIs para soluciones de IA con Flask y FastAPI: exponer una predicción como servicio web.
• Clase 15 · Docker y despliegue: empaquetar y ejecutar una aplicación de IA en un contenedor, y presentar el proyecto final.

Proyecto integrador

Integrás una solución de inteligencia artificial completa: un modelo de machine learning o deep learning, el procesamiento de los datos, una API de inferencia y su empaquetado con Docker. Cada clase combina explicación, demostraciones y práctica, y los notebooks y scripts que producís quedan como tu portfolio del nivel.

¿Qué incluye?

• Clases en vivo de 2 horas, los miércoles y viernes de 10:00 a 12:00 (hora de Argentina).
• Todas las clases quedan grabadas, para que puedas verlas de nuevo o ponerte al día si faltaste.
• Inicio el miércoles 21 de julio de 2027.
• Certificación de UTN-FRD por convenio académico (Resolución N.º 437/26).