Escudo de la República de Colombia Escudo de la República de Colombia
Panel de Accesibilidad
 
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 - Marzo 19 a Mayo 03
Módulo 5 - Mayo 07 a Junio 14
Módulo 6 - Junio 18 a Julio 26

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

$ 1.950.000 - Módulo
$ 5.850.000 - Ciclo completo

Actividad vigente

Esta actividad está abierta para inscribirse, cursar y certificarse

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
  3. (Pandas, NumPy, Seaborn) y aprendizaje de máquina (Scikit-learn)
  4. Conocimientos básicos de Machine Learning
  5. Conocimientos básicos de SQL y UNIX
  6. Disposición para aprender nuevas tecnologías y enfrentar retos técnicos
Los tres módulos del programa se impartirán de manera remota sincrónica no presencial, es decir, videoconferencias en vivo con los docentes en los horarios establecidos.

Si bien los módulos entre sí no tienen pre requisitos como tal, se entiende que los módulos más avanzados tratan temas tecnicamente más avanzados que los anteriores. Debido a ello, recomendamos cursar el ciclo en el orden 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.
Este curso ofrece certificación expedida por la Facultad de Ingeniería de la Universidad Nacional de Colombia Sede Bogotá si el estudiante aprueba con una nota mínima los exámenes o talleres en el desarrollo de la metodología.

Un estudiante puede recibir dos (2) tipos de certificaciones:

  1. Certificado de curso corto: Se recibe al culminar satisfactoriamente cada uno de los módulos
  2. Certificado "Diplomado en Machine Learning & Data Science Avanzado": Se recibe al culminar y aprobar satisfactoriamente los 3 módulos avanzados (4, 5 y 6)
Image
Para esta actividad sólo se otorga certificado de aprobación, por lo que los participantes deberán acreditar el cumplimiento de TODAS las condiciones descritas:

  1. Esta actividad no contempla la entrega de certificado exclusivamente por asistencia
  2. Sólo se otorgará un certificado de aprobación en "Diplomado en Machine Learning and Data Science", a quienes obtengan certificado de aprobación de cada uno de los 3 módulos.

Para el caso de los módulos del programa de Formación en Machine Learning se otorgará exclusivamente certificado de aprobación, para lo cual se deberán 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.

Contenido

  1. Introducción al procesamiento de lenguaje natural (NLP)
  2. Preprocesamiento de texto
  3. NLP básico: tokenization, stemming, lemmatization, stop words removal.
  4. Taller de extracción de información desde redes sociales: caso Twitter.
  5. Part-Of-Speech (POS) tagging, Named-entity recognition (NER)
  6. Representaciones vectoriales de texto
  7. Semántica de palabras.
  8. Análisis de sentimientos.
  9. Clasificación de texto.
  10. Análisis no supervisado de texto.
  11. Análisis de temas

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 desaantes 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.

Contenido

  1. Introducción
    - Redes neuronales
    - Deep learning (DL)
    - Aplicaciones

  2. TensorFlow
    - Frameworks para DL
    - Grafos computacionales
    - Elementos de TensorFlow

  3. Keras
    - Keras vs TensorFlow
    - Redes neuronales en Keras
    - Sequential model
    - Functional API

  4. DL para el análisis de imágenes 1
    - Convolutional neural networks (CNN)
    - Clasificación de objetos con CNN
    - Transfer learning

  5. DL para el análisis de imágenes 2
    - Modelos pre-entrenados
    - Fine tuning
    - Segmentación semántica
    Taller de clasificación de imágenes con DL

  6. CNN para la clasificación de texto
    - CNN de caracteres
    - Representaciones distribucionales
    - CNN de palabras

  7. Redes neuronales recurrentes (RNN)
    - Long-short term memory
    - Modelos de lenguaje con LSTM
    - Clasificación de texto con LSTM

  8. Taller de análisis de texto con RNN
    - Autoencoders y modelos generativos
    - Autoencoders
    - Generative adversarial networks
    - Variational autoencoders

  9. Otros modelos
    - Redes siamesas
    - Image captioning

  10. Presentación proyecto final

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.

Al finalizar el curso se espera que el estudiante esté en capacidad de:

  1. Entender los distintos roles y perfiles que son necesarios para un proyecto de desarrollo de software que involucre machine learning.
  2. Entender las distintas etapas necesarias para llevar satisfactoriamente un software basado en machine learning a producción.
  3. Manejar las dependencias y ambientes de desarrollo para ciencia de datos con Python
  4. Estructurar y manejar versiones en proyectos de software de ciencia de datos.
  5. Desplegar modelos en distintas plataformas o tipos de aplicaciones.

Contenidos

  1. Tipos de metodologías de desarrollo
  2. Metodologías ágiles y metodologías tradicionales
  3. Metodologías en ciencia de datos: CRISP-DM, KDD, TDSP
  4. Componentes de Team Data Science Process
  5. Ciclo de vida de ciencia de datos
  6. Entendimiento del negocio
  7. Adquisición y entendimiento de los datos
  8. Modelamiento
  9. Evaluación y comparación de modelos
  10. Persistencia de modelos y replicabilidad
  11. Estructura de proyectos para ciencia de datos
  12. Infraestructura y herramientas
  13. Despliegue de modelos
  14. Aceptación del producto
  15. Proyecto final

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 100 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 automáticas 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”

Elizabeth León Guzmán
Ingeniera de Sistemas

Ingeniera de Sistemas - Universidad Nacional de Colombia (1998), MSc. en Ingeniería de Sistemas - Universidad Nacional de Colombia (2001), MSc in Electrical Engineering - University of Memphis (2003), Ph.D. in Computer Engineering and Computer Science - University of Louisville (2005), estancia postdoctoral en "Knowledge Discovery & Web Mining Lab" - University of Louisville (2006, 2011). Profesora del Departamento de Ingeniería de Sistemas e Industrial en laUniversidad Nacional de Colombia.

Experiencia en investigación en minería de datos, aprendizaje maquinal, procesamiento de lenguaje natural con técnicas de IA, recuperación de información y manejo de grandes volúmenes de datos. Participación en proyectos de investigación internacionales y nacionales. Más de 50 publicaciones científicas en revistas, libros y conferencias internacionales. Lidera el grupo de investigación MIDAS (Minería de Datos, http://midas.unal.edu.co). Directora del proyecto HORUS - Visibilidad Científica y tecnológica de la Universidad Nacional (https://horus.unal,edu.co). Coordinadora del programa de Doctorado en Ingeniería de Sistemas y Computación (2011-2012) y del Programa de Ingeniería de Sistemas y Computación (2018-2020) de la Universidad Nacional de Colombia.

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

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$ 5'850.000

Hasta Marzo 19 de 2025

-25%
Pago de 3 asignaturas/módulos$ 4'387.500

Hasta Marzo 03 de 2025

-30%
Pago 3 asignaturas/módulo + pronto pago$ 4'095.500

Hasta Febrero 16 de 2025

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$ 1'950.000

Módulo 1 - Antes de Marzo 19 de 2025
Módulo 2 - Antes de Mayo 07 de 2025
Módulo 3 - Antes de Junio 18 de 2025

-10%
Pronto pago$ 1'755.000
Para pagos efectuados 15 días antes del inicio
-10%
Grupos (4 o más)$ 1'755.000
A grupos de 4 o más personas a través de un único soporte de pago
-10%
Hijos$ 1'755.000
Pensionados, docentes, funcionarios, contratistas y estudiantes de la UNAL, estudiantes IPARM y Escuela UNAL Medellín
-10%
Sisbén y vulnerables$ 1'755.000
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$ 1'755.000
A estudiantes activos de otras universidades (pregrado o posgrado)
-15%
Múltiples actividades$ 1'657.500
A personas que realicen 3 o más cursos o diplomados al año en la UNAL.
-20%
Descuento rol UNAL$ 1'560.000
A profesores, investigadores, funcionarios, pensionados, egresados y contratistas de la Universidad Nacional de Colombia.
-25%
Contratistas y Funcionarios UNAL Egresados UNAL+Pronto pago$ 1'462.500
Hasta 21 días calendario antes del inicio de cada asignatura/módulo
-30%
Estudiantes de posgrado UNAL$ 1'365.000
A estudiantes activos de posgrado UNAL
-50%
Estudiantes Pregrado UNAL$ 975.000
A estudiantes activos UNAL

Tabla de valores

-
Tarifa plena
$5'850.000

Hasta Marzo 19 de 2025

-30%
Pago 3 asignaturas/módulo + pronto pago
$4'387.500

Hasta Marzo 03 de 2025

-25%
Pago de 3 asignaturas/módulos
$4'095.500

Hasta Febrero 16 de 2025

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 Marzo 19 de 2025
Módulo 2 - Antes de Mayo 07 de 2025
Módulo 3 - Antes de Junio 18 de 2025

-10%
Pronto pago
$1'755.000
Para pagos efectuados 15 días antes del inicio
-10%
Grupos (4 o más)
$1'755.000
A grupos de 4 o más personas a través de un único soporte de pago
-10%
Hijos
$1'755.000
Pensionados, docentes, funcionarios, contratistas y estudiantes de la UNAL, estudiantes IPARM y Escuela UNAL Medellín
-10%
Sisbén y vulnerables
$1'755.000
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
$1'755.000
A estudiantes activos de otras universidades (pregrado o posgrado)
-15%
Múltiples actividades
$1'657.500
A personas que realicen 3 o más cursos o diplomados al año en la UNAL.
-20%
Descuento rol UNAL
$1'560.000
A profesores, investigadores, funcionarios, pensionados, egresados y contratistas de la Universidad Nacional de Colombia.
-25%
Contratistas y Funcionarios UNAL Egresados UNAL+Pronto pago
$1'462.500
Hasta 21 días calendario antes del inicio de cada asignatura/módulo
-30%
Estudiantes posgrado UNAL
$1'365.000
A estudiantes activos de posgrado UNAL
-50%
Estudiantes Pregrado UNAL
$975.000
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