Dominio en Ingeniería de IA: desde la programación en Python hasta sistemas de IA listos para producción

Módulo 1: Python básico para flujos de trabajo de aprendizaje automático

• Inicio del curso y configuración del entorno
Alinear objetivos y establecer un entorno reproducible en Python para el desarrollo ML

• Conceptos esenciales del lenguaje Python (versión acelerada)
Revisión de sintaxis, flujo de control, funciones y patrones frecuentemente usados en código ML

• Estructuras de datos para el aprendizaje automático
Listas, diccionarios, conjuntos y tuplas para manejar características, etiquetas y metadatos

• Comprensiones y herramientas funcionales
Expresión de transformaciones mediante comprensiones y funciones de orden superior

• Programación orientada a objetos en Python para desarrolladores ML
Clases, métodos, composición y decisiones prácticas de diseño

• Dataclasses y modelado ligero
Contenedores tipados para configuraciones, ejemplos y resultados

• Decoradores y gestores de contexto
Técnicas de cronometraje, almacenamiento en caché, registro de logs y manejo seguro de recursos

• Trabajo con archivos y rutas de acceso
Manejo robusto de conjuntos de datos y formatos de serialización

• Excepciones y programación defensiva
Creación de scripts ML que fallen de forma segura y transparente

• Módulos, paquetes y estructura de proyectos
Organización de código ML reutilizable

• Tipado y calidad del código
Sugerencias tipográficas, documentación y estructuras adecuadas para el análisis estático

Módulo 2: Python numérico, SciPy y manipulación de datos

• Fundamentos de NumPy para cálculo vectorizado
Operaciones eficientes con matrices y buenas prácticas de codificación rendimiento-aware

• Indexado, rebanado, difusión y manipulación de formas
Trabajo seguro con tensores y análisis de dimensiones

• Álgebra lineal básica con NumPy y SciPy
Operaciones matriciales estables utilizadas en el aprendizaje automático

• Profundización en SciPy
Estadística, optimización, ajuste de curvas y matrices dispersas

• Pandas para datos tabulares en ML
Limpieza, unión, agregación y preparación de conjuntos de datos

• Profundización en scikit-learn
Interfaz de estimadores, flujos de trabajo estructurados y reproducibilidad

• Visualización básica
Graficación diagnóstica para exploración de datos y análisis de modelos

Módulo 3: Patrones de programación para desarrollar aplicaciones ML

• De notebooks a proyectos mantenibles
Refactorización del código exploratorio en paquetes estructurados

• Gestión de configuraciones
Parámetros externos y validación al inicio del programa

• Registro de logs, advertencias y trazabilidad
Mecanismos estructurados para monitorizar sistemas ML durante la depuración

• Componentes reutilizables mediante POO y composición
Diseño de transformadores y predictores extensibles

• Patrones prácticos de diseño
Patrones como pipeline, Factory o Registry, Strategy y Adapter

• Validación de datos y verificaciones de esquemas
Detección preventiva de errores silenciosos en los datos

• Rendimiento y perfilado de código
Identificación de cuellos de botella y aplicación de optimizaciones pertinentes

• Entrada/salida de modelos e interfaces de inferencia
Persistencia segura y exposición limpia para predicciones

• Proyecto mínimo integral end-to-end
Creación de un flujo ML al estilo producción con configuración y registro detallado

Módulo 4: Aprendizaje estadístico aplicado a datos tabulares, texto e imágenes

• Bases de la evaluación en ML
Dividir conjuntos de entrenamiento y validación, validación cruzada adecuada y métricas alineadas con objetivos empresariales

• Aprendizaje automático tabular avanzado
Modelos lineales generalizados regularizados, conjuntos de árboles y procesamiento de datos sin fugas informativas

• Calibración y estimación de incertidumbre
Técnicas como escalado Platt, regresión isotónica, bootstrap y predicción conforme

• Métodos tradicionales en Procesamiento del Lenguaje Natural
Elección de estrategias de tokenización, análisis TF-IDF, modelos lineales y Naive Bayes

• Modelado de temas
Bases del algoritmo LDA y sus limitaciones prácticas en el mundo real

• Visión por computadora clásica
Técnicas como HOG, PCA y flujos basados en características visuales

• Análisis de errores en modelos ML
Detección de sesgos, ruido etiquetado y correlaciones espurias entre variables

• Talleres prácticos en grupo
Diseño de un flujo tabular libre de fugas informativas
Comparación e interpretación de modelos basados en texto
Implementación de una línea base visual clásica con análisis exhaustivo de errores

Módulo 5: Redes neuronales aplicadas a datos tabulares, texto e imágenes

• Dominio del bucle de entrenamiento
Implementación limpia con PyTorch usando AMP, recorte de gradientes y reproducibilidad garantizada

• Optimización y regularización en redes neuronales
Inicialización adecuada, normalización, optimizadores y planificadores de pasos evolutivos

• Precisión mixta y escalado eficiente
Estrategias como acumulación de gradientes y almacenamiento temporal de estado intermédio

• Redes neuronales para datos tabulares
Uso eficaz de embeddings categóricos, combinaciones de características y estudios comparativos entre modelos

• Redes neuronales aplicadas al procesamiento del lenguaje natural
Uso óptimo de embeddings, CNNs, BiLSTM o GRU para manejo secuencial de texto

• Arquitecturas visuales basadas en redes neuronales
Bases teóricas de las CNN y estructuras arquitectónicas inspiradas en ResNet

• Laboratorios prácticos continuos
Desarrollo de un marco común para entrenamiento reutilizable
Comparación entre redes tabulares neuronales y modelos de boosting
Aplicaciones con CNN que integran mecanismos de aumento de datos e implementación estratificada

Módulo 6: Arquitecturas avanzadas de redes neuronales

• Estrategias de aprendizaje por transferencia
Prácticas como congelado y descongelado gradual, control diferenciado del tamaño de los gradientes aprendidos

• Arquitecturas Transformers aplicadas al lenguaje natural
Ascenso interno del mecanismo self-attention y buenas prácticas para ajuste fino adaptable

• Modelos visuales de base avanzados e inferencia densa
ResNet, EfficientNet, modelos Visión Transformers y fundamentos teóricos del U-Net

• Estructuras arquitectónicas especializadas para datos tabulares
Modelos como TabTransformer, FT-Transformer e implementaciones profundas basadas en múltiples interacciones complejas

• Consideraciones aplicables al análisis de series temporales
Manejo correcto de divisiones temporales y detección precisa de variabilidad contextual causada por factores temporales

• Técnicas de eficiencia computacional y métodos PEFT
Análisis comparativo de técnicas como LoRA, distilación del modelo o cuantización práctica

• Sesiones prácticas específicas por tema
Ajuste fino progresivo de modelos preentrenados para procesamiento textual
Adaptación similar a redes visuales ya disponibles en el dominio público
Comparación directa entre modelos tabulares inspirados en Transformers y algoritmos GBDT tradicionales

Módulo 7: Sistemas de IA generativa

• Principios básicos del uso efectivo de prompts
Estructuras predeterminadas que fomenten generación controlada y coherente con objetivos claros

• Introducción teórica a los modelos LLM
Proceso de tokenización, entrenamiento orientado por instrucciones y métodos eficaces para disminuir fenómenos como alucinaciones en resultados generados

• Implementación del concepto RAG (Generación aumentada mediante recuperación)
Fragmentación, codificación de representaciones, estrategias híbridas para búsqueda efectiva y métricas clave en el proceso evaluativo

• Estrategias de ajuste fino del modelo principal
Aplicación conjunta de LoRA y QLoRA garantizando la calidad adecuada de los conjuntos de entrenamiento utilizados en esta etapa

• Modelos basados en difusión espacial y conceptualización práctica asociada a este tipo de técnicas generativas

• Creación y manejo responsable de datos tabulares sintéticos
Implementación del modelo CTGAN adecuado en contextos donde se necesita garantizar confidencialidad de información real utilizada como insumo

• Laboratorios prácticos orientados a casos específicos:
Diseño integral y puesta en marcha de una aplicación basada en RAG apta para producción.
Verificación sólida y validación controlada del contenido generado mediante mecanismos estructurales.
Opcionalmente: experimentación libre con modelos de difusión espacial para explorar oportunidades futuras en el campo de aplicaciones visuales.

Módulo 8: Agentes de IA y protocolo MCP

• Arquitectura básica del ciclo operativo de un agente inteligente:
Observación de variables contextuales relevantes, planeamiento consecutivo, acciones ejecutadas, análisis post actividad y persistencia temporal de resultados.

• Tipos arquitectónicos clásicos en la generación de agentes:
Modelos ReAct, planificadores basados en ejecución paso a paso y diseños donde participan múltiples instancias interaccionando coordinadamente.

• Manejo óptimo de la memoria contextual:
Técnicas como uso de memorias episódicas, lógicas semánticas o sencillos espacios temporales reservados para anotaciones.

• Integración funcional de herramientas y defensas prácticas contra acciones no autorizadas:
Diseño cuidado de interfaces comunes a ser consumidas por los agentes, seguridad reforzada mediante sandboxes virtuales y controles preventivos contra ataques tipo inyección de prompts.

• Diseños evaluativos sólidos para entornos complejos:
Generación de trayectorias reejecutables, suites prácticas enfocadas en tareas y mecanismos estandarizados de detección de regresiones evolutivas.

• Protocolo MCP como estándar moderno de interoperabilidad sistémica:
Elaboración práctica de servidores aptos para el entorno MCP que permiten exposición controlada y segura de funcionalidades clave.

• Sesiones laboratoristas finales en grupo con temáticas específicas:
Construcción original desde cero de un agente auténtico apto para el entorno operativo.
Generación y lanzamiento funcional mediante servidores inspirados conceptualmente en MCP.
Elaboración integral de herramientas de medición estricta respetando reglas definidas que minimicen o eliminen posibles riesgos potenciales.