Idioma: ES

Inicio
Oferta Académica
Curso BootCamp en Machine learning e inteligencia artificial generativa

Curso BootCamp en Machine learning e inteligencia artificial generativa

Inscríbete

Información General

La Universidad Escuela Colombiana de Ingeniería Julio Garavito otorga certificado de asistencia
Título
22.5 horas Duración
remota Modalidad
diurna Jornada
Redes sociales
- Twitter
- Facebook
- Instagram
- Linkedin

Lidere la transformación digital de su organización diseñando sistemas inteligentes basados en machine learning, LLM y agentes.

BootCamp práctico que lleva a los profesionales a adquirir desde los fundamentos de machine learning hasta la comprensión de arquitecturas de sistemas empresariales inteligentes basados en redes neuronales, embeddings, LLM, RAG y patrones de agentes.

Este BootCamp ofrece una ruta intensiva y aplicada para que profesionales con bases de programación comprendan cómo se construyen soluciones modernas de inteligencia artificial. El programa parte de los fundamentos de aprendizaje supervisado, avanza hacia redes neuronales y representación semántica de texto, y culmina con LLM y patrones de agentes basados en recuperación aumentada por generación (RAG).

“Así como la electricidad transformó casi todo hace 100 cien años, hoy me cuesta pensar en una industria que la IA no vaya a transformar en los próximos años.”

Andrew Ng, cofundador de Coursera y Google Brain, profesor adjunto de Stanford. (https://www.gsb.stanford.edu/insights/andrew-ng-why-ai-new-electricity).

Cada módulo combina teoría esencial con laboratorios en Python/Jupyter, de modo que el participante no solo reconozca los conceptos, sino que implemente modelos, analice resultados y conecte componentes en flujos de trabajo cercanos a problemas reales de producto, analítica y automatización.

Por qué estudiar con nosotros

El participante desarrolla una visión integrada y práctica de la IA moderna: entiende los fundamentos matemáticos mínimos, implementa modelos en Python y conecta LLM con recuperación de información y patrones de agentes.

Otros beneficios relevantes que brinda el programa al participante

Ruta progresiva: regresión, clasificación, redes neuronales, embeddings, LLM y agentes.
Enfoque de laboratorio: 15 de las 22.5 horas se orientan a implementación guiada y experimentación.
Uso de notebooks explicados paso a paso para favorecer el aprendizaje activo y la replicabilidad.
Conexión entre machine learning tradicional y arquitecturas actuales de IA generativa.
Producto final sugerido: prototipo funcional de RAG/agente simple aplicable a documentos o conocimiento organizacional.

Metodología

El programa se desarrollará bajo una metodología de BootCamp: sesiones cortas de fundamentación conceptual, demostraciones en vivo, laboratorios guiados y ejercicios. Cada módulo contempla aproximadamente hora y media de teoría y tres horas de laboratorio. La metodología enfatiza aprendizaje activo, lectura de resultados, depuración de notebooks, discusión de decisiones de modelado y construcción incremental de una solución final basada en RAG y patrones de agentes.

Utilización de software

Python: lenguaje principal para implementación de modelos, procesamiento de datos y construcción de prototipos. Uso por profesor y participantes.
Jupyter Notebook / JupyterLab: entorno de laboratorio para ejecutar y documentar experimentos. Uso por profesor y participantes.
NumPy, pandas, matplotlib y scikit-learn: cálculo numérico, manipulación de datos, visualización y modelos clásicos de ML. Uso por profesor y participantes.
TensorFlow/Keras o PyTorch: construcción y entrenamiento de redes neuronales. Uso por profesor y participantes.
Librerías de NLP, embeddings y LLM: tokenización, representación vectorial, recuperación semántica y conexión con modelos de lenguaje. Uso por profesor y participantes.
LangChain o framework equivalente: orquestación de RAG, herramientas y patrones básicos de agentes. Uso por profesor y participantes.
Vector store local o gestionado, por ejemplo, FAISS/Chroma: almacenamiento y consulta de embeddings. Uso por profesor y participantes.
Laboratorios y acceso de estudiante a AWS Academy.

Contar con conexión a internet de banda ancha.
Disponer de audífonos o diadema para sesiones remotas o híbridas.
Contar con computador portátil con permisos para instalar o ejecutar Python, Jupyter y librerías de ciencia de datos.
Tener conocimientos básicos de programación, preferiblemente en Python, y disposición para trabajar con notebooks.
Instalar con anterioridad el ambiente de trabajo indicado por el equipo docente o usar el ambiente en la nube definido para el curso.
Conectarse a las sesiones al menos diez minutos antes para verificar acceso y configuración.
Preparar materiales para tomar apuntes y conservar los notebooks desarrollados durante el BootCamp.
En caso de usar servicios de LLM por API, seguir las instrucciones de seguridad, uso responsable y manejo de credenciales.

La Universidad Escuela Colombiana de Ingeniería Julio Garavito otorgará el diploma de asistencia al curso BootCamp en Machine learning e inteligencia artificial generativa, a quienes participen activa y cumplidamente como mínimo en el 80 % de las sesiones programadas.

Perfil del aspirante

Contenido temático

Teoría: aprendizaje supervisado, función de costo, gradiente descendente, regresión lineal simple y multivariable.
Laboratorio: regresión lineal con una característica, vectorización y predicción de precios de vivienda con múltiples variables.
Artefactos base: taller de regresión en Jupyter, videos.

Teoría: regresión logística, frontera de decisión, función de pérdida, gradiente descendente, underfitting, overfitting y regularización.
Laboratorio: clasificación binaria, fronteras lineales y no lineales, regularización en regresión lineal y logística.
Artefactos base: taller de regresión en clasificación, videos.

Teoría: neurona artificial, capas, activaciones, forward propagation, entrenamiento y nociones de backpropagation.
Laboratorio: construcción de una red neuronal introductoria y clasificación de dígitos MNIST.
Artefactos base: taller de redes neuronales en Jupyter, videos.

Teoría: tokenización, vocabularios, embeddings, representación vectorial de texto, similitud semántica y fundamentos de LLM.
Laboratorio: procesamiento de texto, conversión de tokens a ID, embeddings y exploración de representaciones semánticas.
Artefactos base: Taller de embeddings en Jupyter, videos.

Teoría: de LLM aislado a sistema agente, arquitectura RAG, carga y segmentación de documentos, embeddings, vector store, recuperación, generación, uso de herramientas y patrones retrieval/tool-using/evaluator-refiner.
Laboratorio: construcción de un flujo RAG simple y extensión hacia un patrón de agente que consulta conocimiento, usa herramientas y produce una respuesta fundamentada.
Artefactos base: Taller de RAG y patrones.

El diplomado se desarrollará entre el 10 de noviembre y el 10 de diciembre de 2026. El martes de 6:00 a 7:30 p.m. y jueves de 6:00 a 9:00 p.m., en modalidad remota vía Microsoft Teams.

La Universidad Escuela Colombiana de Ingeniería Julio Garavito, para sus programas de Educación Continuada, se reserva el derecho de cambiar sus conferencistas y fechas de realización, o cancelarlos de no contar con el número de personas requerido para tal fin. Lo anterior se informará a los interesados con antelación.

Objetivos alcanzables

Objetivo general

Desarrollar en los participantes las competencias para comprender, implementar y articular técnicas fundamentales de machine learning, redes neuronales, embeddings, LLM y patrones de agentes basados en RAG.

Objetivos específicos

Comprender los principios de aprendizaje supervisado mediante regresión y
clasificación.
Implementar modelos de regresión lineal, regresión logística y regularización en Python.

Reconocer los componentes básicos de una red neuronal y entrenar modelos introductorios.
Representar texto mediante tokenización y embeddings para tareas de similitud y recuperación.

Coliseo-El-Otoño-de-la-Escuela-Colombiana-de-Ingeniería.jpg

Explicar el papel de los LLM dentro de soluciones de IA generativa.
Construir un flujo RAG simple y relacionarlo con patrones básicos de agentes que usan memoria, recuperación y herramientas.

Evaluar resultados de modelos y prototipos con criterios técnicos, éticos y de aplicabilidad organizacional.

Valor de la inversión

Conferencista Invitado

Luis Daniel Benavides Navarro, Ph.D.

Curso BootCamp en Machine learning e inteligencia artificial generativa

Información General

Presentación

Lidere la transformación digital de su organización diseñando sistemas inteligentes basados en machine learning, LLM y agentes.

Por qué estudiar con nosotros

Metodología

Deberes del participante

Certificación

Perfil del aspirante

Contenido temático

Módulo I –. Regresión y fundamentos de aprendizaje supervisado (4.,5 horas)

Módulo II –. Clasificación y regularización (4.,5 horas)

Módulo III –. Redes neuronales (4.,5 horas)

Módulo IV –. Embeddings, texto y LLMs (4.,5 horas)

Módulo V. Patrones de agentes: RAG y herramientas (4,5 horas)

Fechas y horarios

Objetivos alcanzables

Valor de la inversión

Conferencista Invitado

Luis Daniel Benavides Navarro, Ph.D.

Solicite Información

Curso BootCamp en Machine learning e inteligencia artificial generativa

Lo que debe hacer y saber

Descuentos y formas de pago en Educación Continuada

Formulario de inscripción

Reglamento de Educación Continuada

Programas relacionados

Busca en la escuela