Curso Inteligencia artificial en ciencia de datos: modelos generativos, LLMs y agentes inteligentes

Por qué estudiar con nosotros

La realización de este programa permite a los participantes fortalecer un perfil profesional altamente competitivo en un área de rápida evolución y alta demanda laboral. Al finalizar el curso, los estudiantes contarán con habilidades prácticas para implementar soluciones de inteligencia artificial basadas en aprendizaje profundo, modelos generativos, LLMs y agentes inteligentes, lo que les permitirá abordar problemas reales en distintos sectores, liderar proyectos de IA aplicada y adaptarse con mayor facilidad a nuevos desarrollos tecnológicos. El enfoque práctico del curso facilita, además, la transferencia inmediata del conocimiento al ámbito profesional y académico.

Un elemento diferenciador clave de este programa es que es impartido por el Dr Olier, investigador y académico de reconocimiento internacional en el área de inteligencia artificial. Su trayectoria incluye contribuciones relevantes en aprendizaje profundo, modelos generativos, sistemas inteligentes y aplicaciones de IA en contextos complejos, así como participación en proyectos de investigación y colaboración internacional. Esta experiencia garantiza una formación basada no solo en el estado del arte de la disciplina, sino también en una visión crítica y aplicada de la IA, aportando a los participantes una perspectiva de alto nivel difícil de encontrar en programas convencionales.

Metodología

El profesor dictará los contenidos necesarios soportado con diapositivas en PowerPoint, e irá cambiando de estilo de enseñanza cada cierto tiempo para mantener la motivación de los estudiantes, a la vez que favorecer el entendimiento del material. Esencialmente, dictará los conceptos necesarios y los explicará en detalle, seguido por la ejercitación de dichos contenidos en el computador. Se traerá para discusión numerosos ejemplos del mundo real, y se desarrollarán otros cuantos ejemplos prácticos para desarrollar habilidades en los tópicos abordados.

Se requiere que los participantes cuenten con conocimientos previos en programación en Python, equivalentes al menos a un semestre de experiencia práctica. El curso no contempla formación desde nivel básico en programación.

El curso se desarrollará en cinco módulos, con un total de 24 horas de clase presenciales.

La Universidad Escuela Colombiana de Ingeniería Julio Garavito otorgará certificados de este curso así:

De asistencia, a quienes se inscriban por educación continuada y participen activa y cumplidamente como mínimo en el 80 % de las sesiones programadas.

De contenido, créditos y nota a los estudiantes de pregrado o posgrado de la Escuela.

De contenido, créditos y nota a los estudiantes de pregrado o posgrado de cualquier universidad del país que se matriculen como estudiantes visitantes o de intercambio. Para esto deberán enviar la solicitud a la Oficina de Relaciones Internacionales (ori@escuelaing.edu.co) e indicar la universidad de origen y el programa que cursan.

Perfil del aspirante

Estudiantes de posgrado: con interés en resolver problemas en torno a datos y en profundizar en modelos generativos, LLMs y agentes inteligentes con enfoque aplicado.
Estudiantes de últimos semestres de pregrado: con habilidades en programación y motivación por desarrollar soluciones avanzadas de IA en contextos reales.
Profesores universitarios: que busquen actualizar o fortalecer sus competencias en IA moderna para docencia, investigación o desarrollo de proyectos académicos.
Profesionales asociados o interesados en las temáticas del curso: vinculados a sectores como tecnología, analítica, consultoría o industria, que deseen aplicar o integrar soluciones de inteligencia artificial en sus organizaciones.

Contenido temático

Redes neuronales artificiales y biológicas.
Fundamentos de las redes neuronales convolucionales (CNNs).
Implementación de CNNs con Python/Tensorflow.
Actividad práctica 1: clasificación de imágenes utilizando CNNs.

Fundamentos de las redes neuronales recurrentes (RNNs).
Implementación de RNNs con Python/Tensorflow.
Fundamentos de autoencoders.
Implementación de autoencoders en Python/Tensorflow.
Actividad práctica 2: filtrado y codificación de señales biomédicas utilizando LSTM, CNN y Autoencoders.

Fundamentos de las redes adversarias generativas (GANs).
Generación de imágenes y series temporales.
Implementación en Python/Tensorflow.
Actividad práctica 3: generación de imágenes de rostros sintéticos.

Fundamentos de los Transformers y GPT.
Codificación del lenguaje natural.
ChatGPT, Gemini, Llama y otros LLMs.
Implementación en Python/Tensorflow.
Actividad práctica 4: implementación de un LLM.

Fundamentos de agentes inteligentes y Agentic AI.
Modelos de lenguaje como agentes: razonamiento, planificación y uso de herramientas.
Recuperación Aumentada por Generación (RAG): fundamentos y arquitectura.
Implementación de agentes con RAG en Python.
Actividad práctica 5: implementación de un agente inteligente con RAG.

El curso se desarrollará entre el 22 y el 26 de junio 2026. Las clases se realizarán de lunes a jueves de 4:00 p.m. a 9:00 p.m., y viernes de 4:00 p.m. a 8:00 p.m., de manera presencial en el campus de la Escuela.

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 teóricas y prácticas necesarias para diseñar, implementar y aplicar soluciones de inteligencia artificial basadas en aprendizaje profundo, modelos generativos, modelos de lenguaje de gran escala (LLMs) y agentes inteligentes, utilizando herramientas y frameworks actuales.

Objetivos específicos

Comprender los fundamentos de las redes neuronales profundas y su relación con sistemas biológicos y artificiales.

Implementar modelos de aprendizaje profundo para el análisis de imágenes, señales y series temporales.

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

Desarrollar modelos generativos, incluyendo GANs y autoencoders, para la generación y representación de datos.

Aplicar arquitecturas basadas en transformers y LLMs para el procesamiento y generación de lenguaje natural.
Diseñar e implementar agentes inteligentes que integren modelos de lenguaje y mecanismos de recuperación de información (RAG) para aplicaciones prácticas.

Valor de la inversión

Conferencista Invitado

Dr Iván Olier, PhD

Curso Inteligencia artificial en ciencia de datos: modelos generativos, LLMs y agentes inteligentes

Información General

Presentación

De los datos a la inteligencia autónoma: diseño y despliegue de modelos generativos, LLMs y agentes inteligentes.

Por qué estudiar con nosotros

Metodología

Certificación

Perfil del aspirante

Contenido temático

Módulo I – Deep Neural Networks (5 horas)

Módulo II– Redes neuronales recurrentes y autoencoders (5 horas)

Módulo III – Generative AI (5 horas)

Módulo IV – Transformers y Large Language Models (5 horas)

Módulo V – Agentes inteligentes y Agentic AI (4 horas)

Fechas y horarios

Objetivos alcanzables

Valor de la inversión

Conferencista Invitado

Dr Iván Olier, PhD

Solicite Información

Curso Inteligencia artificial en ciencia de datos: modelos generativos, LLMs y agentes inteligentes

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