Curso Modelos de lenguaje y grafos: de los fundamentos a las aplicaciones en ciencia de datos

Por qué estudiar con nosotros

Al finalizar el programa, los participantes:

Entender las bases teóricas y prácticas de machine learning.
Comprenderán cómo funcionan realmente los LLMs y las GNNs, evitando un uso superficial de estas herramientas de inteligencia artificial.
Sabrán cuándo un LLM es suficiente y cuándo es necesario incorporar grafos, permitiéndoles evaluar y diseñar soluciones de IA más confiables.
Aplicarán IA directamente sobre datos reales.
Desarrollarán un proyecto práctico demostrable, aplicable a su contexto profesional.
Mejorarán la comunicación entre perfiles técnicos y de negocio, clave en proyectos de transformación digital.

¿Por qué tomar este programa con la Escuela Colombiana de Ingeniería Julio Garavito?

Rigor académico con enfoque aplicado, basado en investigación científica reciente.
Acceso a conocimiento de frontera, poco abordado en programas tradicionales.
Docencia con experiencia internacional y casos reales, conectando teoría con práctica.
Formación con impacto duradero, más allá de herramientas o modas tecnológicas.

Metodología

El curso se desarrollará mediante una metodología teórico–práctica integrada, orientada a participantes con perfiles diversos. El proceso de aprendizaje se estructurará de manera progresiva, avanzando desde los fundamentos del aprendizaje automático hasta el diseño e integración de sistemas basados en Large Language Models y Graph Neural Networks.

Se enfatizará el desarrollo de la intuición y el razonamiento aplicado, priorizando la comprensión conceptual sobre el uso intensivo de matemáticas avanzadas. Las sesiones combinarán clases magistrales con laboratorios guiados, favoreciendo el aprendizaje activo a través de la experimentación y la resolución de problemas reales.

A lo largo del curso, los participantes desarrollarán un proyecto aplicado de manera incremental, que permitirá integrar los conocimientos adquiridos en cada módulo. Asimismo, se promoverá el trabajo colaborativo y la discusión crítica, simulando dinámicas propias de entornos profesionales y organizacionales, con el fin de fortalecer competencias técnicas, analíticas y comunicativas.

El curso se desarrollará en 4 módulos junto con un proyecto final. Los módulos se componen de teoría y práctica, con un total de 24 horas de clases y laboratorios 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.

Educación Continuada: la inscripción se realiza a través del formulario de inscripción dispuesto para el curso.
Estudiantes de pregrado y posgrado (Escuela): la inscripción se realiza a través del Sistema Enlace, tal como se hace con cualquier asignatura del plan de estudios.
Estudiantes externos (visitantes o de intercambio): deben gestionar su inscripción a través de la Oficina de Relaciones Internacionales, conforme a lo indicado anteriormente.

Nota:
Una vez realizada la inscripción y el pago, no es posible cambiar el tipo de certificación, ya que este se define de acuerdo con la modalidad de inscripción seleccionada.

Perfil del aspirante

Contenido temático

Contenidos teóricos

Presentación del curso: objetivos, estructura y expectativas.
Motivación: LLMs y alucinaciones.
Fundamentos de machine learning.
Flujo completo de entrenamiento de un modelo.
Accuracy vs métricas mal usadas.
Intuición e introducción a “attention”.

Laboratorios

Configuración del entorno:

Python, entornos virtuales y notebooks.
Manipulación básica de datos.
Entrenamiento de un primer modelo de ML.
Interpretación de resultados.

Proyecto:

Introducción al proyecto final.
Formación de equipos y elección del área de aplicación del proyecto (opcional).

Contenidos teóricos:

¿Qué son los LLMs y cómo “aprenden lenguaje”?
Arquitectura transformer (nivel conceptual).
Fases de entrenamiento de un LLM.
Inferencia y costos computacionales.
Hallucinations.
Retrieval Augmented Generation (RAG).
Limitaciones del RAG clásico (sin relaciones).

Laboratorios:

Uso de LLMs open-source.
Construcción de un chatbot local.
Implementación de un sistema RAG básico.

Proyecto:

Definición clara del problema a resolver.
Versión inicial basada solo en LLM + RAG.

Contenidos teóricos:

¿Qué son datos en forma de grafo?
¿Qué es un GNN?
Arquitecturas más conocidas de GNNs.
¿Qué tipo de problemas resuelven mejor que los LLMs?

Laboratorios:

Entrenamiento de una GNN en una base de datos.
Ejemplo aplicado con attention en grafos.

Contenidos teóricos

¿Por qué combinar LLMs y GNNs? Capacidades complementarias.
Arquitectura de sistemas híbridos.
GraphRAG: Diferencias frente a VectorRAG.
Casos exitosos: Sistemas empresariales y benchmarks industriales.
Introducción a G-Retriever (NeurIPS 2024).

Laboratorios

Implementación de un sistema GraphRAG.
Proyecto
Integración de GNNs al proyecto.
Ajuste del pipeline completo.

Presentación de proyecto y cierre del curso

El curso se desarrollará entre el 30 de junio de 2026 y el 4 de julio de 2026. Las clases se realizarán de martes a viernes de 4:00 p.m. a 9.00 p.m., y sábado de 8:00 a.m. a 12 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.