Descripción
El objetivo general del proyecto es contribuir a la formación de funcionarios/as para el dominio de habilidades digitales y estratégicas tendientes a mejorar sus capacidades para un liderazgo innovador de equipos de trabajo orientados a resultados.
Los objetivos específicos son:
- Aprender el estado del arte de Inteligencia Artificial (IA).
- Adquirir los conocimientos y habilidades para dirigir equipos que utilicen IA.
- Proponer ideas de técnicas de IA ante situaciones, problemas y desafíos donde pueda implementarse
Diseño Curricular:
Clase 1: Introducción y visión general
- Aprendizaje automático: la vanguardia de la Inteligencia Artificial
- Conociendo las palabras (de moda): Aprendizaje profundo, Ciencia de datos, Big Data, Data mining, Computer Vision, Natural Language Processing, Deep Fake, Transformación digital, Industria 4.0, Internet de las cosas
- Alcance del Machine Learning y visión general de los métodos y resultados
- Máquinas y códigos que permitieron la IA del siglo XXI.
Clase 2: Redes neuronales artificiales: el arquetipo del ML
- Aprendizaje sencillo de un modelo a partir de los datos: funciones de ajuste
- No linealidad y complejidad
- Cómo (pensamos que) funciona nuestro cerebro
- Redes Neuronales: de una construcción matemática a un caballo de batalla del aprendizaje automático
- Función de activación, pesos, funciones de propagación
- Redes de perceptrón multicapa
- Propagación inversa: backpropagation
- El peligro del overfitting
- Otras variantes: Descenso de gradiente estocástico, Hopfield Network, etc.
Clase 3: Aprendizaje supervisado
- Los problemas clásicos de ML: clasificación y regresión
- La teoría estándar: entrenar, validar y aplicar (¡y evitar el sobreajuste!)
- La característica operativa del receptor (curva ROC) y las métricas cuantitativas para la precisión de la clasificación.
- El panorama de los métodos
- ¿Cómo puedo distinguir un gato de un perro con dos fotos?
- Algunos algoritmos específicos
- Basados en la regresión: Regresión ordinaria por cuadrados mínimos, regresión lineal, regresión logística
- Basado en instancias: k-Nearest Neighbor (kNN), Support Vector Machine (SVM)
- Algoritmos de regularización: Regresión Ridge, Operador de selección y contracción de mínimos absolutos, Absolute Shrinkage and Selection Operator (LASSO)
- Árboles de decisión: Árbol de clasificación y regresión (CART)
- Árboles de decisión condicionales
- Métodos de conjunto: Boosting, Random Forest
Clase 4: Aprendizaje no supervisado
- Que la IA encuentre las clases: clustering, reducción de la dimensionalidad y aprendizaje de reglas de asociación
- Redes de aprendizaje no supervisado (autoencoders)
- Análisis de componentes principales y discriminantes (PCA)
- Valores atípicos, anomalías, detección de fraudes
- Redes generativas adversarias: máquinas que pueden pintar y componer música, y otras aplicaciones
- Algunos algoritmos específicos:
- Métodos de clustering: k-Means, k-Medians
- Métodos de reglas de asociación: Algoritmo Apriori, algoritmo Eclat
- Métodos de reducción de la dimensionalidad: Análisis de componentes principales (PCA), regresión de componentes principales (PCR)
Clase 5: Reinforcement Learning
- Maximizar la noción de recompensa acumulada
- Exploración frente a explotación
- Equilibrio bajo racionalidad limitada
- Programación neurodinámica y modelización cognitiva
- Derrotar a los campeones de ajedrez y go
- ¿Volver a entrenar para cada aplicación? Aprendizaje por transferencia
- Algunos algoritmos específicos:
- Sin modelo: Métodos de optimización de políticas o de iteración de políticas, Q-
- learning o métodos de iteración de valores
- Basados en modelos: Modelos mundiales, red neuronal Q profunda (DQN)
Clase 6: Medición y evaluación del rendimiento de los modelos
- ¿Debo confiar en los resultados del ML?
- Incertidumbres estadísticas, aleatorias y sistemáticas
- Inferencia bayesiana y estimación de errores
- Cómo evitar el sobreajuste con la red neuronal con Dropout
- Algunos algoritmos específicos: Redes neuronales bayesianas, dropout, Monte Carlo dropout
Clase 7: La revolución del aprendizaje profundo
- Imitando nuestro cerebro v2.0
- Una selección en el zoo del aprendizaje profundo: Redes neuronales convolucionales y Segmentación Semántica, Recurrentes y Basadas en Regiones
- Redes neuronales convolucionales
- Aprendizaje profundo por refuerzo
- Aumento de datos
- Procesamiento en la GPU
- Otros métodos: redes de memoria a corto plazo (LSTM)
- Autoencoders Stacked
- Algunos códigos populares: Red de Grupos de Geometría Visual (VGG),
- GoogLeNet, Inception Module, ResNet, Highways network
Clase 8: Lo que la IA puede hacer por ti
- Entre la plétora de algoritmos, ¿cómo debo elegir un método para un problema concreto?
- Discusión de los problemas y las soluciones propuestas por participantes del curso
- Comentarios y análisis de los profesores sobre la tarea: qué esperar de los algoritmos propuestos, posibles problemas en los caminos propuestos, análisis general.
Clase 9: La IA y el futuro
- Entonces, ¿ahora las computadoras pueden pensar? La causalidad, la introspección y la cognición
- ¿Puede Alexa hablar con Siri?
- Peligros del ML: olvido catastrófico, sesgo algorítmico
- Internet de las cosas: ¿Necesitamos una supercomputadora para usar la IA?
- La computación cuántica y el futuro de la IA
- Exploración extra sistema-solar: cuándo y por qué serán los androides nuestros embajadores en los planetas que lleguemos
CURSADA SINCRONICA: miércoles de 10-12hs
Más información:
E-mail: sequi@unsam.edu.ar
Web: icas.unsam.edu.ar/e
Perfil de destinatarios FoPeCap:
Este programa tiene como destinatarios a trabajadores/as con funciones ejecutivas y/o conducción de equipos en general, que se desempeñan en relación de dependencia en la Administración Pública Nacional bajo el Convenio Colectivo General de Trabajo N° 214/06.
Debido a que se comparten videos, artículos y otros materiales de trabajo en idioma inglés, es conveniente para el/la participante tener algún dominio del mismo, aunque no es un requisito excluyente.
Postulación:
Para completar su postulación al Programa Formación 2024 debe enviar la siguiente documentación únicamente por correo electrónico a formar2020@jefatura.gob.ar
- Nota Aval dirigida al Titular de la Dirección Institucional del INAP (*) y firmada por la autoridad inmediata superior con rango no inferior a Director/a Nacional o equivalente, que describa el resultado que se espera del cursante en términos de competencias para mejorar el desempeño de su organismo y aprobación de los permisos necesarios para que el postulante pueda cursar el programa sin inconvenientes. La nota debe ser remitida adjunta (en archivo PDF o imagen) con la siguiente denominación Apellido NOTA. Ej.: PerezNOTA (descargar Nota Modelo)
- Acta Compromiso firmada por el postulante y por la autoridad inmediata superior con rango no inferior a Director/a Nacional o equivalente, adjuntando documento (en archivo PDF o imagen) con la siguiente denominación: Apellido ACTA. Ej.: PerezACTA (descargar Acta Compromiso)
(*) La misma puede ser firmada holográficamente o digitalmente.