Buscador
Inteligencia Artificial para Funciones Ejecutivas y Conducción de Equipos (IN38357/22)-Fecha de Realización
Fecha de Realización:

Del 24/10/2022 al 19/12/2022

Inteligencia Artificial para Funciones Ejecutivas y Conducción de Equipos (IN38357/22)-Cierre de Inscripción
Cierre de Inscripción:

08/10/2022

Inteligencia Artificial para Funciones Ejecutivas y Conducción de Equipos (IN38357/22)-Tipo de Carrera
Tipo de Carrera:

Curso de Perfeccionamiento

Descripción

La presente propuesta se enmarca en las actividades del Programa INAP Futuro, creado por Resolución de la Secretaría de Gestión y Empleo Público 172/2021, cuya finalidad es conformar un espacio de reflexión, planificación, experimentación e implementación sistemática basado en el análisis de los escenarios posibles del futuro y de las transformaciones sociales y organizacionales del presente.
En la resolución antes citada, se afirma que «las dimensiones del aprendizaje y el trabajo adquieren, además, un valor estratégico dentro de un modelo de desarrollo integral e inclusivo, siendo la educación, la formación y la capacitación fundamentos claves para el logro de la deseada igualdad de resultados; y el Estado tiene el mandato constitucional y el compromiso ético de apoyar con políticas integrales a las trabajadoras y los trabajadores para el fortalecimiento de sus capacidades».
Desde esta perspectiva, se asignaron al Programa, entre otros, los siguientes objetivos:
- Mejorar los diseños y metodologías de los nuevos desarrollos de capacitación.
- Incorporar las tecnologías exponenciales desde una perspectiva de inclusión digital, orientándolas al servicio de las trabajadoras y los trabajadores, y sus trayectorias públicas.
- Construir los perfiles públicos para el siglo XXI.

Las clases se desarrollarán a partir del empleo de diferentes métodos, que incluyen:
1. desarrollo teórico, conceptualización y análisis empírico
2. Análisis de casos orientados a la resolución de problemas integrando conocimientos teóricos y aplicaciones prácticas.
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

Modalidad: VIRTUAL - SINCRÓNICA

Dia y hora de cursada: martes de 18 a 20hs

Para las consultas semi-sincrónicas y sincrónicas se utiliza la plataforma Slack. En Slack las personas participantes pueden realizar preguntas, comentarios, y recibir respuestas de los profesores, tanto de temas generales, cómo de las tareas y ejercicios propuestos. Habrá un/a profesor/a para responder inmediatamente o generar un encuentro virtual sincrónico si fuese requerido.

Slack:
Abierto para preguntas todo el tiempo (24x7), y video-consultas en vivo, jueves 17-18hs
Más información:

ia.en.icas@gmail.com
http://icas.unsam.edu.ar/e
http://icas.unsam.edu.ar/ai

 

Perfil de destinatarios INAP/FoPeCap:
Este programa tiene como destinatarios a funcionarios que se desempeñen en agencias de la administración pública nacional comprendidos en el Convenio Colectivo de Trabajo 214/2006 y  aportantes al FoPeCap. 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 en el INAP:
Deberá realizarse mediante el Formulario de Postulación Formación 2022 on line; dado que posee valor de Declaración jurada, tenga presente que deberá enviar por correo electrónico a: formar2020@jefatura.gob.ar, la siguiente documentación (en archivo de imagen o PDF):

  • Nota dirigida al Sr. DIRECTOR INSTITUCIONAL del INAP,  firmada por el postulante y la autoridad inmediata superior con rango no inferior a Director/a Nacional o equivalente. La misma deberá describir el resultado que se espera del cursante en términos de competencias para mejorar el desempeño de su organismo y aprobación de los permisos necesarios -dentro del horario laboral- para que el postulante pueda cursar el programa sin inconveniente.
  • Acta Compromiso firmada por el postulante y por la autoridad inmediata superior con rango no inferior a Director/a Nacional o equivalente