Docentes expositores/as: Marcelo Cappelletti, Martín Morales
Inscripción y postulación a becas: Hasta el 2 de marzo de 2026
Fecha de realización: 25 de marzo al 10 de junio de 2026
Carga horaria: 40 horas
Metodología: Teórico- práctico
Modalidad: Virtual Sincrónico
Código del curso: 46/DCYT
Certificado: Se entregarán certificados de asistencia y aprobación de la Universidad Nacional de Quilmes.
Arancel: Residentes en el país: $136000(Extranjeros residentes en Argentina, deberán presentar certificado de residencia en el país. Caso contrario, la facturación se realizará como Residentes en otros países.)
-Residentes en otros países: informes_posgrado@unq.edu.ar
Proceso de Inscripción
Antes de comenzar el proceso de inscripción, asegurate de tener una dirección de correo electrónico válida y que funcione correctamente, hasta obtener el usuario de estudiante de la UNQ, con dominio “@uvq.edu.ar”, el cuál se considerará automáticamente como su domicilio electrónico. Es importante destacar que las comunicaciones que enviemos a estas direcciones se considerarán válidas y suficientes a todos los efectos legales
A continuación les facilitamos la guía de inscripción: “Guía de Inscripción a cursos de posgrado”
Admisión
Los/as aspirantes a las propuestas formativas de posgrado deberán poseer como mínimo alguna de las siguientes condiciones:
a) Ser graduado/a universitario con título de grado final expedido por una Universidad Nacional, Universidad Provincial o Universidad Privada reconocida por el Poder Ejecutivo Nacional, correspondiente a una carrera con al menos cuatro (4) años de duración;
b) Graduados/as de Universidades extranjeras reconocidas por las autoridades competentes en su país.
c) Acreditar estudios terciarios completos de cuatro (4) o más años de duración con título final expedido por una institución reconocida por la autoridad educativa competente.
Fundamentación
El presente curso se ofrece en el marco del Doctorado en Ciencia y Tecnología
Objetivos Generales:
Brindar una visión integral de las principales técnicas de inteligencia artificial, desde los modelos simbólicos hasta los métodos de aprendizaje automático y profundo, enfatizando su aplicación en ciencia y tecnología.
Objetivos Específicos:
- Aprender los conceptos y vocabularios de base relacionados con inteligencia artificial.
- Evaluar casos paradigmáticos, reconocer los ítems esenciales que indican la tecnología específica.
- Determinar las mecánicas de funcionamiento y la diferenciación con las implementaciones clásicas.
Vinculación con los objetivos de la carrera:
Unidades Temáticas
Unidad 1. Fundamentos y evolución de la inteligencia artificial
Concepto y objetivos de la inteligencia artificial. Breve historia: de la IA simbólica al aprendizaje profundo. Representación del conocimiento: reglas, grafos, lógica proposicional y de predicados. Razonamiento automático, sistemas expertos y agentes inteligentes. Ética, sesgos y consideraciones sociales de la IA.
Unidad 2. Aprendizaje automático: teoría y práctica
Definición y tipos de aprendizaje: supervisado, no supervisado y por refuerzo. Flujo de trabajo en machine learning: preparación de datos, entrenamiento, validación y evaluación. Principales algoritmos: regresión lineal y logística, k-NN, SVM, árboles de decisión, random forest, clustering (k-means, DBSCAN). Métricas de desempeño y validación cruzada. Implementación práctica con scikit-learn.
Unidad 3. Redes neuronales y aprendizaje profundo
Neuronas artificiales y perceptrón multicapa (MLP). Propagación hacia adelante y retropropagación del error. Funciones de activación y optimización. Introducción a redes convolucionales (CNN) y recurrentes (RNN). Frameworks y entornos de desarrollo (TensorFlow, PyTorch, Keras).
Unidad 4. Aplicaciones y tendencias actuales de la IA
Procesamiento de lenguaje natural (NLP) y modelos generativos. Visión por computadora, robótica e IoT inteligente. Inteligencia artificial explicable (XAI) e interpretabilidad de modelos. Integración de IA en la nube y en el borde (edge AI). Tendencias futuras: modelos fundacionales, LLMs, IA ética y sostenible.
Proyecto final: integrador en un área de interés del doctorando (análisis de datos científicos, simulación, optimización, etc.).
Bibliografía obligatoria:
Unidad 1. Fundamentos y evolución de la inteligencia artificial
- Russell, S., & Norvig, P. (2022). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. Cap. 1–2 (pp. 1–40).
- Nilsson, N. J. (2010). The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge University Press. Cap. 10 (pp. 257–278).
Unidad 2. Aprendizaje automático: teoría y práctica
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. Cap. 1–3 (pp. 1–98).
- Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O’Reilly Media. Cap. 2–4 (pp. 43–135).
Unidad 3. Redes neuronales y aprendizaje profundo
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Cap. 6–7 (pp. 163–232).
- Chollet, F. (2021). Deep Learning with Python (2nd ed.). Manning Publications. Cap. 3–5 (pp. 65–148).
Unidad 4. Aplicaciones y tendencias actuales de la IA
- Bommasani, R., et al. (2021). On the Opportunities and Risks of Foundation Models. Stanford Institute for Human-Centered Artificial Intelligence. Disponible en: https://arxiv.org/abs/2108.07258
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). “Why Should I Trust You?”: Explaining the Predictions of Any Classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144.