- Preinscripción cerrada
- Fecha de inicio: 1 de septiembre de 2026
- Modalidad: virtual
- Frecuencia: semanal
- Días y horario de cursada: miércoles de 19 a 22 hs
- Duración y carga horaria total: 1 mes – 30 horas
- Consultas: curso.aprendizajeautomatico@unaj.edu.ar
Presentación
El Curso de posgrado Tópicos en aprendizaje automático es una propuesta del Instituto de Ingeniería y Agronomía de la UNAJ. La iniciativa está orientada a profesionales interesados/as en el estudio de técnicas modernas de aprendizaje automático para dar respuesta a problemáticas reales. Esta rama de la inteligencia artificial.
El curso está destinado a personas graduadas de carreras universitarias o de nivel superior no universitario relacionadas a la ingeniería, las ciencias de la computación y la informática, entre otras.
Las personas interesadas deberán contar con título universitario de grado o de nivel superior no universitario de 4 años de duración como mínimo, en las disciplinas anteriormente mencionadas, expedido por una institución de nivel superior —provincial, nacional, privada o extranjera— con reconocimiento oficial.
Objetivo general:
- Brindar conocimientos y habilidades sobre las técnicas avanzadas del aprendizaje automático para dar solución a problemas reales.
Objetivos específicos:
- Establecer una comprensión clara de los algoritmos más importantes en el ámbito del aprendizaje automático.
- Aprender técnicas para el diseño óptimo de redes neuronales.
- Conocer las aplicaciones de ingeniería tales como optimización, clasificación y reconocimiento de patrones.
- Aplicar los conocimientos adquiridos a problemas específicos.
El curso tiene una duración total de 30 horas y está organizado en 5 unidades:
- Unidad 1: Introducción a los sistemas de aprendizaje automático
Revisión histórica. Estructura de un sistema de aprendizaje automático. Aprendizaje supervisado y no supervisado. El problema de clasificación. El problema de regresión. El problema de agrupamiento. Métodos de validación cruzada.
- Unidad 2: Redes lineales.
El asociador lineal y la regresión lineal. Solución de sistemas lineales sobredeterminados mediante la seudoinversa. El Perceptrón Simple. Estructura y algoritmos. Relación con problemas de optimización. Implementaciones en Matlab o Python.
- Unidad 3: Perceptrón multicapa (MLP).
Redes neuronales feedforward. Descripción del problema de optimización. Algoritmo del descenso del gradiente (algoritmo Backpropagation). Algoritmo de retropropagación como problema de optimización. Algoritmo óptimo. Implementaciones en Matlab o Python.
- Unidad 4: Redes neuronales convolucionales (CNN).
Su origen biológico. Convoluciones discretas bidimensionales. Algoritmo del descenso del gradiente estocástico. Arquitectura de una red CNN. Modelos de redes de CNN. Aplicaciones científico- tecnológicas. Implementaciones en Matlab o Python.
- Unidad 5: Redes neuronales de aprendizaje extremo (ELM).
Problemas de las redes feedforward. Algoritmo fundamental Extreme Learning Machine (ELM). Entrenamiento mediante Singular Value Decomposition (SVD). Algoritmos óptimos para el entrenamiento de la ELM. Redes ELM multicapas. Implementaciones en Matlab o Python.
Actividad arancelada.
Residentes
1 cuota de $84.000
Residentes en el extranjero
1 cuota de U$S75