1. Descripción del curso.........................................................................................................................

2
1.1. Contexto del curso de Especialización........................................................................................2
2. Resultados de Aprendizaje.................................................................................................................2
3. Duración y horarios............................................................................................................................2
4. Requisitos para optar al curso............................................................................................................3
5. Contenido temático............................................................................................................................3
5.1. Descripción del contenido programático.....................................................................................3
5.1.1. Unidad I: Introducción a la Inteligencia Artificial...............................................................3
5.1.2. Unidad II: Matemáticas de Machine Learning....................................................................3
5.1.3. Unidad III: Tratamiento de datos con Python......................................................................3
5.1.4. Unidad IV: Machine learning tradicional............................................................................4
5.1.5. Unidad V: Deep Learning....................................................................................................4
5.1.6. Unidad VI: Despliegue y mantenimiento de modelos en producción.................................4
5.2. Contenidos Temáticos.................................................................................................................6
6. Metodología de la enseñanza y aprendizaje.......................................................................................7
6.1. Comunicación en el curso...........................................................................................................7
6.2. Comunicación con el docente.....................................................................................................7
6.2.1. Plataforma virtual.................................................................................................................7
6.2.2. Correo Electrónico...............................................................................................................7
6.2.3. Otros canales de comunicación............................................................................................7
6.3. Comunicación con coordinador de los cursos de especialización...............................................8
7. Consideraciones.................................................................................................................................8
7.1. Generalidades..............................................................................................................................8
8. Sistema de evaluación........................................................................................................................9
9. Referencias bibliográficas................................................................................................................10
1. Descripción del curso.........................................................................................................................2
1.1. Contexto del curso de Especialización........................................................................................2
2. Resultados de Aprendizaje.................................................................................................................2
3. Duración y horarios............................................................................................................................2
4. Requisitos para optar al curso............................................................................................................3
5. Contenido temático............................................................................................................................3
5.1. Descripción del contenido programático.....................................................................................3
5.1.1. Unidad I: Introducción a la Inteligencia Artificial...............................................................3
5.1.2. Unidad II: Matemáticas de Machine Learning....................................................................3
5.1.3. Unidad III: Tratamiento de datos con Python......................................................................4

[1]
 5.1.4. Unidad IV: Machine learning tradicional............................................................................4
5.1.5. Unidad V: Deep Learning....................................................................................................4
5.1.6. Unidad VI: Despliegue y mantenimiento de modelos en producción.................................5
5.2. Contenidos Temáticos.................................................................................................................6
6. Metodología de la enseñanza y aprendizaje.......................................................................................7
6.1. Comunicación en el curso...........................................................................................................7
6.2. Comunicación con el docente.....................................................................................................7
6.2.1. Plataforma virtual.................................................................................................................7
6.2.2. Correo Electrónico...............................................................................................................7
6.2.3. Otros canales de comunicación............................................................................................7
6.3. Comunicación con coordinador de los cursos de especialización...............................................7
7. Consideraciones.................................................................................................................................8
7.1. Generalidades..............................................................................................................................8
8. Sistema de evaluación........................................................................................................................9
9. Referencias bibliográficas................................................................................................................10
1. Descripción del curso.........................................................................................................................2
1.1. Contexto del curso de Especialización........................................................................................2
2. Resultados de Aprendizaje.................................................................................................................2
3. Duración y horarios............................................................................................................................3
4. Requisitos para optar al curso............................................................................................................3
5. Contenido temático............................................................................................................................3
5.1. Descripción del contenido programático.....................................................................................3
5.1.1. Unidad I: Introducción a la Inteligencia Artificial...............................................................3
5.1.2. Unidad II: Matemáticas de Machine Learning....................................................................3
5.1.3. Unidad III: Tratamiento de datos con Python......................................................................4
5.1.4. Unidad IV: Machine learning tradicional............................................................................4
5.1.5. Unidad V: Deep Learning....................................................................................................4
5.1.6. Unidad VI: Despliegue y mantenimiento de modelos en producción.................................5
5.2. Contenidos Temáticos.................................................................................................................5
6. Metodología de la enseñanza y aprendizaje.......................................................................................6
6.1. Comunicación en el curso...........................................................................................................6
6.2. Comunicación con el docente.....................................................................................................6
6.2.1. Plataforma virtual.................................................................................................................6
6.2.2. Correo Electrónico...............................................................................................................6
6.2.3. Otros canales de comunicación............................................................................................6

[2]
 6.3. Comunicación con coordinador de los cursos de especialización...............................................7
7. Consideraciones.................................................................................................................................7
7.1. Generalidades..............................................................................................................................7
8. Sistema de evaluación........................................................................................................................8
9. Referencias bibliográficas..................................................................................................................8

[3]
Tabla de contenido
1. Descripción del curso 2
1.1. Contexto del curso de Especialización................................................................................................
2. Resultados de Aprendizaje 2
3. Duración y horarios 3
4. Requisitos para optar al curso 3
5. Contenido temático 3
5.1. Descripción del contenido programático.............................................................................................
5.1.1. Unidad I: Introducción a la inteligencia artificial..............................................................................
5.1.2. Unidad II: Matemáticas de Machine Learning..................................................................................
5.1.3. Unidad III: Tratamiento de datos con Python...................................................................................
5.1.4. Unidad IV: Machine learning tradicional..........................................................................................
5.1.5. Unidad V: Deep Learning..................................................................................................................
5.1.6. Unidad VI: Despliegue y mantenimiento de modelos en producción...............................................
5.2. Contenidos Temáticos..........................................................................................................................
6. Metodología de la enseñanza y aprendizaje 6
6.1. Comunicación en el curso...................................................................................................................
6.2. Comunicación con el docente..............................................................................................................
6.2.1. Plataforma virtual..............................................................................................................................
6.2.2. Correo Electrónico.............................................................................................................................
6.2.3. Otros canales de comunicación.........................................................................................................
6.3. Comunicación con coordinador de los cursos de especialización.......................................................
7. Consideraciones 7
7.1. Generalidades.......................................................................................................................................
8. Sistema de evaluación 7
9. Referencias bibliográficas 8

[4]
1. Descripción del curso

Nombre Machine learningLearning

Código

Prerrequisitos 192 UV

Carrera Ingeniería de Sistemas Informáticos

Modalidad

Tipo Curso Especialización

Cupo Máximo 20 participantes

1.1. Contexto del curso de Especialización

El potencial crecimiento de demanda para procesamiento de datos para su análisis ha cobrado una gran
importancia en los últimos años, muchas industrias dedicadas al mercado financiero, academias e
instituciones dedicadas a la investigación han acudido al aprendizaje automático para la identificación
de patrones que ayuden a buscar mejores soluciones amejorar sus productos, búsqueda de nuevos
mercados o incluso contribuir al entendimiento y predicción de fenómenos naturales., por Por esta
razón la escuela Escuela de ingeniería Ingeniería de sistemas Sistemas informáticos Informáticos de la
Facultad de Ingeniería y Arquitectura ofreceha proporcionado en el ámbito de la necesidad de crear
profesionales interesados en esta área el presente curso Curso de especialización Especialización para
que los egresados interesados en esta área cuente con una base que les permita diseñar e implementar
soluciones de aprendizaje automático.para que personas en el marco de finalización de su pregrado se
especialicen o cobren un interés en esta área para su carrera profesional.

Este curso de especialización tiene como metas crear proveer al estudiante la capacidad para la las
bases suficientes y sumergir en esta área de la ciencia de datosaplicación de soluciones con aprendizaje
automático y servir de base de conocimiento para la incursión de los futuros profesionales en el área de
Ciencia de datos a los futuros profesionales en la aplicación de soluciones enmarcadas al aprendizaje
automático., así como la sub-área del aprendizaje profundo, optimización de estas y puesta en marcha
en un entorno adecuado de despliegue.

2. Resultados de Aprendizaje
1. Comprender las bases matemáticas y estadísticas de las soluciones de machine learning.
2. Hacer uUso de las distintas herramientas de para el manejo y pre-procesamiento de datos, para
su posterior uso en soluciones de aprendizaje automático.
3. Identificar la solución más optima óptima e indicada para los distintos casos de uso que sea

[5]
 necesario hacer usopara resolver problemas de aprendizaje automático.
4. Diseñar, implementar y administrar soluciones de machine Machine learning Learning en un
entorno de producción controlado.

3. Duración y horarios
El curso de especialización tendrá una duración efectiva de 9 meses. Las actividades sincrónicas serán
llevadas a cabo una vez por semana a las 8:00 p.m. y los laboratorios serán programados según la
calendarización para entregarse los sábados por la mañana.

[6]
4. Requisitos para optar al curso
● El estudiante deberá contar con conocimientos básicos de álgebra lineal, principios de cálculo
diferencial y capacidad lógica.
● Se deberá contar con conocimientos básicos de programación.
● Deberá tener equipo informático capaz de poder ejecutar algoritmos de aprendizaje automático
a nivel local.
● Contar con acceso a internet para poder acceder a las clases virtuales y poder hacer uso de las
distintas herramientas de desarrollo.
● Aprobar el examen de admisión al curso.

5. Contenido temático
5.1. Descripción del contenido programático
Puesto que el contenido relacionado con la temática de la asignatura es amplio. Se ha centrado la base
de conocimientos en aspectos puntuales relacionadosEl curso se centra en con los principios de
desarrollo y puesta en producción de modelos de aprendizaje automático. En ese sentido se describen a
continuación las principales temáticas a tomarse en cuenta durante el curso.

5.1.1. Unidad I: Introducción a la inteligencia Inteligencia

artificialArtificial
Esta unidad tiene como propósito que los estudiantes cuenten con los conocimientos básicos sobre el
área de ciencia de datos relacionadas a la inteligencia artificial, así como lograr identificar los
diferentes escenarios de uso en el ámbito laboral y académico.

Se realizará una breve introducción y recuento histórico de la inteligencia artificial desde sus
comienzos hasta su posición actual en la analítica de datos y la importancia que ha ido adquiriendo a lo
largo de su desarrollo.

5.1.2. Unidad II: Matemáticas de Machine Learning

La finalidad de este contenido está enfocada en las operaciones básicas para que un estudiante sepa
sobre la inteligencia artificial, algunos conceptos ya vistos en la carrera como álgebra lineal,
probabilidad, funciones de costo, y el problema del gradiente descendente.

No se espera profundizar demasiado en las distintas ramas de la matemática, así como se debió
desarrollar a lo largo de varias materias del pregrado de la carrera debido a que el estudiante necesita
comprender únicamente los principios básicos que rigen en el aprendizaje automático para su mejor
comprensión.La finalidad de este contenido es el estudio de los modelos matemáticos básicos aplicados

[7]
en aprendizaje automático.

5.1.3. Unidad III: Tratamiento de datos con Python

El objetivo de esta unidad es profundizar en la utilización de las distintas librerías de manejo de datos
escritas principalmente en el lenguaje de programación Python para hacer uso de las distintas técnicas
de manipulación y análisis de datos, para iniciar la unidad se verificará la utilización de la librería
numpy para manipular vectores, matrices multidimensionales y la realización de las distintas
operaciones matemáticas enfocadas al álgebra lineal.

Se realizará una breve, pero muy concisa inmersión en la librería de análisis y manipulación de datos
como lo es pandas y las principales aplicaciones que esta contiene.

Se tendrá como objetivo de igual manera el aprender distintas técnicas de preprocesamiento de datos
entre los que incluyen cleaning, normalización, one hot encoding, extracción de características
principales, entre otras técnicas de preprocesamiento de datos.

5.1.4. Unidad IV: Machine learning tradicional

El objetivo de esta unidad es comprender y poner en práctica los distintos tipos de soluciones de
machine Machine learning Learning como lo son los mecanismos supervisados y no supervisados entre
los que abarcan los árboles de decisión, k-means y super-vector machine, todos estos con ayuda de la
librería Scikit-learn para aprendizaje automático escrito principalmente en el lenguaje de programación
Python.

Se aplicarán cada una de las técnicas de preprocesamiento y optimización para los algoritmos a aplicar.
Cada una de las soluciones contendrá su propio conjunto de datos para prueba para verificar la
eficiencia de los algoritmos a desarrollarse.

5.1.5. Unidad V: Deep Learning

El objetivo en esta unidad es dar a conocer los principios que incurren en la utilización del aprendizaje
profundo, así como los diversos casos de uso haciendo uso de las diferentes técnicas de desarrollo, así
también hacer uso de mecanismos de mejoramiento de los modelos de aprendizaje.

Se tomarán en cuenta distintas las distintas aplicacionesabordarán problemas típicos de aprendizaje

profundo como pueden ser la clasificación de imágenes, detección de objetos mediante herramientas
open source como YOLOV5.

Se tomarán en cuentaAdemás, se abordarán modelos resultantesdos de investigaciones realizadas para

el proceso de transfer Transfer learning Learning y utilizarlos en la obtención de soluciones sin
necesidad de utilizar grandes recursos para búsqueda de resultados óptimos.

Otra implementación que se tomara en cuenta esTambién se incluye el procesamiento Procesamiento

[8]
de lenguaje Lenguaje natural Natural el cual hoy en día muchas industrias toman en cuenta para
desarrollo de sus servicios de atención a clientes.

[9]
 5.1.6. Unidad VI: Despliegue y mantenimiento de modelos en
producción

En la presente unidad tiene como objetivo principal dar a conocer los principales mecanismos y
técnicas de despliegue y mantenimiento de soluciones de inteligencia artificial en un entorno de
producción.

Se aprenderá a mantener un entorno de experimentación para los distintos modelos de prueba se

desarrollen en el ciclo de vida.

Para esta Unidad se utilizará MLflow como herramienta de gestión del ciclo de vida de los modelos de
machine Machine learningLearning.

[10]
 5.2. Contenidos Temáticos
Duración
  Unidad Contenido
(Semanas)

Inteligencia artificial, orígenes y desarrollo.

Introducción a la
1 2
Inteligencia Artificial.
Ramificaciones de la inteligencia artificial.

Álgebra lineal.

Probabilidad y distribuciones.
Matemáticas de
2 4
Machine Learning
Funciones de costo.

Problema del gradiente descendente.

Introducción al manejo de datos con lenguaje Python.

Álgebra lineal con Numpy.

Tratamiento de
3 4
datos con Python
Manipulación y análisis de datos con pandas.

Análisis y preprocesamiento de datasets

Aprendizaje supervisado.

Regresión lineal y logística.

Aprendizaje Árboles de decisiones.

4 Automático 8
tradicional. Aprendizaje no supervisado.

K-means y problemas de agrupamiento.

Máquinas de vectores de soporte.

Estructura de una red neuronal.

Problemas de clasificación.

Afinación y Optimización de modelos.

5 Deep Learning 8
Transfer Learning.

Computer Vision.

Procesamiento del lenguaje natural.

6 Despliegue y Flujo de trabajo para MLOps. 3

mantenimiento de
modelos en MLFlow
producción.

[11]
 Despliegue e inferencia.

6. Metodología de la enseñanza y aprendizaje

En el transcurso del curso de especialización se presentará una clase expositiva semanalmente de una
manera interactiva en la que se demostrará con distintos ejemplos el contenido del mismo.

Se desarrollarán diferentes laboratorios prácticos en los que el alumno podrá desarrollar lo aprendido
en las distintas temáticas del curso y lo establecido en las distintas guías.

Se realizará un proyecto grupal para poner en práctica los conocimientos adquiridos durante el
desarrollo del curso.

6.1. Comunicación en el curso

Toda interacción entre los estudiantes participantes y el docente será a través de los canales de
comunicación oficiales disponibles en la plataforma, para ellos se dispondrá de un canal dedicado al
curso, donde se publicará el material necesario para llevar a cabo el curso, así como también se
dispondrá de un foro virtual donde los estudiantes podrán discutir ideas y expresar sus dudas.

6.2. Comunicación con el docente

6.2.1. Plataforma virtual

Se utilizará para el curso de especialización la plataforma Campus de la Universidad, contando con un

Curso con todos los recursos necesarios para que el estudiante pueda desarrollar las diferentes
actividades académicas, así como, para la entrega de estas. Las clases serán llevadas a cabo a través de
la herramienta BigBlueButton de la plataforma y se tendrá como canal opcional Google Meet.

6.2.2. Correo Electrónico

Para comunicarse con el Docente podrán mediante el correo electrónico:
carlos.mata@ues.edu.sv

6.2.3. Otros canales de comunicación

Se creará un grupo de correo electrónico que incluirá a todos los estudiantes participantes, para
compartir información adicional relacionada con el curso de especialización.

[12]
 6.3. Comunicación con coordinador de los cursos de
especialización
El Coordinador de Cátedra no atenderá consultas académicas, sino aquellas consultas u observaciones
que usted crea que es importante hacerle saber sobre el desempeño anómalo de parte de un tutor
específico.

Los contactos del coordinador de cátedra son:

Coordinador de Cátedra: MSc. Ing. Patricia Estrada

Correo electrónico: pestrada@fia.ues.edu.sv

7. Consideraciones
7.1. Generalidades
Se deberá contar con recursos informáticos suficientes para poder realizar las distintas actividades que
involucran el desarrollo de aprendizaje automático, así como tener un amplio ancho de banda de
internet para poder descargar las distintas librerías a utilizar, así como los distintos amplios conjuntos
de datos para poder entrenar las distintas soluciones que se desarrollaran en el curso.

Aparte de estas consideraciones de hardware se necesita que el estudiante cuente con una abierta
habilidad de apertura al aprendizaje, a la investigación e interés a la experimentación ya que esta área
involucra muchas veces la metodología del ensaño y error en el que la búsqueda de mejores parámetros
puede resultar en un entorno de experimentación en el que el error siempre estará presente y debe
medirse con cautela.

[13]
8. Sistema de evaluación
Se evaluará de la siguiente manera lo aprendido durante el desarrollo del curso de especialización:

Etapa Aspecto para evaluar Descripción Ponderación

1 Propuesta de perfil de Propuesta del trabajo final. 5%

trabajo

2 Evaluación formativa Actividades de formación del curso. 80%

2.1 Laboratorio práctico 1 Implementación de pandas como herramienta de análisis. 20%

2.2 Laboratorio práctico 2 Ejercicios prácticos sobre scikit-learn. 20%

2.3 Laboratorio práctico 3 Ejercicios con casos prácticos de deep learning. 20%

2.4 Exámenes Cortos Realización de tres pruebas en el aula virtual, para 15%
evaluar aspectos teóricos de machine learning.

2.5 Asistencia y participación Se evaluará la participación y asistencia en actividades 5%

del Curso de Especialización, en cuanto aporte de
calidad.

3 Trabajo Final Presentación y defensa de trabajo final. 15%

[14]
9. Referencias bibliográficas
Chollet, F (2018) Deep Learning with Python (1ª ed). Manning Publications.

Moroney, L (2020) AI and machine learning for coders: A programmer's Guide to Artificial Intelligence
(1ª ed). O’ Reilly media, Inc.

Géron, A (2019) Hands-On Machine Learning with Scikit-learn, Keras, and TensorFlow, concepts,
Tools, and techniques to Build Intelligent Systems (2ª ed). O’ Reilly Media, Inc.

Gift,N & Deza, A (2021) Practical MLOPS Operationalizing Machine Learning Models(1 ª ed), O’Reilly
media, Inc.

[15]