​ ​ Diplomado en IA Aplicada en TI – Duoc UC

Diplomado en IA Aplicada en TI

Duración

6 Meses


Modalidad

Online Sincrónica
Clases en vivo, con interacción inmediata y acompañamiento directo

Fecha inicio

Fecha de inicio; 29/04/2026
Clases: lunes y miércoles de 19:00 a 22:00 hrs

Valor

$1.190.000


Descargar brochure Solicitar información

Descripción

Desarrolla competencias aplicadas en análisis, modelamiento y uso ético de inteligencia artificial.

El Diplomado IA Aplicada en TI entrega una formación integral que abarca análisis estadístico, métodos de machine learning, modelos de deep learning, computer vision, técnicas de procesamiento de lenguaje natural y fundamentos éticos y normativos en IA. Cada curso profundiza en herramientas y metodologías utilizadas en el sector tecnológico, combinando programación en Python, modelamiento y evaluación de sistemas inteligentes. Con una carga total de 140 horas distribuidas en seis cursos, el programa fortalece competencias para aplicar IA en contextos laborales reales desde una perspectiva técnica y responsable.

Este diplomado te prepara para aplicar inteligencia artificial en contextos reales, integrando análisis, modelamiento y criterios éticos para un uso responsable de los datos y las tecnologías.

Objetivos del Diplomado

Aplicar técnicas de IA mediante análisis estadístico, machine learning, deep learning, computer vision, NLP y evaluación ética de datos para resolver necesidades en entornos TI.

Orientado

Profesionales y técnicos del área TI que se desempeñen como analistas de datos, programadores Python, operadores de sistemas, desarrolladores de IA, técnicos en automatización o especialistas que requieren aplicar IA en análisis, visualización y modelamiento de datos.

Certificación

Al finalizar, recibirás la certificación oficial “Diplomado en Inteligencia Artificial Aplicado en TI”, que valida tu formación en análisis, modelamiento y aplicación ética de IA.

Requisitos de Ingreso

  • Experiencia previa en programación básica (evidenciable por CV) y en funciones relacionadas con análisis de datos.
  • Deseable conocimiento básico de programación o interacción con modelos de IA,

Contenidos del Diplomado

Objetivo general: Analizar datos utilizando estadísticas descriptivas e inferenciales en la aplicación de modelos de inteligencia artificial.

Unidad 1: Uso de la Inteligencia Artificial (IA) en el análisis de datos

Resultado de aprendizaje: Identificar los conceptos claves de la inteligencia artificial en el análisis de datos.

  • Introducción al análisis de datos
  • Importancia de la estadística en la era de la inteligencia artificial
  • Relación entre datos, estadísticas y modelos predictivos
  • Desarrollo de conceptos clave de IA
    • Definición y evolución de la inteligencia artificial
    • Diferencias entre IA, aprendizaje automático y aprendizaje profundo
    • Áreas principales de la IA y sus aplicaciones
    • IA en la industria, salud, finanzas y otros sectores
    • IA generativa y sus implicancias
  • Relación entre IA y el mundo de los datos
    • Importancia de los datos en el entrenamiento de modelos
    • Calidad y preparación de datos para modelos de IA
    • Modelos de predicción y clasificación

Unidad 2: Fundamentos de estadística y análisis de datos en Python

Resultado de aprendizaje: Analizar estadísticas descriptivas e inferenciales usando Python.

  • Estadística descriptiva y visualización de datos
    • Medidas de tendencia central y dispersión
    • Histogramas, diagramas de caja y gráficos de distribución
    • Representación visual efectiva de los datos
  • Aplicación en Python con Pandas y Numpy
    • Manipulación y transformación de datos
    • Carga y limpieza de datasets
    • Análisis exploratorio de datos
  • Análisis estadístico inferencial en Python
    • Conceptos de inferencia estadística
    • Pruebas de hipótesis y estimaciones
    • Aplicaciones en toma de decisiones basadas en datos

 

Objetivo general: Aplicar metodologías de aprendizaje automático supervisado y no supervisado para el reconocimiento de patrones y predicción de datos.

Unidad 1: Técnicas para la exploración y preparación de datos

Resultado de aprendizaje: Analizar datos empleando técnicas de exploración y preparación.

  • Análisis exploratorio de datos y uso de Jupyter Notebook mediante Google Colab
  • Librerías:
    • Numpy
    • Pandas
    • Scikit-Learn
  • Procesos de limpieza de datos:
    • Lectura de datos desde archivo
    • Lectura de datos desde URL externa
  • Visualizaciones básicas de un DataFrame

Unidad 2: Técnicas de predicción de datos con Machine Learning

Resultado de aprendizaje: Emplear técnicas de aprendizaje automático supervisado y no supervisado.

  • Algoritmos de aprendizaje supervisado:
    • Técnicas de clasificación:
      • Regresión logística
      • Métodos basados en árboles
      • Support Vector Machine (SVM)
    • Técnicas de regresión:
      • Regresión lineal
      • Métodos basados en árboles
      • Support Vector Machine (SVM)
  • Algoritmos de aprendizaje no supervisado:
    • Análisis de conglomerados para datos numéricos, categóricos y mixtos
    • Reducción de dimensionalidad para datos numéricos
  • Uso de Python para realizar estos algoritmos

Objetivo general: Aplicar modelos del aprendizaje profundo en la resolución de problemas a través de la implementación de código en Python.

Unidad 1: Bases del Deep Learning: cimientos de la IA

Resultado de aprendizaje: Reconocer los algoritmos fundamentales del aprendizaje profundo para desarrollar aplicaciones de IA.

  • El perceptrón como unidad básica de las redes neuronales
  • Regresores naturales y las bases Multilayer Perceptron (MLP)
  • Algoritmos como el descenso del gradiente y sus variantes
  • Retropropagación del error
  • Técnicas de generalización
  • Funciones de activación y regularización

Unidad 2: Aplicaciones del Deep Learning: pongamos a trabajar algunas arquitecturas de red neuronal

Resultado de aprendizaje: Emplear algoritmos de aprendizaje profundo en la resolución de problemas de clasificación de imágenes y textos.

  • La convolución y el residuo, desde la arquitectura ResNet
  • Clasificación de imágenes y arquitecturas como LSTM y Transformer para procesos de NLP
  • Aplicación práctica: clasificación de sentimientos en texto

Objetivo general: Aplicar modelos de aprendizaje profundo para el reconocimiento y clasificación de imágenes.

Unidad 1: Fundamentos de Computer Vision

Resultado de aprendizaje: Distinguir los fundamentos de Computer Vision aplicados al análisis de imágenes.

  • Introducción al procesamiento de imágenes
  • Imágenes digitales: estructura, píxeles y canales
  • Transformaciones básicas de imágenes
  • Conceptos de convolución y filtros
  • Mapas de características (Feature Maps)
  • Pooling y reducción de dimensionalidad

Unidad 2: Aplicación de modelos de redes neuronales convolucionales

Resultado de aprendizaje: Aplicar modelos de aprendizaje profundo para reconocer y clasificar imágenes.

  • Redes neuronales convolucionales (CNN)
  • Arquitecturas basadas en CNN
  • Transfer learning aplicado al reconocimiento de imágenes
  • Entrenamiento y evaluación de modelos con Python
  • Implementación de un modelo para clasificación de imágenes

Objetivo general: Aplicar técnicas de procesamiento de lenguaje natural (NLP) en la resolución de problemas a través de modelos de inteligencia artificial.

Unidad 1: Fundamentos de procesamiento de lenguaje natural

Resultado de aprendizaje: Reconocer los fundamentos del procesamiento de lenguaje natural en aplicaciones con IA.

  • Introducción al Procesamiento de Lenguaje Natural
  • Tokenización y lematización
  • Extracción de características de texto
  • Modelos estadísticos y basados en reglas
  • Representación vectorial de textos

Unidad 2: Aplicación de modelos de análisis de texto

Resultado de aprendizaje: Utilizar técnicas de análisis de texto en la generación de soluciones basadas en IA.

  • Modelos basados en aprendizaje automático
  • Clasificación de textos
  • Análisis de sentimientos
  • Modelos Transformer
  • Aplicación de modelos generativos para el análisis de texto

Objetivo general: Analizar los principios éticos en el tratamiento de datos utilizados por sistemas de inteligencia artificial.

Unidad 1: Fundamentos del comportamiento ético en IA

Resultado de aprendizaje: Reconocer los elementos que componen el comportamiento ético en los procesos de IA.

  • Fundamentos de ética en IA
  • Principios éticos en el desarrollo de modelos
  • Sesgos y justicia algorítmica
  • Transparencia y explicabilidad
  • Privacidad y protección de datos

Unidad 2: Aplicación de principios éticos en el tratamiento de datos

Resultado de aprendizaje: Aplicar principios éticos en el tratamiento de datos para el desarrollo de IA.

  • Gestión responsable de datos
  • Análisis de riesgos en sistemas de IA
  • Evaluación del impacto social de los modelos
  • Regulaciones y normativas aplicadas a la IA
  • Estrategias de mitigación de sesgos

Financiamiento

Descuentos

  • 30% Titulados Duoc UC*
  • 15% - 25% Ex-alumnos de Educación Continua*
  • Consulta por descuentos promocionales (*Descuentos no acumulables)

Métodos de pago

  • Webpay: 3, 6 o 12 cuotas tarjeta de crédito sin interés
  • Transferencia
  • Orden de compra empresa