Innovación Digital
Programa de Especialización en IA y Machine Learning
Capacítate en el manejo de tecnologías avanzadas para gestionar grandes volúmenes de datos, optimizar procesos y crear modelos predictivos que aporten valor a las organizaciones.
Inicio
Convocatoria 2025
Convocatoria 2025
Modalidad
Clases a distancia en tiempo real
Clases a distancia en tiempo real
Duración
128 horas lectivas
128 horas lectivas
Solicita más información
Acerca del programa
En un entorno donde los datos se han convertido en el recurso más valioso para las organizaciones, el uso de la inteligencia artificial (IA) y el machine learning (ML) es fundamental para transformar sectores claves como la industria, la banca, la salud y las telecomunicaciones. Nuestro Programa de Especialización en IA y Machine Learning responde a la creciente demanda global de profesionales capacitados para procesar grandes volúmenes de datos y generar decisiones estratégicas, proporcionando una formación integral que abarca desde los fundamentos teóricos hasta las aplicaciones más avanzadas, con una visión completa del impacto de estas tecnologías en la transformación digital.
El estudiante será un experto en la gestión y análisis de grandes volúmenes de datos utilizando tecnologías como Hadoop, Spark y bases de datos NoSQL. Podrá, también, emplear herramientas y lenguajes de programación como Python y R, así como bibliotecas especializadas como TensorFlow, Scikit-learn y Keras, entre otras. Será capaz de identificar oportunidades de automatización dentro de las organizaciones y de construir y entrenar modelos predictivos aplicando algoritmos de aprendizaje supervisado y no supervisado para la resolución de problemas empresariales complejos. Además de las competencias técnicas, desarrollará habilidades para comunicar ―de manera clara y efectiva― los resultados de sus análisis y modelos, para trabajar con equipos multidisciplinarios y, sobre todo, para liderar la innovación en su centro de trabajo.
Ventajas diferenciales
Programa integral y actualizado
Uso de herramientas y tecnologías avanzadas como Python, R, TensorFlow y Hadoop que permitirá, al estudiante, automatizar procesos, optimizar operaciones y crear modelos predictivos que generen valor a la organización.
Excelencia docente
Expertos en inteligencia artificial y machine learning, con amplia experiencia a nivel académico y destacada trayectoria profesional en prestigiosas instituciones de los sectores público y privado.
Metodología práctica y participativa
Resolución de casos reales en entornos empresariales, interacción entre el estudiante y el facilitador, así como asesoramiento permanente durante el desarrollo del programa.
Ecosistema digital para el aprendizaje
Recursos y herramientas tecnológicas de vanguardia utilizadas en las mejores universidades del mundo, con acceso a la biblioteca y al aula virtual.
Perfil del estudiante
-
Gerentes, directores, analistas de datos, ingenieros, consultores tecnológicos y responsables de áreas de operaciones y automatización de procesos que desean implementar soluciones avanzadas de IA y ML para mejorar la toma de decisiones y optimizar las operaciones en sus organizaciones.
-
Profesionales que trabajan en sectores como la industria, telecomunicaciones, banca, seguros, salud, comercio y tecnología, entre otros, donde el análisis de datos sea crítico para el éxito empresarial.
-
Líderes de proyectos de transformación digital que busquen introducir herramientas de IA para la automatización, optimización de procesos y mejora del rendimiento.
-
Profesionales que, sin tener un conocimiento técnico profundo de IA y ML, desean comprender el impacto y las aplicaciones de estas tecnologías para mejorar la competitividad y eficiencia de sus organizaciones.
Certificación
Luego de aprobar todas las asignaturas del programa se te otorgará el certificado de especialista en IA y Machine Learning, a nombre de la Escuela de Posgrado de la Universidad Continental.
“Especialista en IA y Machine Learning”
(Imagen referencial que no representa la certificación que se obtendrá al culminar los estudios.)
Plana docente
Coordinador del programa: Max Mucha Morales
-
Sandra Bartolo Cajusol
Analista de business intelligence de la Gerencia de Innovación y Transformación Digital del Banco de la Nación. Analista de sistemas. Docente universitaria. Más de 8 años de experiencia en explotación, transformación y visualización de datos. Trabajó como especialista del Ministerio de Educación del Perú. Magíster en Gestión de Proyectos por la UTP. Ingeniera de sistemas por la UNT.
-
Caleb Terrel Orellana
Científico de datos de Tottus, cadena de supermercados del Grupo Falabella con presencia en Chile y Perú. Consultor, analista y docente especialista en estadística y ciencia de datos. Ha laborado en diversas organizaciones privadas y públicas de América latina. Experiencia como docente en más de diez empresas de capacitación, impartiendo cursos de lenguajes de programación, análisis exploratorio de datos y machine learning. Especialista en Marketing y Finanzas por la UNALM. Profesional en Estadística e Informática.
-
Max Mucha Morales
Fundador y CEO de IDIFAM. Consultor en ciencia de datos. Experto en la implementación de sistemas de información y procesamiento de datos en plataformas big data como Databricks con Scala y PySpark, así como en el desarrollo de modelos predictivos y analíticos avanzados. Más de 8 años de experiencia en proyectos de análisis y procesamiento de grandes volúmenes de datos para instituciones como la SUNAT, el Ministerio de la Producción y el Banco Interamericano de Desarrollo (BID). Magíster en Ciencia de Datos por la Universidad Abierta de Cataluña, España. Especialista en Ingeniería de Proyectos Big Data, Machine Learning & BI por la UDEP. Ingeniero de sistemas e informática por la UC.
-
Jennifer Arévalo Morales
Amplia experiencia profesional en manejo de base de datos y herramientas de análisis de grandes volúmenes de información. Maestría en Ciencia de Datos por la URP. Especialización en Métodos Avanzados en Analítica por la Pontificia Universidad Javeriana de Colombia. Diplomatura en Analítica de Negocios y Gestión de la Información por la PUCP. Ingeniera de sistemas por la UNIFÉ.
-
Rolando Ichpas Tapia
Especialista en analítica avanzada de datos de la Superintendencia Nacional de Migraciones, donde lidera el desarrollo de modelos de machine learning basados en grafos para la detección de redes criminales. Se ha desempeñado en roles clave como especialista de datos de la Intendencia Nacional de Estrategias y Riesgos de la SUNAT y como analista de investigación y modelamiento del Observatorio del Delito y la Criminalidad en la DIRCRI – PNP (MININTER). Fue analista de datos de Wimp, Italia. M. Sc. en Matemáticas Aplicadas por la Universidad de Pisa, Italia. Licenciado en Matemáticas por la UNMSM.
-
Andres Soto Ayala
Consultor de modelos analíticos de la Superintendencia Nacional de Aduanas y de Administración Tributaria (SUNAT). Fue analista predictivo en la Universidad Continental, solucionando problemas negocios con ciencia de datos. Amplia experiencia en el uso de machine learning (aprendizaje supervisado y no supervisado) y en la construcción, despliegue, seguimiento y calibración de modelos utilizando las herramientas R, Python, SPSS y Excel. Egresado de la Maestría en Ciencia de Datos de la URP y de la Maestría en Estadística Matemática de la UNMSM. Licenciado en Estadística por la UNMSM.
*La programación de docentes por asignatura se encuentra sujeta a variación según su disponibilidad, asegurando el nivel equivalente del especialista. El perfil del docente se mantiene y corresponderá al nivel requerido para garantizar la calidad educativa.
Plan de estudios
El programa está organizado por 10 asignaturas, con un total de 128 horas lectivas:
- Introducción al lenguaje R y sus aplicaciones en IA.
- Manipulación de datos con R.
- Implementación de modelos supervisados y no supervisados en R.
- Visualización de resultados y análisis de desempeño de modelos.
- Casos prácticos de machine learning utilizando R.
- Fundamentos del lenguaje Python para IA y ML.
- Manipulación de datos con Pandas y NumPy.
- Implementación de modelos supervisados y no supervisados con Scikit-learn.
- Introducción a redes neuronales con TensorFlow.
- Casos prácticos de machine learning utilizando Python.
- Fundamentos estadísticos: medidas de tendencia central, dispersión, y probabilidad.
- Análisis de regresión: lineal, logística y polinómica.
- Inferencia estadística y pruebas de hipótesis.
- Métodos de validación y evaluación de modelos.
- Técnicas de reducción de dimensionalidad (PCA).
- Fundamentos de la visualización de datos.
- Gráficos básicos y avanzados en Python y R.
- Herramientas de visualización: Matplotlib, Seaborn, Plotly y ggplot2.
- Creación de dashboards interactivos con Power BI y Tableau.
- Casos prácticos de visualización aplicada a IA y ML.
- Fundamentos de big data: características y desafíos.
- Herramientas de procesamiento de big data: Hadoop, Spark.
- Bases de datos distribuidas: NoSQL.
- Servicios en la nube para big data y analytics.
- Integración de big data con machine learning.
- Introducción a métodos supervisados.
- Regresión lineal y logística.
- Árboles de decisión y random forest.
- Máquinas de soporte vectorial (SVM).
- Evaluación y optimización de modelos supervisados.
- Introducción a los métodos no supervisados.
- Clustering: k-means, hierarchical clustering.
- Reducción de dimensionalidad: PCA, t-SNE.
- Modelos de mezcla gaussiana (GMM).
- Evaluación de la calidad de los agrupamientos.
- Fundamentos de NLP.
- Preprocesamiento de texto: tokenización, stemming, lematización.
- Modelos de lenguaje y representación de palabras: TF-IDF, Word2Vec.
- Clasificación de textos y análisis de sentimientos.
- Aplicaciones de NLP: chatbots, traducción automática.
- Introducción a redes neuronales y deep learning.
- Arquitectura de redes neuronales: neuronas, capas y funciones de activación.
- Algoritmos de optimización: backpropagation y gradiente descendente.
- Aplicaciones en procesamiento de imágenes y reconocimiento de voz.
- Herramientas de deep learning: TensorFlow, Keras.
- Redes neuronales convolucionales (CNN) y su aplicación en el procesamiento de imágenes.
- Redes neuronales recurrentes (RNN) y su uso en secuencias de datos.
- Long short-term memory (LSTM) y redes GRU.
- Aplicaciones en visión por computadora y procesamiento del lenguaje natural.
- Optimización de modelos de deep learning: regularización y tuning de hiperparámetros.
Malla curricular
Contacta con nuestra asesora
Maria Elena Medina Palomino