Objetivos:

El objetivo principal del curso es proporcionar una comprensión sólida de Python para pasar a sus aplicaciones en el análisis de datos y la inteligencia artificial (IA), preparando a los y las participantes para abordar temas avanzados en el Nivel 2. 

Las y los participantes aprenderán:

·         Python desde cero hasta aplicaciones prácticas.

·         Herramientas clave como Pandas, Matplotlib, Seaborn y Streamlit.

·         Fundamentos de machine learning (ML) y procesamiento del lenguaje natural (NLP).

·         Introducción a redes neuronales básicas y matemáticas aplicadas a la IA.

·         Proyectos prácticos utilizando datos del sector AGRO.

·         Implementación de soluciones en la nube (AWS) orientadas a la agroindustria.

·         Ética básica en IA y su impacto social.

Al finalizar el curso, las y los participantes serán capaces de:

·         Analizar grandes volúmenes de datos agrícolas.

·         Implementar modelos simples de análisis de datos e IA.

·         Tomar decisiones basadas en datos para mejorar la productividad agrícola.

·         Utilizar herramientas de IA en contextos agroindustriales.

·         Evaluar el impacto ético y social de las soluciones tecnológicas.

Destinatarios:

Este curso está diseñado para un público amplio que desee adquirir conocimientos prácticos en Python, análisis de datos e inteligencia artificial. 

Está dirigido especialmente a:

-      Técnicas/cos y tecnólogas/gos que deseen actualizar sus habilidades en programación y análisis de datos.

-      Empresarias/os interesados en aprovechar el poder del análisis de datos y la IA para mejorar la toma de decisiones en sus negocios.

-      Gestoras/res y directivos que buscan entender cómo las tecnologías de datos e IA pueden transformar sus organizaciones.

-      Profesionales de industrias que necesiten aplicar estas habilidades en contextos globales.

-      Creativas/vos que quieran explorar nuevas formas de utilizar la tecnología en sus proyectos ligados al diseño de productos.

-      Ingenieras/ros y desarrolladoras/res que deseen expandir sus competencias en programación y machine learning.

-      Educadoras/res que busquen incorporar el análisis de datos y la IA en sus currículos y métodos de enseñanza.

-      Estudiantes y entusiastas de la tecnología que desean iniciarse en el mundo del análisis de datos y la inteligencia artificial.

Módulos y Contenidos

MÓDULO 1: FUNDAMENTOS DE PYTHON

Objetivos del módulo:

• Configurar el entorno de desarrollo completo.
• Dominar estructuras básicas de Python.
• Comprender control de flujo, funciones y modularidad.
• Introducir conceptos matemáticos básicos relevantes para IA.

Encuentro 1: Fundamentos y Configuración del Entorno

• Pensamiento computacional y algoritmos.
• Instalación de Python, VS Code, Jupyter.
• Git/GitHub básico: Control de versiones y repositorios.
• Ejercicio: Primer script en Python + subir código a GitHub.

Encuentro 2: Python para análisis de datos e IA (parte 1)

• Tipos de datos y variables.
• Operadores y expresiones.
• Control de flujo (condicionales y bucles).
• Listas, tuplas, diccionarios y conjuntos.
• Manipulación y métodos de las estructuras de datos.
• Definición y llamada de funciones.
• Parámetros y argumentos.
• Alcance de variables.
• Modularidad y reutilización de código.
• Ejercicios prácticos.

Encuentro 3: Introducción a matemáticas básicas para IA

• Álgebra lineal básica: vectores, matrices y operaciones.
• Sistemas de ecuaciones lineales.
• Breve introducción al cálculo: derivadas e integrales.
• Laboratorio: Resolver sistemas de ecuaciones con NumPy.

MÓDULO 2: ANÁLISIS DE DATOS CON PYTHON

Objetivos del módulo:

·         Dominar Pandas para análisis de datos.

·         Crear visualizaciones efectivas.

·         Realizar análisis exploratorio de datos (EDA).

·         Implementar dashboards en la nube.

Encuentro 4: Python para análisis de datos e IA (parte 2)

• Instalación y configuración de Pandas.
• Estructuras de datos en Pandas: Series y DataFrames.
• Importación y exportación de datos.
• Operaciones básicas con DataFrames.
• Manejo de datos faltantes.
• Filtrado y selección de datos.
• Transformación y agregación de datos.
• Ejercicio práctico: ETL (Extract, Transform, Load).

Encuentro 5: Visualización de Datos con Matplotlib y Seaborn

• Instalación y configuración de Matplotlib y Seaborn.
• Creación de gráficos básicos: líneas, barras, histogramas.
• Personalización de gráficos.
• Introducción a Seaborn para visualizaciones estadísticas.
• Ejercicio práctico: Crear un dashboard interactivo con Streamlit.

Encuentro 6: Análisis Exploratorio de Datos (EDA)

• Introducción a EDA: objetivos y metodología.
• Estadísticas descriptivas y visualización de patrones.
• Identificación de outliers y tendencias.
• Ejercicio práctico: Desarrollar un proyecto de EDA utilizando datos del sector AGRO.

MÓDULO 3: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

Objetivos del módulo:

• Comprender los fundamentos de machine learning (ML) y procesamiento del lenguaje natural (NLP).
• Introducir conceptos básicos de redes neuronales.
• Explorar aplicaciones prácticas de LLMs y Computer Vision.

Encuentro 7: Fundamentos de Machine Learning

• ¿Qué es machine learning? Supervisado vs. no supervisado.
• Conceptos básicos: entrenamiento, validación y prueba.
• Ejemplo práctico: Regresión lineal simple con Scikit-Learn.
• Ejercicio: Predecir rendimientos agrícolas utilizando ML básico.

Encuentro 8: Introducción a Redes Neuronales

• ¿Qué son las redes neuronales? Perceptrones y funciones de activación.
• Arquitectura básica de una red neuronal.
• Ejercicio práctico: Construir una red neuronal simple con Keras o TensorFlow.

Encuentro 9: Introducción a LLMs y Computer Vision

• ¿Qué son los LLMs? Aplicaciones prácticas.
• Introducción a Computer Vision: análisis de imágenes.
• Ejercicio práctico: Clasificar imágenes agrícolas utilizando una API de Computer Vision.

MÓDULO 4: IMPLEMENTACIÓN Y ÉTICA EN IA

Objetivos del módulo:

• Implementar soluciones en la nube.
• Introducir conceptos básicos de ética en IA.
• Evaluar el impacto social de las soluciones tecnológicas.

Encuentro 10: Implementación en AWS

• Introducción a AWS: servicios clave para análisis de datos e IA.
• Despliegue de un modelo de ML en AWS.
• Ejercicio práctico: Implementar un dashboard de análisis en AWS.

Encuentro 11: Ética en IA y AI for Social Good

• Introducción a la ética en IA: sesgos, transparencia y responsabilidad.
• Marco de trabajo: AI for Social Good.
• Caso de estudio: Impacto social de soluciones tecnológicas en el sector AGRO.

Proyecto Final

Las y los participantes desarrollarán un proyecto integrador que combine los conocimientos adquiridos en el curso. El proyecto deberá:

• Utilizar datos del sector AGRO.
• Incluir análisis exploratorio, visualización y un modelo de ML básico.
• Ser implementado en AWS.
• Evaluar el impacto ético y social de la solución propuesta.

Info adicional:

• Material Complementario: Se proporcionarán notebooks interactivos y datasets para la práctica continua fuera de los encuentros.

• Evaluación: Al finalizar cada módulo, se realizarán pequeños quizzes y desafíos prácticos para evaluar la comprensión y aplicación de los conceptos.

Este programa está diseñado para proporcionar una base sólida en Python, análisis de datos y diversas aplicaciones de Inteligencia Artificial, preparando a las y los participantes para profundizar en estos campos y aplicar los conocimientos en proyectos prácticos.

Certificación

Se otorgará certificado digital de asistencia, emitido por Universidad Tecnológica Nacional a través de la Facultad Regional Rosario.