Fecha: 1 de Junio de 2026
Docentes: Ignacio Bosch, Reyna Der Boghosian, Lucia Covarrubias y Natalia Torrente
Días y horarios: Las clases sincrónicas se dictarán los lunes de 9:30 a 12:30 hs.
Las clases sincrónicas quedarán grabadas en el campus para su consulta durante el curso. Las clases grabadas no podrán descargarse, sólo estarán disponibles en la plataforma.
Duración: 5 semanas
Introducción
Desde los inicios de la inteligencia artificial, los científicos han encontrado en el sentido de la vista una fuente de inspiración esencial. Este interés ha dado lugar al desarrollo de un campo específico dentro del aprendizaje automático: la visión por computadora, un área que hoy en día está profundamente ligada a diversas aplicaciones industriales de gran impacto.
Visión
La inteligencia artificial (Artificial Intelligence) es la capacidad que tienen las máquinas para pensar por sí mismas. La inteligencia artificial se demuestra cuando una máquina puede realizar una tarea, antes realizada por un ser humano y que se considera que requiere la capacidad de aprender, razonar y resolver problemas. Un buen ejemplo es un vehículo autónomo. El vehículo puede percibir su entorno y tomar decisiones para llegar a su destino de manera segura y sin intervención humana.
Propuesta
Este curso proporciona una base sólida en Machine Learning (ML) y Visión Artificial, desde los conceptos básicos hasta la implementación práctica. Los participantes aprenderán a desarrollar modelos de ML y soluciones para el reconocimiento de imágenes, detección de objetos y procesamiento de imágenes utilizando herramientas y librerías populares como TensorFlow, PyTorch y OpenCV.
El curso tiene un enfoque práctico y participativo. Busca incentivar el ámbito de reflexión e intercambio de ideas entre los participantes. Al mismo tiempo, promueve un entorno dinámico de aprendizaje, que busca cubrir las necesidades e inquietudes; teniendo presente los perfiles de los participantes.
Objetivo
• Entender los fundamentos del Machine Learning: Comprender los diferentes tipos de aprendizaje (supervisado, no supervisado y por refuerzo).
• Aplicar técnicas de Visión Artificial: Implementar algoritmos de procesamiento de imágenes, clasificación, segmentación y detección de objetos.
• Manejo de datos de imágenes: Preparar datos para entrenar modelos efectivos.
• Implementar redes neuronales: Desarrollar y entrenar redes neuronales convolucionales (CNN) para tareas de visión artificial.
• Optimización y evaluación de modelos: Evaluar el rendimiento y optimizar los modelos para mejorar su precisión y eficiencia.
• Despliegue de modelos: Implementar modelos en aplicaciones reales utilizando frameworks modernos.
Destinatarios
• Desarrolladores interesados en aplicar modelos predictivos de Machine Learning.
• Estudiantes y profesionales de ciencias de la computación, ingeniería y áreas afines.
• Investigadores y técnicos que deseen aprender a construir soluciones de procesamiento de imágenes.
• Entusiastas de la inteligencia artificial que buscan profundizar en aplicaciones prácticas orientadas a la visión artificial.
Requisitos:
• Programación básica: lenguajes de alto nivel. Preferentemente en Python.
• Conocimientos generales de álgebra y cálculo: Conceptos básicos de matrices y derivadas.
• Familiaridad con herramientas de desarrollo de software: Entornos de desarrollo y manejo de set de datos.
• Computadora con GPU (opcional): Recomendado para entrenar modelos más rápidamente.
Contenidos
Modulo 1: Fundamentos de Machine Learning y Visión Artificial
• Introducción al Machine Learning: tipo de aprendizajes, métricas, criterios de selección.
• Conceptos básicos de Visión Artificial: píxeles, color, histograma de imágenes.
• Herramientas y librerías clave: Python, OpenCV, TensorFlow, PyTorch.
• Preprocesamiento de imágenes y manejo de datasets.
Modulo 2: Redes Neuronales y Modelos de Clasificación de Imágenes
• Introducción a las redes neuronales: conceptos básicos.
• Introducción a las redes neuronales convolucionales (CNN): convolución, pooling, data augmentation.
• Arquitectura de CNN y sus componentes.
• Implementación de un modelo de clasificación simple usando TensorFlow/PyTorch.
• Evaluación de modelos: criterios de selección, métricas y monitoreo.
Modulo 3: Transfer Learning y Mejora de Modelos
• Concepto y beneficios del Transfer Learning.
• Uso de modelos pre-entrenados (ResNet, MobileNet, etc.).
• Ajuste fino (fine-tuning) de modelos para datos personalizados.
• Estrategias de regularización y mejora de rendimiento.
Modulo 4: Detección y Segmentación de Objetos
• Técnicas de detección de objetos: YOLO, SSD, Faster R-CNN.
• Implementación de un modelo de detección de objetos con TensorFlow o PyTorch.
• Introducción a la segmentación de imágenes.
Modulo 5: Despliegue y Proyecto Final
• Despliegue de modelos en aplicaciones web o móviles.
• Creación de APIs para servir modelos de visión artificial.
• Proyecto final: Desarrollo de una solución de visión artificial que combine clasificación y detección de objetos.
• Evaluación y presentación del proyecto final.
Modalidad de cursada
Las clases se desarrollarán en modalidad virtual con encuentros sincrónicos semanales, a través del campus de SADIO.
La metodología de trabajo será teórico-práctica.
Se pone a disposición, material audiovisual en donde se explica el contenido teórico.
Lectura de material obligatorio.
Modalidad de aprobación
Asistencia de 80% de los encuentros sincrónicos
Aprobación del ejercicio final individual, o en grupo, de aplicación de los contenidos aprendidos.
Formulario de inscripción: https://forms.gle/3QT7yygGyowQWyNJA
Aranceles
Inscripción temprana (hasta el 25 de Mayo de 2026)
* AR$ 159.000.- (para nacionales)
* USD 136.- (para extranjeros)
Inscripción tardía (desde el 26 de Mayo de 2026)
* AR$ 175.000.- (para nacionales)
* USD 150.- (para extranjeros)
50% Descuento para socios de SADIO (con 12 meses de antigüedad)
Los socios de AADECA gozan de los mismos derechos que los socios de SADIO
Medios de pago disponibles:
– Pago por Transferencias Bancarias (solo para residentes en Argentina) a:
NUEVA CUENTA BANCARIA
SANTANDER PESOS
Razón Social A SADIO SOC ARG DE INF E INV O
CUIT/CUIL 30649312180
Cta Cte en Pesos 029-040893/4
CBU 0720029820000004089340
Alias SOCIEDAD.SADIO
– Pago con Tarjeta de crédito/débito (Visa o Master). Solicitar el botón de pago correspondiente a informacion@sadio.org.ar
Es posible pagar en cuotas con interés. Consulte.
– PAYPAL (para extranjeros). Solicite el link de pago.
¡Cupos limitados! Reserva tu vacante con el pago de tu inscripción
Antecedentes de los docentes:
Reyna Der Boghosian:
Ingeniera en computación graduada de la Universidad de la República (UdelaR) en Uruguay, con una maestría en el Programa de Desarrollo de las Ciencias Básicas (PEDECIBA). A lo largo de su carrera, ha participado en diversos proyectos de investigación aplicados, con un enfoque en tecnologías emergentes como Blockchain, Go, Rust e Inteligencia Artificial.
Ignacio Bosch:
Bioingeniero recibido en la Universidad de Mendoza, donde también es profesor adjunto de Inteligencia Artificial. Está doctorando en Ciencia y Tecnología, en la Facultad de Ciencias Exactas y Naturales de la UNCuyo, Mendoza. Trabaja en investigación y desarrollo de nuevas tecnologías, asociadas a temáticas de inteligencia artificial.
Ciro E. Romero:
Es Técnico en Automatización y Robótica (INSPT-UTN), especializado en Internet de las Cosas (FIUBA). Docente de la Universidad Nacional de Quilmes. Es Líder de proyectos de investigación y desarrollo. Presidente de la Comisión de Jóvenes Profesionales de AADECA.
Bibliografía
• «Deep Learning» – Ian Goodfellow, Yoshua Bengio y Aaron Courville
• «Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow» – Aurélien Géron
• «Pattern Recognition and Machine Learning» – Christopher M. Bishop
• «Learning OpenCV 4: Computer Vision with Python» – Joseph Howse, Gary Bradski
• “The hundred-page machine learning book (Vol. 1, p. 32)” – Quebec City, QC, Canada: Andriy Burkov.