Curso 1: Fundamentos de Aprendizaje Automático

Prerrequisitos

• Conocimientos básicos de Python (variables, tipos de datos, estructuras de control, funciones).
• Familiaridad con el uso de Jupyter Notebooks.
• Conocimientos básicos de álgebra lineal y estadística.

Instructor: Kevin Rojas

Matemático por la USFQ, con una Maestría en Ciencia de Datos y otra en curso en Inteligencia Artificial. Además, cuenta con una Maestría en Economía. Ha sido docente en la USFQ, ESPE, PUCE y UCE, impartiendo clases que combinan teoría y práctica en ciencia de datos. En el sector financiero, ha trabajado en la Junta de Política y Regulación Financiera y en el Banco Diners Club, implementando soluciones basadas en datos. Como consultor, ha asesorado a diversas organizaciones nacionales e internacionales en estadística y análisis de datos. Actualmente, además de la docencia, es CTO de Relatividad IA, donde lidera la implementación de soluciones de inteligencia artificial para empresas. Su enfoque educativo y profesional se centra en traducir conceptos complejos en aplicaciones prácticas, inspirando a sus estudiantes y clientes a aprovechar el poder del análisis de datos y la inteligencia artificial.

Curso 2: Datos secuenciales

Prerrequisitos

• Conocimientos básicos de Python (variables, tipos de datos, estructuras de control, funciones).
• Familiaridad con el uso de Jupyter Notebooks.
• Conocimientos básicos de álgebra lineal y probabilidad.
• Conocimientos básicos de PyTorch (deseable, pero no obligatorio).

Instructora: Katherine Morales

Ingeniera Matemática por la Escuela Politécnica Nacional y master en Ciencia de Datos por École Polytechnique – Francia. Actualmente está culminando su doctorado Télécom SudParis-Francia en el tema: Modelos de Markov generalizados para aprendizaje en datos secuenciales. Su área de estudio son los modelos probabilísticos y técnicas de aprendizaje profundo para aprendizaje supervisado, no supervisado y semi-supervisado para datos secuenciales. Cuenta con experiencia como científica de datos, consultora independiente y capacitadora de la Escuela Politécnica Nacional, la Sociedad Ecuatoriana de Estadística y de la Universidad de los Hemisferios, en temas de aprendizaje supervisado, no supervisado, analítica de datos y manejo de bases de datos.

Curso 3: NLP

Prerrequisitos

• Conocimientos básicos de Python y machine learning.

Instructor: Ana Julia Escobar

Curso 4: Procesamiento de Imágenes

Prerrequisitos

• Conocimientos básicos de Python.
• Familiaridad con conceptos básicos de álgebra lineal y cálculo.

Instructor: Andrés Merino

Profesor Agregado I en la Pontificia Universidad Católica del Ecuador y Coordinador de la Escuela de Ciencias Físicas y Matemática. Su formación académica integra el título de Matemático de la Escuela Politécnica Nacional con distinción Summa Cum Laude, y es ampliada a través de una Maestría en Matemáticas Puras y Aplicadas por la Universidad Central del Ecuador y un Máster Universitario de Ciencia de Datos por la Universitat Oberta de Catalunya. Ha dedicado su carrera a la docencia y la investigación. En este último, colabora en las áreas de la Teoría Descriptiva de Conjuntos, Fundamentos de la Matemática, Educación Matemática y Ciencia de Datos. Ha aportado conocimientos y avances mediante publicaciones en revistas científicas y participación en congresos nacionales e internacionales. Sus contribuciones incluyen estudios sobre la Derivada de Cantor-Bendixson, Modelos de aprendizaje automático para análisis de datos e imágenes y Técnicas innovadoras para la enseñanza de la Matemática.