.png)
-
Introducir conceptos fundamentales de optimización convexa y no convexa.
-
Comprender la geometría de los conjuntos convexos y su rol en la formulación de modelos.
-
Aplicar métodos de optimización a problemas típicos de machine learning supervisado y no supervisado.
-
Implementar técnicas de minimización para el entrenamiento de modelos predictivos.
-
Desarrollar competencias en regularización, robustez y generalización de modelos.
-
Comprender la relación entre teoría de optimización y algoritmos modernos de IA (p. ej., descenso por gradiente estocástico).
Profesionales y empresas
Que buscan dominar herramientas de IA, automatización y analítica avanzada.
​
Estudiantes y egresados
Que desean actualizar sus conocimientos y acceder a oportunidades laborales.
​
Equipos corporativos
Que requieren formación estratégica para impulsar la transformación digital
Curso: Optimización Matemática para Inteligencia Artificial y Ciencia de Datos
Fundamentos de geometría convexa y separación
-
Conjuntos convexos: definición formal y propiedades.
-
Envolventes convexas y su uso en modelos lineales.
-
Teoremas de separación de conjuntos convexos.
-
Hiperplanos de soporte.
-
Introducción a márgenes y clasificación binaria.
Aplicaciones: Clasificación lineal, formulación de problemas de ML, fundamentos de SVM.
Resultados del curso
Al finalizar el curso, los participantes serán capaces de
Pensamiento analítico: capacidad para interpretar datos y encontrar patrones.
Resolución de problemas: aplicar métodos basados en datos para tomar decisiones.
Comunicación efectiva: transformar información compleja en conclusiones claras.
Trabajo en equipo: colaborar en proyectos de análisis y presentar resultados.
Aprendizaje continuo: adaptarse a nuevas herramientas y tendencias en datos.
Instructor del Curso
Antonio Murillo Reyes
Economista/Data Science.
​Máster en Econometría (Univ. Torcuato Di Tella - Argentina), MBA en Administración de Empresas (UCB – Bolivia) y Posgrado en IA y Ciencia de Datos (UNC-Argentina). Especializado en análisis Macroeconómico y Modelación Econométrica. Fue Analista Senior en el Banco Central de Bolivia. Docente de postgrado en Econometría y Machine Learning en posgrados en Bolivia y Ecuador..
Metodología de Enseñanza
Aprendizaje práctico
Basamos nuestra enseñanza en proyectos reales que reflejan los desafíos cotidianos de las empresas
Plataformas interactivas
Utilizamos simuladores y herramientas digitales que facilitan la comprensión de conceptos complejos
Evaluación continua
Medimos constantemente el impacto para ajustar metodologías y optimizar resultados
Cursos relacionados
.webp)
.png)
Certificación
Diploma digital verificable a través del sistema de verificación de autenticidad.
Certificados extendidos por la Secretaría de Cultura y Extensión Instituto Deep Quantics Bolivia.
PREGUNTAS FRECUENTES
Resuelve tus dudas al instante
¿Por que Deep Quantics?