Unidad 1.

Conceptos fundamentales de inteligencia artificial: Aprendizaje automático. Aprendizaje supervisado, no supervisado y por refuerzo. Aprendizaje profundo (Deep learning). Tipos de inteligencia artificial: Visión por computadora (modelos de clasificación, detección, segmentación,pose). Modelos generativos (LLM). Equipamientos necesarios para el uso y entrenamiento de modelos de IA. Procesamiento en CPU vs GPU.

Unidad 2.

Redes neuronales. Historia de las Redes Neuronales. Perceptrón. Componentes de una red neuronal.
Funciones de Activación. Funciones de optimización. Redes neuronales Convolucionales (CNNs).
Componentes de una CNN: convolución, pooling, flatten, capas fully-connected, dropout, batchnormalization.
Redes CNN para clasificación-detección-segmentación y pose. Red YOLO.
TransferLearning. Data augmentation. Aplicación en el análisis de imágenes médicas.

Unidad 3.

Inteligencia artificial generativa:Transformers. Modelos de lenguajes extensos (LLM). Open AI ChatGPT/gpt-oss, Google Gemini/Gemma, XAI Grok, Meta LLAMA, Microsoft Phi, Alibaba Qwen, DeepSeek, Mooshot-Kimi K2, ZAI-glm. Concepto de token. Métodos de tokenización.Parámetros para controlar la selección de tokens: Temperatura, top-K y top-P. LLM optimizados para ciencias de
la salud: Med-PALM2 (Med-Gemini).

Unidad 4.

Trabajando con IA generativa: Ingeniería de prompt. Modelos de IA aplicados a Ia investigación en ciencias de las Salud: AI2, Co-STORM, Research Rabbit, Semanthic Schollar, AI- Researcher, Google HAI-DEF, Alpha-Fold. Alpha- Genome, Cell2Sentence.
Unidad 5. Trabajando con LLM’S de IA en forma local y remota. Introducción al manejo de software necesario para la instalación y entrenamiento de modelos de inteligencia artificial en medio local:
Ollama, Anything LLM, LM Studio, Gpt4All, Anaconda( Phyton, Jupiter Notebooks). Edge computing:
SBC (Raspberry Pi, Arduino Q). Descarga, instalación y configuración de diferentes modelos Open
source de forma local. Introducción al uso de base de datos vectoriales y diferentes estrategias para dar contexto a un LLM. RAG. Modelos con capacidades de Agente: Memoria a largo plazo, visualizar y resumir documentos. Extracción de datos de sitios web (scrape websites).

Unidad 6.

IA en salud Desafíos y Perspectiva. Interfaz de Programación de Aplicaciones (API). Protocolo de Contexto Modelo (MCP). Aplicaciones para creación de flujos de trabajo con IA sin programación (N8N-Latenode). Aplicaciones para instalación de diferentes modelos de IA en forma local : Pinokio.
Reflexión final: Modelo de médico Centauro- Cyborg.