Introducción a los modelos preentrenados

Este curso cubre la IA (con énfasis en Aprendizaje Automático y Aprendizaje Profundo) en la industria del automóvil. Ayuda a determinar qué tecnología puede ser utilizada (potencialmente) en múltiples situaciones dentro de un vehículo: desde automatización básica, reconocimiento de imágenes hasta toma de decisiones autónoma.

El estudio de los fundamentos de la inteligencia artificial revela cómo la tecnología inteligente transforma la estrategia digital, la automatización y la toma de decisiones en las operaciones empresariales. Se examinan conceptos clave que abarcan la historia de la IA, marcos de resolución de problemas, representación del conocimiento, razonamiento bajo incertidumbre y paradigmas de aprendizaje automático, junto con aspectos relacionados con la comunicación, la percepción y la acción autónoma. Orienta a ejecutivos y arquitectos para evaluar oportunidades de transformación impulsadas por la IA, analizar tendencias emergentes en tecnología e integrar soluciones inteligentes prácticas que aceleren la agilidad empresarial.

Esta formación en vivo impartida por un instructor en <ubic> (en línea o presencial) está dirigida a biólogos que desean comprender cómo funciona AlphaFold y utilizar sus modelos como guía en sus estudios experimentales.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los principios básicos de AlphaFold.
• Aprender cómo funciona AlphaFold.
• Aprender a interpretar las predicciones y resultados de AlphaFold.

La Red Neuronal Artificial es un modelo computacional de datos utilizado en el desarrollo de sistemas de Inteligencia Artificial (IA) capaces de realizar tareas «inteligentes». Las Redes Neuronales se utilizan comúnmente en aplicaciones de Aprendizaje Automático (Machine Learning, ML), las cuales constituyen una implementación específica de la IA. El Aprendizaje Profundo es un subconjunto del Aprendizaje Automático.

La Inteligencia Artificial Aplicada desde Cero en Python proporciona a los programadores y analistas de datos las técnicas fundamentales para construir soluciones de aprendizaje automático desde cero utilizando Python. Cubre los principios centrales del aprendizaje supervisado (clasificación y regresión), el aprendizaje no supervisado (agrupamiento y detección de anomalías) y arquitecturas avanzadas de redes neuronales. Examina métodos probados para trabajar con scikit-learn, Apache Spark MLlib y cuadernos de Jupyter en el desarrollo práctico de IA. Ayuda a los profesionales a implementar modelos prácticos de aprendizaje automático, evaluar las limitaciones de los algoritmos y completar proyectos aplicados para resolver problemas del mundo real.

Esta formación en vivo, guiada por un instructor en Bolivia (en línea o presencial), está dirigida a participantes con distintos niveles de experiencia que deseen aprovechar la plataforma AutoML de Google para construir chatbots personalizados para diversas aplicaciones.

Al final de esta formación, los participantes podrán:

• Comprender los fundamentos del desarrollo de chatbots.
• Navegar por Google Cloud Platform y acceder a AutoML.
• Preparar datos para entrenar modelos de chatbot.
• Entrenar y evaluar modelos de chatbot personalizados utilizando AutoML.
• Desplegar e integrar chatbots en diversas plataformas y canales.
• Monitorear y optimizar el rendimiento de los chatbots con el tiempo.

Esta formación en vivo impartida por un instructor en Bolivia (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar sofisticados modelos de visión utilizando Google Colab.

Al finalizar esta formación, los participantes serán capaces de:

• Construir y entrenar redes neuronales convolucionales (CNN) utilizando TensorFlow.
• Aprovechar Google Colab para el desarrollo escalable y eficiente de modelos en la nube.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Implementar modelos de visión por computadora para aplicaciones del mundo real.
• Utilizar el aprendizaje por transferencia para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de modelos de clasificación de imágenes.

Esta formación en vivo con instructor en Bolivia (en línea o presencial) proporciona una introducción al campo del reconocimiento de patrones y el aprendizaje automático. Aborda aplicaciones prácticas en estadística, informática, procesamiento de señales, visión por computadora, minería de datos y bioinformática.

Al finalizar esta capacitación, los participantes podrán:

• Aplicar métodos estadísticos básicos al reconocimiento de patrones.
• Utilizar modelos clave como redes neuronales y métodos de núcleo para el análisis de datos.
• Implementar técnicas avanzadas para la resolución de problemas complejos.
• Mejorar la precisión de las predicciones combinando diferentes modelos.

El Aprendizaje Profundo por Refuerzo (DRL, por sus siglas en inglés) combina los principios del aprendizaje por refuerzo con arquitecturas de aprendizaje profundo para permitir que los agentes tomen decisiones a través de la interacción con sus entornos. Es la base de muchos avances modernos en inteligencia artificial, como vehículos autónomos, control de robótica, negociación algorítmica y sistemas de recomendación adaptativos. El DRL permite a un agente artificial aprender estrategias, optimizar políticas y tomar decisiones autónomas basadas en la prueba y error mediante el aprendizaje por recompensas.

Esta formación impartida por un instructor (en línea o presencial) está dirigida a desarrolladores y científicos de datos de nivel intermedio que desean aprender y aplicar técnicas de Aprendizaje Profundo por Refuerzo para construir agentes inteligentes capaces de tomar decisiones autónomas en entornos complejos.

Al final de esta formación, los participantes serán capaces de:

• Comprender los fundamentos teóricos y los principios matemáticos del Aprendizaje por Refuerzo.
• Implementar algoritmos clave de RL, incluyendo Q-Learning, Gradientes de Política y métodos Actor-Crítico.
• Construir y entrenar agentes de Aprendizaje Profundo por Refuerzo utilizando TensorFlow o PyTorch.
• Aplicar el DRL a aplicaciones del mundo real, como videojuegos, robótica y optimización de decisiones.
• Resolver problemas, visualizar y optimizar el rendimiento del entrenamiento utilizando herramientas modernas.

Formato del curso

• Conferencia interactiva y discusión guiada.
• Ejercicios prácticos e implementaciones concretas.
• Demostraciones de codificación en vivo y aplicaciones basadas en proyectos.

Opciones de personalización del curso

• Para solicitar una versión personalizada de este curso (por ejemplo, utilizando PyTorch en lugar de TensorFlow), contáctenos para coordinar los detalles.

Esta formación en vivo impartida por un instructor en Bolivia (en línea o presencial) está dirigida a desarrolladores de nivel intermedio, científicos de datos y profesionales de la IA que deseen aprovechar TensorFlow Lite para aplicaciones de Edge AI.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los fundamentos de TensorFlow Lite y su papel en la Edge AI.
• Desarrollar y optimizar modelos de IA utilizando TensorFlow Lite.
• Implementar modelos de TensorFlow Lite en diversos dispositivos periféricos.
• Utilizar herramientas y técnicas para la conversión y optimización de modelos.
• Implementar aplicaciones prácticas de Edge AI usando TensorFlow Lite.

Kubeflow es una plataforma de código abierto diseñada para agilizar la construcción, entrenamiento e implementación de cargas de trabajo de aprendizaje automático (ML) en Kubernetes.

Esta formación en vivo impartida por un instructor (en línea o presencial) está dirigida a profesionales de nivel principiante a intermedio que desean construir flujos de trabajo de ML confiables utilizando Kubeflow.

Al finalizar esta formación, los asistentes adquirirán las siguientes habilidades:

• Navegar por el ecosistema de Kubeflow y sus componentes principales.
• Construir flujos de trabajo reproducibles con Kubeflow Pipelines.
• Ejecutar trabajos de entrenamiento escalables en Kubernetes.
• Servir modelos de aprendizaje automático de manera eficiente utilizando Kubeflow Serving.

Formato del curso

• Presentaciones guiadas y discusiones colaborativas.
• Prácticas de laboratorio con componentes reales de Kubeflow.
• Ejercicios prácticos para construir flujos de trabajo completos de ML.

Opciones de personalización del curso

• Se pueden organizar versiones personalizadas de esta formación para alinearse con el conjunto tecnológico y los requisitos de proyectos de tu equipo.

Esta formación en directo, impartida por un instructor, en Bolivia (en línea o presencial), está dirigida a analistas de datos de nivel intermedio que desean aprender a utilizar RapidMiner para estimar y proyectar valores, así como a emplear herramientas analíticas para la predicción de series temporales.

Al final de esta formación, los participantes serán capaces de:

• Aprender a aplicar la metodología CRISP-DM, seleccionar algoritmos de aprendizaje automático apropiados y mejorar la construcción y el rendimiento de los modelos.
• Utilizar RapidMiner para estimar y proyectar valores, y emplear herramientas analíticas para la predicción de series temporales.

Este curso comienza proporcionando conocimientos conceptuales sobre redes neuronales y, en general, sobre algoritmos de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones).

La Parte 1 (40%) de esta formación se enfoca más en los fundamentos, pero le ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

La Parte 2 (20%) de esta formación introduce Theano, una biblioteca de Python que facilita la escritura de modelos de aprendizaje profundo.

La Parte 3 (40%) de la formación se basará ampliamente en TensorFlow, la API de la biblioteca de código abierto de Google para el Aprendizaje Profundo. Los ejemplos y las prácticas se realizarán todos en TensorFlow.

Audiencia

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de Aprendizaje Profundo.

Después de completar este curso, los participantes:

• tendrán una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN
• entenderán la estructura y los mecanismos de implementación de TensorFlow
• podrán realizar tareas e instalación / entorno de producción / arquitectura y configuración
• podrán evaluar la calidad del código, realizar depuración y monitoreo
• podrán implementar características avanzadas de producción como entrenamiento de modelos, construcción de grafos y registro de eventos (logging)

Esta formación en vivo dirigida por un instructor en Bolivia (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen explorar las técnicas XAI de última generación para modelos de aprendizaje profundo, con un enfoque en la construcción de sistemas de IA interpretables.

Al final de esta formación, los participantes podrán:

• Comprender los desafíos de la explicabilidad en el aprendizaje profundo.
• Implementar técnicas XAI avanzadas para redes neuronales.
• Interpretar las decisiones tomadas por los modelos de aprendizaje profundo.
• Evaluar las compensaciones entre rendimiento y transparencia.