Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
1. Introducción a la Ingeniería de IA
- ¿Qué es la Ingeniería de IA?
- IA frente al Aprendizaje Automático frente al Aprendizaje Profundo
- Ciclo de vida de la Ingeniería de IA
- Aplicaciones de la IA en diversas industrias
- Roles y responsabilidades de un ingeniero de IA
2. Fundamentos de la Inteligencia Artificial
- Conceptos clave y terminología de la IA
- Aprendizaje supervisado, no supervisado y por refuerzo
- Fundamentos de las redes neuronales y el aprendizaje profundo
- Visión general de la IA generativa y los modelos fundacionales
- Ecosistemas y marcos de trabajo para el desarrollo de IA
3. Python para la Ingeniería de IA
- Bibliotecas esenciales de Python para IA
- NumPy, Pandas y Matplotlib
- Manipulación y visualización de datos
- Trabajo con cuadernos Jupyter
- Escritura de código reutilizable para IA
4. Preparación de datos para la IA
- Recolección y comprensión de conjuntos de datos
- Limpieza y preprocesamiento de datos
- Ingeniería de características
- Escala y normalización de características
- División de conjuntos de datos en entrenamiento, validación y pruebas
- Gestión de valores faltantes y valores atípicos
5. Fundamentos del Aprendizaje Automático (Machine Learning)
- Algoritmos de regresión
- Algoritmos de clasificación
- Técnicas de agrupamiento (clustering)
- Ciclo de trabajo de entrenamiento del modelo
- Métricas de evaluación del modelo
- Prevención del sobreajuste y el subajuste
6. Construcción de modelos de IA con TensorFlow y PyTorch
- Introducción a TensorFlow
- Introducción a PyTorch
- Creación de redes neuronales
- Entrenamiento y validación del modelo
- Guardado y carga de modelos
- Comparativa entre ambos marcos de trabajo
7. Fundamentos del Procesamiento de Lenguaje Natural (NLP)
- Preprocesamiento de texto
- Representaciones vectoriales de palabras (word embeddings)
- Clasificación de texto
- Análisis de sentimiento
- Introducción a los modelos Transformer
- Aplicaciones prácticas del NLP
8. IA en el Desarrollo de Software
- Integración de IA en aplicaciones existentes
- Llamada a servicios de IA mediante APIs
- Desarrollo de aplicaciones potenciadas por IA
- Herramientas de desarrollo de software asistido por IA
- Pruebas de aplicaciones habilitadas para IA
9. Mejores prácticas de Ingeniería de IA
- Organización del proyecto
- Control de versiones con Git
- Seguimiento de experimentos
- Versionado de modelos
- Estándares de documentación
- Reproducibilidad en proyectos de IA
10. Implementación de modelos de IA
- Serialización de modelos
- Construcción de servicios de inferencia
- APIs REST para modelos de IA
- Introducción a Docker para el despliegue de IA
- Monitoreo de modelos desplegados
- Mantenimiento y actualización de modelos
11. Ingeniería de datos para IA
- Pipelines de datos
- Procesos ETL (Extract, Transform, Load)
- Gestión de datos estructurados y no estructurados
- Opciones de almacenamiento de datos
- Gestión de la calidad de los datos
- Preparación de conjuntos de datos listos para producción
12. IA responsable y ética
- Sesgo e imparcialidad en la IA
- IA explicable (XAI)
- Privacidad y protección de datos
- Consideraciones de seguridad en la IA
- Desarrollo responsable de IA
- Consideraciones regulatorias y de gobernanza
13. Gestión de proyectos de IA
- Ciclo de vida de un proyecto de IA
- Metodologías ágiles para proyectos de IA
- Colaboración entre equipos técnicos y de negocio
- Estimación de proyectos de IA
- Gestión de riesgos
- Medición del éxito del proyecto
14. Taller práctico de Ingeniería de IA y tendencias futuras
- Configuración de un flujo de trabajo completo de desarrollo de IA
- Construcción de un proyecto de machine learning de extremo a extremo
- Entrenamiento y evaluación de un modelo utilizando TensorFlow o PyTorch
- Implementación de una aplicación simple de IA
- Tendencias actuales en Ingeniería de IA
- IA generativa y Modelos de Lenguaje Grande (LLMs)
- MLOps y automatización de la IA
- Vías profesionales y aprendizaje continuo
- Resumen, preguntas y respuestas, y próximos pasos
Requerimientos
- Comprensión de conceptos básicos de programación
- Experiencia con el lenguaje de programación Python
- Familiaridad con estadística básica y álgebra lineal
Audiencia
- Ingenieros de IA
- Desarrolladores de software
- Analistas de datos
14 Horas
Reseñas (2)
La amplia selección de herramientas presentadas
Miruna Buzduga - Aeronamic Eastern Europe
Curso - AI Enablement Training for Engineers
Traducción Automática
Formación paso a paso con muchos ejercicios. Fue como un taller y estoy muy contento con eso.
Ireneusz - Inter Cars S.A.
Curso - Intelligent Applications Fundamentals
Traducción Automática