Ponte en Contacto

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

Número de participantes


Precio por participante

Reseñas (2)

Próximos cursos

Categorías Relacionadas