Aprendizaje de refuerzo profundo con Python

Este curso abarca la IA (con énfasis en Machine Learning y Deep Learning) en la industria automotriz. Ayuda a determinar qué tecnologías pueden (potencialmente) utilizarse en múltiples situaciones dentro de un automóvil: desde automatización simple y reconocimiento de imágenes hasta toma de decisiones autónomas.

Al explorar los fundamentos de la inteligencia artificial, se revela cómo la tecnología inteligente está transformando la estrategia digital, la automatización y la toma de decisiones en las operaciones empresariales. Se examinan conceptos centrales 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. Este contenido guía a ejecutivos y arquitectos para evaluar oportunidades de transformación impulsadas por la IA, analizar tendencias emergentes en tecnología e integrar soluciones prácticas e inteligentes que aceleren la agilidad empresarial.

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 Neurales se utilizan comúnmente en aplicaciones de Aprendizaje Automático (ML), que son una implementación de la IA. El Aprendizaje Profundo es un subconjunto del ML.

El curso de Inteligencia Artificial Aplicada desde Cero en Python proporciona a programadores y analistas de datos las técnicas fundamentales para desarrollar soluciones de aprendizaje automático desde cero utilizando Python. Aborda los principios básicos del aprendizaje supervisado (clasificación y regresión), 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 Jupyter en el desarrollo práctico de IA. Ayuda a los profesionales a implementar modelos de aprendizaje automático funcionales, evaluar las limitaciones de los algoritmos y completar proyectos aplicados para resolver problemas del mundo real.

Esta formación en vivo y dirigida por instructores en Uruguay (en línea o presencial) ofrece una introducción al campo del reconocimiento de patrones y el aprendizaje automático. Se abordan aplicaciones prácticas en estadística, informática, procesamiento de señales, visión por computadora, minería de datos y bioinformática.

Al finalizar esta formación, los participantes serán capaces de:

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

Esta formación en vivo, impartida por un instructor, en Uruguay (en línea o presencial), está dirigida a ingenieros de aprendizaje automático y investigadores de IA de nivel avanzado que desean aplicar RLHF para optimizar grandes modelos de IA, logrando un rendimiento superior, mayor seguridad y una mejor alineación.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos teóricos del RLHF y entender por qué es esencial en el desarrollo de la inteligencia artificial moderna.
• Implementar modelos de recompensa basados en retroalimentación humana para guiar los procesos de aprendizaje por refuerzo.
• Realizar ajustes finos a grandes modelos de lenguaje utilizando técnicas de RLHF para alinear las salidas con las preferencias humanas.
• Aplicar las mejores prácticas para escalar flujos de trabajo de RLHF en sistemas de inteligencia artificial listos para producción.

Esta formación en vivo dirigida por un instructor en Uruguay (en línea o presencial) está orientada a científicos de datos de nivel intermedio que desean adquirir una comprensión integral y habilidades prácticas tanto en Modelos de Lenguaje Grande (LLM) como en Aprendizaje por Refuerzo (RL).

Al finalizar esta formación, los participantes podrán:

• Comprender los componentes y la funcionalidad de los modelos transformadores.
• Optimizar y ajustar finamente (fine-tune) LLM para tareas y aplicaciones específicas.
• Comprender los principios y metodologías fundamentales del aprendizaje por refuerzo.
• Aprender cómo las técnicas de aprendizaje por refuerzo pueden mejorar el rendimiento de los LLM.

Esta formación en vivo, impartida por un instructor en Uruguay (en línea o presencial), está dirigida a profesionales de nivel avanzado que desean profundizar su comprensión del aprendizaje por refuerzo y sus aplicaciones prácticas en el desarrollo de IA utilizando Google Colab.

Al finalizar esta formación, los participantes podrán:

• Comprender los conceptos fundamentales de los algoritmos de aprendizaje por refuerzo.
• Implementar modelos de aprendizaje por refuerzo utilizando TensorFlow y OpenAI Gym.
• Desarrollar agentes inteligentes que aprendan mediante prueba y error.
• Optimizar el rendimiento de los agentes utilizando técnicas avanzadas como Q-learning y redes neuronales profundas Q (DQNs).
• Entrenar agentes en entornos simulados utilizando OpenAI Gym.
• Desplegar modelos de aprendizaje por refuerzo para aplicaciones del mundo real.

Este curso comienza proporcionándote conocimientos conceptuales sobre redes neuronales y, en general, sobre algoritmos de aprendizaje automático (machine learning), así como sobre el aprendizaje profundo (deep learning) tanto en sus algoritmos como en sus aplicaciones.

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

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 extensamente 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.

Público objetivo

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de aprendizaje profundo.

Al completar este curso, los participantes:

• tendrán una buena comprensión de las redes neuronales profundas (DNN), las CNN y las RNN
• entenderán la estructura y los mecanismos de implementación de TensorFlow
• podrán realizar tareas de instalación, configuración de entornos de producción y arquitectura
• serán capaces de evaluar la calidad del código, realizar depuración y monitoreo
• podrán implementar prácticas avanzadas de producción, como entrenar modelos, construir grafos y registrar registros (logging)

Esta formación en vivo, impartida por un instructor, en <ubicación> (en línea o presencial), está dirigida a profesionales de nivel avanzado que deseen explorar las técnicas de IA Explicable (XAI) de vanguardia para modelos de aprendizaje profundo, con un enfoque en la construcción de sistemas de inteligencia artificial interpretables.

Al finalizar esta formación, los participantes podrán:

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