Aprendizaje automático y análisis predictivo 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.

Esta formación en vivo, impartida por instructores en Uruguay (en línea o presencial), está dirigida a biólogos que desean comprender el funcionamiento de AlphaFold y utilizar sus modelos como guía en sus estudios experimentales.

Al finalizar esta formación, los participantes podrán:

• 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 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 impartida por un instructor en Uruguay (en línea o presencial) está dirigida a participantes con distintos niveles de experiencia que desean aprovechar la plataforma AutoML de Google para construir chatbots personalizados en diversas aplicaciones.

Al finalizar 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 chatbots.
• Entrenar y evaluar modelos personalizados de chatbots utilizando AutoML.
• Implementar e integrar chatbots en diversas plataformas y canales.
• Supervisar y optimizar el rendimiento del chatbot a lo largo del tiempo.

Esta formación en vivo con instructivo en Uruguay (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) usando 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.
• Desplegar modelos de visión por computadora para aplicaciones del mundo real.
• Utilizar el aprendizaje por transferencia (transfer learning) para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de los modelos de clasificación de imágenes.

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.

El Aprendizaje por Refuerzo Profundo (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 su entorno. Esta disciplina sustenta numerosos 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 el ensayo y error mediante el aprendizaje por recompensas.

Esta capacitación en vivo 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 por Refuerzo Profundo para construir agentes inteligentes capaces de tomar decisiones autónomas en entornos complejos.

Al finalizar esta capacitación, los participantes serán capaces de:

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

Formato del Curso

• Conferencia interactiva y discusión guiada.
• Ejercicios prácticos e implementaciones a mano.
• 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 coordinarlo.

Esta formación en vivo con instrucción en Uruguay (en línea o en sitio) está dirigida a desarrolladores de nivel intermedio, científicos de datos y profesionales de la inteligencia artificial que desean aprovechar TensorFlow Lite para aplicaciones de IA en el borde.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos de TensorFlow Lite y su papel en la IA en el borde.
• Desarrollar y optimizar modelos de inteligencia artificial 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 IA en el borde utilizando TensorFlow Lite.

Kubeflow es una plataforma de código abierto diseñada para simplificar la creación, entrenamiento y despliegue de cargas de trabajo de aprendizaje automático en Kubernetes.

Esta formación práctica, impartida por instructores (en línea o presencial), está dirigida a profesionales principiantes e intermedios que deseen construir flujos de trabajo de ML fiables utilizando Kubeflow.

Al completar esta formación, los asistentes adquirirán las siguientes competencias:

• Navegar por el ecosistema de Kubeflow y sus componentes principales.
• Crear flujos de trabajo reproducibles con Kubeflow Pipelines.
• Ejecutar tareas de entrenamiento escalables en Kubernetes.
• Desplegar modelos de aprendizaje automático de manera eficiente mediante Kubeflow Serving.

Formato del curso

• Presentaciones guiadas y discusiones colaborativas.
• Laboratorios prácticos 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 adaptarse al stack tecnológico y a los requisitos de proyecto de tu equipo.

Esta formación en vivo con instructor en Uruguay (en línea o presencial) está dirigida a analistas de datos de nivel intermedio que desean aprender a usar RapidMiner para estimar y proyectar valores, así como aprovechar herramientas analíticas para la previsión de series temporales.

Al finalizar esta formación, los participantes serán capaces de:

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

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.