Cursos de Aprendizaje profundo en Uruguay

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.

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 con instructor en Uruguay (en línea o presencial) está dirigida a científicos de datos y desarrolladores de nivel intermedio que desean comprender y aplicar técnicas de aprendizaje profundo utilizando el entorno de Google Colab.

Al finalizar esta formación, los participantes podrán:

• Configurar y navegar por Google Colab para proyectos de aprendizaje profundo.
• Comprender los fundamentos de las redes neuronales.
• Implementar modelos de aprendizaje profundo utilizando TensorFlow.
• Entrenar y evaluar modelos de aprendizaje profundo.
• Utilizar funciones avanzadas de TensorFlow para el aprendizaje profundo.

Esta formación en vivo con instructor en Uruguay (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean especializarse en técnicas de vanguardia de aprendizaje profundo para CLN.

Al finalizar esta formación, los participantes podrán:

• Comprender las diferencias clave entre los modelos de CLN y PLN.
• Aplicar técnicas avanzadas de aprendizaje profundo a tareas de CLN.
• Explorar arquitecturas profundas como los transformadores y los mecanismos de atención.
• Aprovechar las tendencias futuras en CLN para construir sistemas de IA sofisticados.

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.

Esta formación en vivo, impartida por instructores, se lleva a cabo en Uruguay (en línea o presencial), y está dirigida a científicos de datos, ingenieros de aprendizaje automático, investigadores de aprendizaje profundo y expertos en visión por computadora de nivel intermedio a avanzado que deseen ampliar sus conocimientos y habilidades en el uso del aprendizaje profundo para la generación de imágenes a partir de texto.

Al finalizar esta formación, los participantes podrán:

• Comprender las arquitecturas y técnicas avanzadas de aprendizaje profundo para la generación de imágenes a partir de texto.
• Implementar modelos complejos y optimizaciones para la síntesis de imágenes de alta calidad.
• Optimizar el rendimiento y la escalabilidad para conjuntos de datos grandes y modelos complejos.
• Afinar los hiperparámetros para mejorar el rendimiento del modelo y su capacidad de generalización.
• Integrar Stable Diffusion con otros marcos de trabajo y herramientas de aprendizaje profundo

Esta formación en vivo con instructor en Uruguay (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean aprovechar las técnicas de IA para revolucionar los procesos de descubrimiento y desarrollo de fármacos.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender el papel de la IA en el descubrimiento y desarrollo de fármacos.
• Aplicar técnicas de aprendizaje automático para predecir propiedades e interacciones moleculares.
• Utilizar modelos de aprendizaje profundo para el cribado virtual y la optimización de candidatos a fármacos (lead optimization).
• Integrar enfoques impulsados por IA en el proceso de ensayos clínicos.

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.

Esta formación práctica, impartida por un instructor, en Uruguay (en línea o presencial), está dirigida a científicos de datos e ingenieros de aprendizaje automático de nivel principiante a intermedio que desean mejorar el rendimiento de sus modelos de aprendizaje profundo.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los principios del aprendizaje profundo distribuido.
• Instalar y configurar DeepSpeed.
• Escalar modelos de aprendizaje profundo en hardware distribuido utilizando DeepSpeed.
• Implementar y experimentar con las características de optimización y eficiencia de memoria de DeepSpeed.

Esta formación en vivo impartida por un instructor en Uruguay (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que deseen utilizar Modelos de Lenguaje Grande para diversas tareas de lenguaje natural.

Al finalizar esta capacitación, los participantes podrán:

• Configurar un entorno de desarrollo que incluya un LLM popular.
• Crear un LLM básico y ajustarlo finamente sobre un conjunto de datos personalizado.
• Utilizar LLM para diferentes tareas de lenguaje natural, como resúmenes de texto, respuesta a preguntas, generación de texto y más.
• Depurar y evaluar LLM mediante herramientas como TensorBoard, PyTorch Lightning y Hugging Face Datasets.

Esta formación en vivo, impartida por un instructor (en línea o presencial), está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores en visión por computadora que deseen aprovechar Stable Diffusion para generar imágenes de alta calidad para una variedad de casos de uso.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los principios de Stable Diffusion y cómo funciona para la generación de imágenes.
• Construir y entrenar modelos de Stable Diffusion para tareas de generación de imágenes.
• Aplicar Stable Diffusion a diversos escenarios de generación de imágenes, como inpintura (inpainting), outpainting y traducción de imagen a imagen.
• Optimizar el rendimiento y la estabilidad de los modelos de Stable Diffusion.

En esta formación en vivo y dirigida por un instructor en Uruguay, los participantes aprenderán las técnicas de machine learning más relevantes y vanguardiales en Python mientras desarrollan una serie de aplicaciones de demostración que involucran imágenes, música, texto y datos financieros.

Al finalizar esta formación, los participantes podrán:

• Implementar algoritmos y técnicas de machine learning para resolver problemas complejos.
• Aplicar deep learning y aprendizaje semisupervisado a aplicaciones que involucren imágenes, música, texto y datos financieros.
• Llevar los algoritmos de Python a su máximo potencial.
• Utilizar bibliotecas y paquetes como NumPy y Theano.

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.

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.

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.

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.

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.

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 con instructor en Uruguay (en línea o presencial) está dirigida a científicos de datos que deseen utilizar TensorFlow para analizar datos potenciales de fraude.

Al finalizar esta capacitación, los participantes podrán:

• Crear un modelo de detección de fraudes en Python y TensorFlow.
• Construir regresiones lineales y modelos de regresión lineal para predecir fraudes.
• Desarrollar una aplicación integral de inteligencia artificial para analizar datos de fraude.

En este entrenamiento en vivo con instructor, los participantes aprenderán cómo usar Matlab para diseñar, construir y visualizar una red neuronal convolucional para reconocimiento de imágenes.

Al finalizar este entrenamiento, los participantes podrán:

• Construir un modelo de aprendizaje profundo
• Automatizar la etiquetación de datos
• Trabajar con modelos de Caffe y TensorFlow-Keras
• Entrenar datos utilizando múltiples GPUs, la nube o clústers

Audiencia

• Desarrolladores
• Ingenieros
• Expertos en el dominio

Formato del curso

• Parte de lección, parte discusión, ejercicios y abundante práctica hands-on

Esta formación en vivo dirigida por un instructor en Uruguay (en línea o presencial) está dirigida a desarrolladores y científicos de datos que deseen utilizar Tensorflow 2.x para construir predictores, clasificadores, modelos generativos, redes neuronales, etc.

Al finalizar esta formación, los participantes serán capaces de:

• Instalar y configurar TensorFlow 2.x.
• Comprender los beneficios de TensorFlow 2.x frente a las versiones anteriores.
• Construir modelos de aprendizaje profundo.
• Implementar un clasificador de imágenes avanzado.
• Desplegar un modelo de aprendizaje profundo en la nube, dispositivos móviles y dispositivos IoT.

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)