Cursos de Aprendizaje profundo en Ciudad de Guatemala

Esta formación en vivo dirigida por un instructor en Ciudad de Guatemala (en línea o presencial) está dirigida a desarrolladores de nivel intermedio, científicos de datos y profesionales de la IA que desean aprovechar TensorFlow Lite para aplicaciones de IA en el borde.

Al final de esta formación, los participantes serán capaces de:

• Comprender los fundamentos de TensorFlow Lite y su papel en la IA en el borde.
• Desarrollar y optimizar modelos de IA utilizando TensorFlow Lite.
• Implementar modelos de TensorFlow Lite en diversos dispositivos de borde.
• 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 impartida por un instructor en Ciudad de Guatemala (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 podrán:

• Construir y entrenar redes neuronales convolucionales (CNN) utilizando TensorFlow.
• Aprovechar Google Colab para el desarrollo de modelos en la nube escalable y eficiente.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Implementar modelos de visión por computadora para aplicaciones del mundo real.
• Utilizar el aprendizaje por transferencia para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de los modelos de clasificación de imágenes.

Esta formación en vivo impartida por un instructor en <ubic> (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.

Este entrenamiento en vivo con instructor en Ciudad de Guatemala (en línea o presencial) está dirigido a profesionales de nivel avanzado que desean especializarse en técnicas de vanguardia de aprendizaje profundo para NLU.

Al finalizar este entrenamiento, los participantes serán capaces de:

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

Esta formación impartida por instructores, en Ciudad de Guatemala (en línea o presencial), está dirigida a profesionales de nivel avanzado que deseen explorar las técnicas de XAI más avanzadas para modelos de aprendizaje profundo, con un enfoque en la construcción de sistemas de IA 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 modelos de aprendizaje profundo.
• Evaluar los compromisos entre el rendimiento y la transparencia.

Esta formación en vivo impartida por un instructor en Ciudad de Guatemala (en línea o presencial) está dirigida a científicos de datos, ingenieros de machine learning, investigadores en 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 grandes conjuntos de datos y modelos complejos.
• Afinar los hiperparámetros para mejorar el rendimiento del modelo y su capacidad de generalización.
• Integrar Stable Diffusion con otros marcos de aprendizaje profundo y herramientas.

Esta formación en vivo impartida por un instructor en Ciudad de Guatemala (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 medicamentos.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender el papel de la IA en el descubrimiento y desarrollo de medicamentos.
• 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.
• Integrar enfoques impulsados por IA en el proceso de ensayos clínicos.

Esta formación en vivo impartida por instructores en Ciudad de Guatemala (en línea o presencial) está dirigida a biólogos que desean comprender cómo funciona AlphaFold y utilizar los modelos de AlphaFold como guía en sus estudios experimentales.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los principios básicos de AlphaFold.
• Aprender cómo funciona AlphaFold.
• Aprender a interpretar las predicciones y resultados de AlphaFold.

Esta formación impartida por un instructor en Ciudad de Guatemala (en línea o presencial) está dirigida a desarrolladores de nivel principiante e intermedio que deseen utilizar Modelos de Lenguaje Grande para diversas tareas de procesamiento del 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 (fine-tuning) utilizando 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 viva, impartida por instructores (en línea o presencial), está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores en visión por computadora que desean aprovechar Stable Diffusion para generar imágenes de alta calidad para diversos casos de uso.

Al finalizar esta capacitación, los participantes podrán:

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

En este taller en vivo impartido por un instructor en Ciudad de Guatemala, los participantes aprenderán las técnicas de machine learning más relevantes y vanguardistas en Python mientras desarrollan una serie de aplicaciones demo que involucran datos de imágenes, música, texto y financieros.

Al finalizar este taller, los participantes serán capaces de:

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

IA aplicada desde cero en Python proporciona a los programadores y analistas de datos técnicas fundamentales para construir soluciones de aprendizaje automático desde cero utilizando Python. Cubre los principios básicos del aprendizaje supervisado (clasificación y regresión), el aprendizaje no supervisado (agrupamiento y detección de anomalías) y arquitecturas avanzadas de redes neuronales. Examina métodos comprobados para trabajar con scikit-learn, Apache Spark MLlib y cuadernos Jupyter en el desarrollo práctico de IA. Ayuda a los profesionales a implementar modelos prácticos de aprendizaje automático, evaluar las limitaciones de los algoritmos y completar proyectos aplicados para la resolución de 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 mediante la interacción con su entorno. Es la base de muchos avances modernos de IA, como vehículos autónomos, control robótico, negociación algorítmica y sistemas de recomendación adaptativos. El DRL permite que un agente artificial aprenda estrategias, optimice políticas y tome decisiones autónomas basándose en el ensayo y error mediante el aprendizaje con recompensas.

Esta formación 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 formación, los participantes serán capaces de:

• Comprender los fundamentos teóricos y los principios matemáticos del Aprendizaje por Refuerzo.
• Implementar algoritmos clave de RL, incluidos Q-Learning, Gradiente 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 errores, visualizar y optimizar el rendimiento del entrenamiento utilizando herramientas modernas.

Formato del curso

• Conferencia interactiva y discusión guiada.
• Ejercicios prácticos e implementaciones reales.
• 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, usar PyTorch en lugar de TensorFlow), contáctenos para organizarlo.

El estudio de los fundamentos de la inteligencia artificial revela cómo la tecnología inteligente transforma las estrategias digitales, la automatización y la toma de decisiones en las operaciones empresariales. Se examinan conceptos clave 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 comunicación, percepción y acción autónoma. Se guía a directivos y arquitectos para que evalúen oportunidades de transformación impulsadas por IA, analicen tendencias tecnológicas emergentes e integren soluciones inteligentes prácticas que aceleren la agilidad del negocio.

Este curso aborda la IA (con especial énfasis en Aprendizaje Automático y Aprendizaje Profundo) en la industria automotriz. Ayuda a determinar qué tecnología puede utilizarse (potencialmente) en múltiples situaciones dentro de un vehículo: desde automatización básica, reconocimiento de imágenes hasta la toma de decisiones autónomas.

Una Red Neuronal Artificial es un modelo de datos computacionales utilizado en el desarrollo de sistemas de Inteligencia Artificial (IA) capaces de realizar tareas "inteligentes". Las Redes Neuronales se utilizan comúnmente en aplicaciones de Aprendizaje Automático (ML), que a su vez son una implementación de la IA. El Aprendizaje Profundo es un subconjunto del ML.

Esta formación en vivo impartida por un instructor en Ciudad de Guatemala (en línea o presencial) ofrece una introducción al campo del reconocimiento de patrones y el aprendizaje automático. Aborda aplicaciones prácticas en estadística, ciencias de la computación, procesamiento de señales, visión por computadora, minería de datos y bioinformática.

Al final de esta formación, los participantes podrán:

• 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 Ciudad de Guatemala (en línea o presencial) está dirigida a científicos de datos que desean utilizar TensorFlow para analizar datos potenciales de fraude.

Al finalizar esta formación, los participantes serán capaces de:

• 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 de inteligencia artificial de extremo a extremo para analizar datos de fraude.

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

Al final de este entrenamiento, los participantes serán capaces de:

• Crear un modelo de aprendizaje profundo
• Automatizar el etiquetado de datos
• Trabajar con modelos de Caffe y TensorFlow-Keras
• Entrenar datos utilizando múltiples GPUs, la nube o clusters

Público objetivo

• Desarrolladores
• Ingenieros
• Expertos en el dominio

Formato del curso

• Parte clase magistral, parte discusión, ejercicios y mucha práctica hands-on

Esta capacitación en vivo con instructor en Ciudad de Guatemala (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean utilizar TensorFlow 2.x para construir predictores, clasificadores, modelos generativos, redes neuronales, entre otros.

Al finalizar esta capacitación, los participantes serán capaces de:

• Instalar y configurar TensorFlow 2.x.
• Comprender las ventajas de TensorFlow 2.x frente a 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 sistemas IoT.

Este curso comienza proporcionando conocimiento conceptual sobre redes neuronales y, en general, sobre algoritmos de aprendizaje automático y aprendizaje profundo (algoritmos y 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, etc.

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.

Tras completar este curso, los asistentes:

• tendrán una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN.
• comprenderán la estructura y los mecanismos de implementación de TensorFlow.
• podrán llevar a cabo tareas de instalación, configuración del entorno de producción y arquitectura.
• podrán evaluar la calidad del código, realizar depuración y monitoreo.
• podrán implementar entrenamiento de nivel de producción como modelos de entrenamiento, construcción de grafos y registro (logging).