Temario del curso
Introducción a los Modelos Avanzados de Aprendizaje Automático
- Panorama general de modelos complejos: Bosques aleatorios, Refuerzo de gradientes, Redes neuronales
- Cuándo utilizar modelos avanzados: Mejores prácticas y casos de uso
- Introducción a técnicas de aprendizaje conjunto (ensemble learning)
Sintonización de Hiperparámetros y Optimización
- Técnicas de búsqueda en cuadrícula y búsqueda aleatoria
- Automatización de la sintonización de hiperparámetros con Google Colab
- Uso de técnicas avanzadas de optimización (Bayesiana, Algoritmos genéticos)
Redes Neuronales y Aprendizaje Profundo
- Construcción y entrenamiento de redes neuronales profundas
- Aprendizaje por transferencia con modelos preentrenados
- Optimización de modelos de aprendizaje profundo para obtener un mejor rendimiento
Implementación de Modelos
- Introducción a estrategias de implementación de modelos
- Despliegue de modelos en entornos cloud mediante Google Colab
- Inferencia en tiempo real y procesamiento por lotes
Trabajo con Google Colab para Aprendizaje Automático a Gran Escala
- Colaboración en proyectos de aprendizaje automático en Colab
- Uso de Colab para entrenamiento distribuido y aceleración mediante GPU/TPU
- Integración con servicios cloud para un entrenamiento de modelos escalable
Interpretabilidad y Explicabilidad de los Modelos
- Exploración de técnicas de interpretabilidad de modelos (LIME, SHAP)
- Inteligencia artificial explicable para modelos de aprendizaje profundo
- Manejo del sesgo y la equidad en los modelos de aprendizaje automático
Aplicaciones del Mundo Real y Estudios de Caso
- Aplicación de modelos avanzados en salud, finanzas y comercio electrónico
- Estudios de caso: Implementaciones exitosas de modelos
- Desafíos y tendencias futuras en el aprendizaje automático avanzado
Resumen y Próximos Pasos
Requerimientos
- Sólido conocimiento de los algoritmos y conceptos del aprendizaje automático
- Competencia en la programación con Python
- Experiencia con cuadernos Jupyter o Google Colab
Público objetivo
- Científicos de datos
- Profesionales del aprendizaje automático
- Ingenieros de inteligencia artificial
Reseñas (2)
Fomentar la repetición en la construcción de indicaciones (prompts) entre quienes nunca han utilizado la IA, y animar a los usuarios experimentados a considerar métodos alternativos para su uso.
Matthew Gay - Tarsus Pharmaceuticals
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
