Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
1. Introducción a la ingeniería de IA
- ¿Qué es la ingeniería de IA?
- IA frente al aprendizaje automático frente al aprendizaje profundo
- Ciclo de vida de la ingeniería de IA
- Aplicaciones de la IA en diversas industrias
- Rol y responsabilidades de un ingeniero de IA
2. Fundamentos de la inteligencia artificial
- Conceptos y terminología centrales de la IA
- Aprendizaje supervisado, no supervisado y por refuerzo
- Fundamentos de las redes neuronales y el aprendizaje profundo
- Visión general de la IA generativa y los modelos fundamentales (foundation models)
- Ecosistemas y marcos de trabajo para el desarrollo de IA
3. Python para ingeniería de IA
- Bibliotecas esenciales de Python para IA
- NumPy, Pandas y Matplotlib
- Manipulación y visualización de datos
- Trabajo con cuadernos Jupyter
- Redacción de código de IA reutilizable
4. Preparación de datos para IA
- Recolección y comprensión de conjuntos de datos
- Limpieza y preprocesamiento de datos
- Ingeniería de características (feature engineering)
- Escala y normalización de características
- División de conjuntos de datos en conjuntos de entrenamiento, validación y prueba
- Gestión de valores faltantes y valores atípicos
5. Fundamentos del aprendizaje automático
- Algoritmos de regresión
- Algoritmos de clasificación
- Técnicas de agrupamiento (clustering)
- Flujo de trabajo de entrenamiento de modelos
- Métricas de evaluación de modelos
- Prevención del sobreajuste (overfitting) y el subajuste (underfitting)
6. Construcción de modelos de IA con TensorFlow y PyTorch
- Introducción a TensorFlow
- Introducción a PyTorch
- Creación de redes neuronales
- Entrenamiento y validación de modelos
- Guardado y carga de modelos
- Comparación de ambos marcos de trabajo
7. Fundamentos del procesamiento del lenguaje natural (NLP)
- Preprocesamiento de texto
- Embebedos de palabras (word embeddings)
- Clasificación de texto
- Análisis de sentimiento
- Introducción a los modelos transformadores (transformers)
- Aplicaciones prácticas de NLP
8. IA en el desarrollo de software
- Integración de IA en aplicaciones existentes
- Llamada a servicios de IA a través de API
- Desarrollo de aplicaciones impulsadas por IA
- Herramientas de desarrollo de software asistido por IA
- Pruebas de aplicaciones habilitadas para IA
9. Mejores prácticas en ingeniería de IA
- Organización de proyectos
- Control de versiones con Git
- Seguimiento de experimentos
- Versión de modelos
- Estándares de documentación
- Reproducibilidad en proyectos de IA
10. Despliegue de modelos de IA
- Serialización de modelos
- Construcción de servicios de inferencia
- API REST para modelos de IA
- Introducción a Docker para el despliegue de IA
- Monitoreo de modelos desplegados
- Mantenimiento y actualización de modelos
11. Ingeniería de datos de IA
- Tuberías de datos (data pipelines)
- Procesos ETL
- Gestión de datos estructurados y no estructurados
- Opciones de almacenamiento de datos
- Gestión de la calidad de los datos
- Preparación de conjuntos de datos listos para producción
12. IA responsable y ética en IA
- Sesgo e imparcialidad en la IA
- IA explicable (XAI)
- Privacidad y protección de datos
- Consideraciones de seguridad en la IA
- Desarrollo responsable de IA
- Consideraciones regulatorias y de gobernanza
13. Gestión de proyectos de IA
- Ciclo de vida de un proyecto de IA
- Metodologías ágiles para proyectos de IA
- Colaboración entre equipos técnicos y de negocio
- Estimación de proyectos de IA
- Gestión de riesgos
- Medición del éxito del proyecto
14. Taller práctico de ingeniería de IA y tendencias futuras
- Configuración de un flujo de trabajo completo de desarrollo de IA
- Construcción de un proyecto de aprendizaje automático de extremo a extremo
- Entrenamiento y evaluación de un modelo utilizando TensorFlow o PyTorch
- Despliegue de una aplicación simple de IA
- Tendencias actuales en la ingeniería de IA
- IA generativa y modelos de lenguaje grandes (LLM)
- MLOps y automatización de IA
- Vías profesionales y aprendizaje continuo
- Resumen, preguntas y respuestas, y próximos pasos
Requerimientos
- Comprensión de conceptos básicos de programación.
- Experiencia con el lenguaje de programación Python.
- Familiaridad con estadística básica y álgebra lineal.
Público objetivo
- Ingenieros de IA.
- Desarrolladores de software.
- Analistas de datos.
14 Horas
Reseñas (2)
La amplia selección de herramientas presentadas
Miruna Buzduga - Aeronamic Eastern Europe
Curso - AI Enablement Training for Engineers
Traducción Automática
Formación paso a paso con muchos ejercicios. Fue como un taller y estoy muy contento con eso.
Ireneusz - Inter Cars S.A.
Curso - Intelligent Applications Fundamentals
Traducción Automática