Detección de Fraude con Python y TensorFlow

Este curso intensivo y práctico cubre técnicas avanzadas de Python, las mejores prácticas de ingeniería y los patrones de diseño comúnmente utilizados para construir aplicaciones de Python que sean mantenibles, probables y de alto rendimiento. Hace énfasis en el uso de herramientas modernas, tipado, modelos de concurrencia, patrones arquitectónicos y flujos de trabajo listos para implementación.

Esta formación dirigida por un instructor (en línea o presencial) está destinada a desarrolladores intermedios y avanzados de Python que deseen adoptar prácticas y patrones profesionales para sistemas de Python de nivel de producción.

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

• Aplicar el tipado de Python, dataclasses y verificación de tipos para aumentar la confiabilidad del código.
• Usar patrones de diseño y principios arquitectónicos para estructurar aplicaciones robustas.
• Implementar concurrencia y paralelismo correctamente usando asyncio y multiprocessing.
• Construir código bien probado con pytest, pruebas basadas en propiedades y pipelines CI.
• Perfilizar, optimizar y endurecer aplicaciones de Python para producción.
• Empaquetar, distribuir e implementar proyectos de Python utilizando herramientas modernas y contenedores.

Formato del Curso

• Charlas interactivas y breves demostraciones.
• Laboratorios prácticos y ejercicios de codificación cada día.
• Proyecto final integrador que incluye patrones, pruebas e implementación.

Opciones de Personalización del Curso

• Para solicitar una formación personalizada o un enfoque específico (datos, web o infraestructura), por favor contáctenos para hacer los arreglos necesarios.

Este curso enseña técnicas prácticas de ingeniería para diseñar, construir, probar y desplegar sistemas agentes (autónomos) utilizando Python. Cubre el bucle del agente, las integraciones con herramientas, la gestión de memoria y estado, patrones de orquestación, controles de seguridad y consideraciones para producción.

Esta capacitación dirigida por un instructor (en línea o en sitio) está destinada a ingenieros ML, desarrolladores AI y ingenieros de software de nivel intermedio a avanzado que deseen construir agentes autónomos robustos y listos para producción utilizando Python.

Al final de esta capacitación, los participantes podrán:

• Diseñar e implementar el bucle del agente y flujos de trabajo de toma de decisiones.
• Integrar herramientas y APIs externas para extender las capacidades del agente.
• Implementar arquitecturas de memoria a corto y largo plazo para agentes.
• Coordinar orquestaciones multi-paso y composabilidad de agentes.
• Aplicar mejores prácticas de seguridad, control de acceso y observabilidad para agentes desplegados.

Formato del Curso

• Lectura interactiva y discusión.
• Ejercicios prácticos construyendo agentes con Python y SDKs populares.
• Ejercicios basados en proyectos que producen prototipos desplegables.

Opciones de Personalización del Curso

• Para solicitar una capacitación personalizada para este curso, por favor contáctenos para hacer los arreglos.

Explora enfoques prácticos de Ciencia de Datos e IA con Python, equipando a los profesionales con las habilidades necesarias para explorar datos, construir modelos de aprendizaje automático y desplegar aplicaciones impulsadas por IA en entornos empresariales; Cubre los flujos de trabajo CRISP-DM, análisis estadístico, aprendizaje supervisado y no supervisado, aprendizaje profundo con Tensorflow, procesamiento de lenguaje natural, big data con Spark y narración de datos; Ideal para principiantes que buscan una certificación en ciencia de datos con Python y formación analítica orientada a la empleabilidad.

La Inteligencia Artificial con Python es el desarrollo de sistemas inteligentes utilizando el extenso ecosistema de bibliotecas de IA y aprendizaje automático de Python.

Esta formación impartida por instructores (en línea o presencial) está dirigida a programadores intermedios de Python que desean diseñar, implementar y desplegar soluciones de IA utilizando Python.

Al finalizar esta formación, los participantes podrán:

• Implementar algoritmos de IA usando las bibliotecas principales de AI de Python.
• Trabajar con modelos de aprendizaje supervisado, no supervisado y por refuerzo.
• Integrar soluciones de IA en aplicaciones y flujos de trabajo existentes.
• Evaluación del rendimiento del modelo y optimización para precisión y eficiencia.

Formato del Curso

• Sesiones interactivas con discusión.
• Varias actividades prácticas y ejercicios.
• Implementación práctica en un entorno de laboratorio en vivo.

Opciones de Personalización del Curso

• Para solicitar una formación personalizada para este curso, por favor contáctenos para acordarlo.

Este curso de formación en vivo dirigido por un instructor en Guatemala (en línea o en el lugar) está destinado a analistas de negocios que deseen automatizar sus operaciones con trading algorítmico, Python y R.

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

• Utilizar algoritmos para comprar y vender valores a incrementos especializados rápidamente.
• Reducir los costos asociados con las operaciones utilizando trading algorítmico.
• Monitorear automáticamente los precios de las acciones y realizar operaciones.

Esta capacitación dirigida por un instructor (en línea o en sitio) está destinada a profesionales de nivel avanzado que deseen profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar modelos de visión sofisticados utilizando Google Colab.

Al final de esta capacitación, los participantes podrán:

• Construir y entrenar redes neuronales convolucionales (CNNs) usando 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.
• Desplegar modelos de visión por computadora para aplicaciones del mundo real.
• Usar 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 capacitación guiada por un instructor (en línea o presencial) en Guatemala está dirigida a científicos de datos e ingenieros de software que deseen utilizar Dask con el ecosistema de Python para construir, escalar y analizar grandes conjuntos de datos.

Al final de esta formación, los participantes podrán:

• Configurar el entorno para comenzar a procesar big data con Dask y Python.
• Explorar las características, bibliotecas, herramientas y APIs disponibles en Dask.
• Comprender cómo Dask acelera la computación paralela en Python.
• Aprender a escalar el ecosistema de Python (Numpy, SciPy y Pandas) utilizando Dask.
• Optimizar el entorno de Dask para mantener un alto rendimiento al manejar grandes conjuntos de datos.

Esta formación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está destinada a desarrolladores y analistas de datos de nivel intermedio que desean mejorar sus habilidades en el análisis y manipulación de datos usando Python, Pandas y NumPy.

Al finalizar esta formación, los participantes podrán:

• Configurar un entorno de desarrollo que incluya Python, Pandas y NumPy.
• Crear una aplicación de análisis de datos utilizando Pandas y NumPy.
• Ejecutar operaciones avanzadas de manipulación, ordenación y filtrado de datos.
• Realizar operaciones agregadas y analizar datos de series temporales.
• Visualizar datos usando Matplotlib y otras bibliotecas de visualización.
• Depurar y optimizar su código de análisis de datos.

Este curso en vivo y guiado por un instructor (en línea o presencial) está dirigido a científicos de datos y desarrolladores de nivel intermedio que desean entender y aplicar técnicas de aprendizaje profundo utilizando el entorno Google Colab.

Al finalizar este curso, 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.

Audiencia

Este curso es adecuado para investigadores y ingenieros de Deep Learning interesados en utilizar herramientas disponibles (en su mayoría de código abierto) para analizar imágenes de computadora.

Este curso proporciona ejemplos prácticos.

Esta capacitación en vivo dirigida por un instructor (en línea o presencial) está dirigida a desarrolladores que desean utilizar la pila FARM (FastAPI, React y MongoDB) para crear aplicaciones web dinámicas, de alto rendimiento y escalables.

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

• Configure el entorno de desarrollo necesario que integre FastAPI, React y MongoDB.
• Comprenda los conceptos clave, las características y los beneficios de la pila FARM.
• Aprenda a crear API REST con FastAPI.
• Aprenda a diseñar aplicaciones interactivas con React.
• Desarrolle, pruebe e implemente aplicaciones (front-end y back-end) mediante la pila FARM.

Esta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores que desean usar FastAPI con Python para crear, probar e implementar API RESTful de manera más fácil y rápida.

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

• Configurar el entorno de desarrollo necesario para desarrollar APIs con Python y FastAPI.
• Crear APIs de forma más rápida y sencilla utilizando la biblioteca FastAPI.
• Aprender a crear modelos de datos y esquemas basados en Pydantic y OpenAPI.
• Conectar APIs a una base de datos utilizando SQLAlchemy.
• Implementar seguridad y autenticación en APIs utilizando las herramientas de FastAPI.
• Crear imágenes de contenedor e implementar APIs web en un servidor en la nube.

Esta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está dirigida a científicos de datos y desarrolladores que desean usar Modin para crear e implementar cálculos paralelos con Pandas para un análisis de datos más rápido.

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

• Configure el entorno necesario para comenzar a desarrollar Pandas flujos de trabajo a escala con Modin.
• Comprender las características, la arquitectura y las ventajas de Modin.
• Conoce las diferencias entre Modin, Dask y Ray.
• Realice Pandas operaciones más rápido con Modin.
• Implemente toda la API Pandas y las funciones.

Este curso dirigido por un instructor (en línea o presencial) está destinado a desarrolladores y científicos de datos que deseen usar Tensorflow 2.x para construir predictores, clasificadores, modelos generativos, redes neuronales y más.

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

• Instalar y configurar TensorFlow 2.x.
• Comprender las ventajas de TensorFlow 2.x sobre 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 con la entrega de conocimientos conceptuales en redes neuronales y, en general, en el algoritmo de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones).

Parte-1 (40%) de esta capacitación 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 capacitación presenta Theano, una biblioteca de Python que hace que escribir modelos de aprendizaje profundo sea fácil.

Parte-3 (40%) de la capacitación estaría ampliamente basada en Tensorflow - 2nd Generation API de la biblioteca de software de código abierto de Google para Deep Learning. Los ejemplos y handson se harían todos en TensorFlow.

Audiencia

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de aprendizaje profundo.

Después de completar este curso, los delegados:

• tener una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN
• comprender la estructura y los mecanismos de despliegue de TensorFlow
• ser capaz de llevar a cabo las tareas y configuraciones de entorno / producción / arquitectura
• ser capaz de evaluar la calidad del código, realizar la depuración, el monitoreo
• ser capaz de implementar producción avanzada como modelos de entrenamiento, construcción de gráficos y registro