Introducción al Aprendizaje Automático para el Análisis de Datos

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.

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.

Esta formación en vivo impartida por instructores en 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.

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.

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.

Esta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está destinada a participantes con distintos niveles de conocimiento que deseen aprovechar la plataforma Google AutoML para desarrollar chatbots personalizados para diversas aplicaciones.

Al finalizar esta capacitación, los participantes podrán:

• Comprender los fundamentos del desarrollo de chatbots.
• Navegar por Google Cloud Platform y acceder a AutoML.
• Preparar datos para entrenar modelos de chatbot.
• Entrenar y evaluar modelos personalizados de chatbot utilizando AutoML.
• Desplegar e integrar chatbots en diversas plataformas y canales.
• Monitorear y optimizar el rendimiento del chatbot con el tiempo.

Esta formación en vivo impartida por un instructor en 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 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.

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.

Esta formación en vivo dirigida por un instructor en 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.

Kubeflow es una plataforma de código abierto diseñada para optimizar la construcción, el entrenamiento y el despliegue de cargas de trabajo de aprendizaje automático en Kubernetes.

Esta capacitación presencial o a distancia, impartida por un instructor, está dirigida a profesionales de nivel principiante e intermedio que deseen construir flujos de trabajo de aprendizaje automático (ML) confiables utilizando Kubeflow.

Al finalizar esta capacitación, los asistentes adquirirán las habilidades para:

• Navegar por el ecosistema de Kubeflow y sus componentes principales.
• Construir flujos de trabajo reproducibles con Kubeflow Pipelines.
• Ejecutar trabajos de entrenamiento escalables en Kubernetes.
• Servir modelos de aprendizaje automático de manera eficiente utilizando Kubeflow Serving.

Formato del Curso

• Presentaciones guiadas y discusiones colaborativas.
• Prácticas de laboratorio con componentes reales de Kubeflow.
• Ejercicios prácticos para construir flujos de trabajo de ML de extremo a extremo.

Opciones de Personalización del Curso

• Se pueden arreglar versiones personalizadas de esta capacitación para alinearse con el conjunto de tecnologías y los requisitos del proyecto de su equipo.

Esta formación en vivo impartida por un instructor en Guatemala (en línea o presencial) está dirigida a analistas de datos de nivel intermedio que desean aprender a utilizar RapidMiner para estimar y proyectar valores, así como emplear herramientas analíticas para la pronóstica de series temporales.

Al finalizar esta formación, los participantes serán capaces de:

• Aprender a aplicar la metodología CRISP-DM, seleccionar algoritmos de aprendizaje automático adecuados y mejorar la construcción y el rendimiento del modelo.
• Utilizar RapidMiner para estimar y proyectar valores, y emplear herramientas analíticas para la pronóstica de series temporales.

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).

Esta formación impartida por instructores, en 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.