Temario del curso
Introducción a los Modelos Avanzados de Aprendizaje Automático
- Descripción general de modelos complejos: Random Forests, Gradient Boosting y Redes Neuronales.
- Cuándo utilizar modelos avanzados: Mejores prácticas y casos de uso.
- Introducción a técnicas de aprendizaje en conjunto (ensemble learning).
Sintonización y Optimización de Hiperparámetros
- Técnicas de búsqueda en cuadrícula (grid search) y búsqueda aleatoria.
- Automatización de la sintonización de hiperparámetros con Google Colab.
- Uso de técnicas avanzadas de optimización (algoritmos bayesianos, 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 el rendimiento.
Implementación de Modelos
- Introducción a las estrategias de implementación de modelos.
- Implementación de modelos en entornos cloud utilizando 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 con GPU/TPU.
- Integración con servicios cloud para el entrenamiento escalable de modelos.
Interpretabilidad y Explicabilidad de Modelos
- Exploración de técnicas de interpretabilidad de modelos (LIME, SHAP).
- Inteligencia artificial explicable para modelos de aprendizaje profundo.
- Gestión 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 entendimiento de los algoritmos y conceptos de aprendizaje automático.
- Dominio de la programación en Python.
- Experiencia con Cuadernos Jupyter o Google Colab.
Audiencia Objetivo
- Científicos de datos.
- Profesionales en 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
