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 (3)
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
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
Que se estuviera aplicando datos reales de la empresa. El formador tenía un enfoque muy bueno al hacer que los participantes colaboraran y competieran.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
Traducción Automática
