Optimización de Modelos de IA para Dispositivos Edge

Este curso aborda la IA (con énfasis en el Aprendizaje Automático y el Aprendizaje Profundo) aplicada a la industria automotriz. Ayuda a determinar qué tecnología puede (potencialmente) utilizarse en diversas situaciones dentro de un vehículo: desde automatización básica y reconocimiento de imágenes hasta la toma de decisiones autónoma.

El análisis de los fundamentos de la inteligencia artificial revela cómo la tecnología inteligente está transformando la estrategia digital, la automatización y la toma de decisiones en las operaciones empresariales. Examina 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. Orienta a ejecutivos y arquitectos para evaluar oportunidades de transformación impulsadas por IA, analizar tendencias tecnológicas emergentes e integrar soluciones inteligentes prácticas que aceleren la agilidad empresarial.

Esta formación en vivo y dirigida por un instructor en Panama (en línea o presencial) está orientada 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.

La Red Neuronal Artificial es un modelo de datos computacional 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 (MA), que a su vez son una implementación de la IA. El Aprendizaje Profundo es un subconjunto del MA.

IA aplicada desde cero en Python proporciona a programadores y analistas de datos las 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 las arquitecturas avanzadas de redes neuronales. Examina métodos probados para trabajar con scikit-learn, Apache Spark MLlib y cuadernos de Jupyter en el desarrollo práctico de IA. Ayuda a los profesionales a implementar modelos de ML prácticos, evaluar las limitaciones de los algoritmos y completar proyectos aplicados para la resolución de problemas del mundo real.

Esta formación en vivo, dirigida por un instructor en Panama (en línea o presencial), está orientada a participantes con distintos niveles de experiencia que desean aprovechar la plataforma AutoML de Google para construir chatbots personalizados para diversas aplicaciones.

Al finalizar esta formación, 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.
• Implementar e integrar chatbots en varias plataformas y canales.
• Monitorear y optimizar el rendimiento del chatbot con el tiempo.

Esta formación en vivo impartida por un instructor en Panama (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 serán capaces de:

• Construir y entrenar redes neuronales convolucionales (CNN) utilizando TensorFlow.
• Aprovechar Google Colab para el desarrollo escalable y eficiente de modelos en la nube.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Desplegar 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 Panama (en línea o en persona) ofrece una introducción al campo del reconocimiento de patrones y el aprendizaje automático. Aborda aplicaciones prácticas en estadística, informática, procesamiento de señales, visión por computadora, minería de datos y bioinformática.

Al finalizar esta formación, los participantes serán capaces de:

• Aplicar métodos estadísticos fundamentales al reconocimiento de patrones.
• Utilizar modelos clave como redes neuronales y métodos de núcleo 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 a través de la interacción con su entorno. Este enfoque sustenta muchos avances modernos en inteligencia artificial, como vehículos autónomos, control de robótica, operaciones algorítmicas y sistemas de recomendación adaptativos. El DRL permite a un agente artificial aprender estrategias, optimizar políticas y tomar decisiones autónomas basadas en ensayo y error mediante el aprendizaje por recompensas.

Esta formación impartida por un instructor (en línea o presencial) está dirigida a desarrolladores y científicos de datos de nivel intermedio que deseen 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 aprendizaje por refuerzo, incluyendo Q-Learning, Gradientes de Política y métodos Actor-Crítico.
• Construir y entrenar agentes de Aprendizaje por Refuerzo Profundo utilizando TensorFlow o PyTorch.
• Aplicar el DRL a aplicaciones del mundo real, como videojuegos, robótica y optimización de decisiones.
• Solucionar problemas, visualizar y optimizar el rendimiento del entrenamiento utilizando herramientas modernas.

Formato del curso

• Conferencia interactiva y discusión guiada.
• Ejercicios prácticos e implementaciones reales.
• Demonstration de codificación en vivo y aplicaciones basadas en proyectos.

Opciones de personalización del curso

• Para solicitar una versión personalizada de este curso (por ejemplo, utilizando PyTorch en lugar de TensorFlow), contáctenos para coordinarlo.

Esta formación en vivo con instructor en Panama (en línea o presencial) está dirigida a desarrolladores intermedios, científicos de datos y profesionales de la IA que desean aprovechar TensorFlow Lite para aplicaciones de Edge AI.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos de TensorFlow Lite y su papel en Edge AI.
• Desarrollar y optimizar modelos de IA utilizando TensorFlow Lite.
• Implementar modelos de TensorFlow Lite en diversos dispositivos perimetrales.
• Utilizar herramientas y técnicas para la conversión y optimización de modelos.
• Implementar aplicaciones prácticas de Edge AI utilizando TensorFlow Lite.

Kubeflow es una plataforma de código abierto diseñada para simplificar la construcción, entrenamiento y despliegue de cargas de trabajo de aprendizaje automático (machine learning) en Kubernetes.

Esta formación presencial impartida por un instructor (en línea o in situ) está dirigida a profesionales de nivel principiante a intermedio que desean construir flujos de trabajo de ML confiables utilizando Kubeflow.

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

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

Formato del Curso

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

Opciones de Personalización del Curso

• Se pueden preparar versiones personalizadas de esta formación para adaptarse al stack tecnológico y los requisitos del proyecto de tu equipo.

Esta formación en vivo impartida por un instructor en Panama (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 previsión de series temporales.

Al finalizar esta formación, los participantes serán capaces de:

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

Este curso comienza proporcionándote conocimientos conceptuales sobre redes neuronales y, en general, sobre algoritmos de aprendizaje automático e inteligencia artificial profunda (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 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.

Después de completar este curso, los participantes:

• tendrán una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN
• comprenderán la estructura y los mecanismos de implementación de TensorFlow
• podrán realizar tareas de instalación, configuración del entorno de producción y arquitectura
• podrán evaluar la calidad del código, realizar depuración y monitoreo
• podrán implementar modelos de entrenamiento avanzados como en producción, construir grafos y registrar datos (logging)

Esta formación en vivo impartida por un instructor en Panama (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean explorar las técnicas más actuales de IA Explicable (XAI) para modelos de aprendizaje profundo, con un enfoque en la construcción de sistemas de IA interpretables.

Al finalizar esta formación, los participantes serán capaces de:

• 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 rendimiento y transparencia.