Temario del curso
Introducción a los modelos avanzados de aprendizaje automático
- Visión general de modelos complejos: bosques aleatorios, métodos de boosting por gradientes y redes neuronales.
- Cuándo emplear estos modelos avanzados: buenas prácticas y ejemplos concretos de aplicación.
- Introducción a técnicas de aprendizaje por ensamblado.
Ajuste y optimización de hiperparámetros
- Técnicas como la búsqueda en cuadrícula o la selección aleatoria para encontrar configuraciones óptimas.
- Automatización de dichos procesos mediante Google Colab.
- Empleo de técnicas avanzadas: optimización bayesiana o algoritmos genéticos.
Redes neuronales y aprendizaje profundo
- Diseño y entrenamiento de redes neuronales profundas.
- Uso del aprendizaje por transferencia con modelos ya entrenados.
- Mejoras para optimizar el rendimiento de estos modelos complejos.
Implementación y despliegue de los modelos
- Principales estrategias recomendadas para llevar al mercado un modelo desarrollado.
- Despliegues en entornos virtuales utilizando Google Colab como plataforma principal.
- Funcionamiento tanto en tiempo real como para procesamientos por lotes de datos.
Aprovechando Google Colab para proyectos masivos
- Posibilidad de colaborar de manera conjunta en proyectos de aprendizaje automático dentro de este entorno.
- Utilización del soporte para GPU y TPU con el fin de acelerar los procesos de entrenamiento.
- Integración fluida entre servicios en la nube y Colab, favoreciendo una capacitación eficiente y escalable.
Interpretabilidad y explicabilidad de los modelos
- Presentación de métodos para comprender el comportamiento interno del modelo, entre ellos LIME y SHAP.
- Métodos útiles para hacer transparentes las decisiones generadas por modelos profundos.
- Identificación de sesgos e inconsistencias presentes en los algoritmos implementados, buscando la equidad.
Ejemplos prácticos y estudios reales
- Aplicaciones concretas de estos modelos avanzados en sectores como la salud, las finanzas o el comercio electrónico.
- Ejemplos ilustrativos: éxitos destacados durante implementaciones previas.
- Desafíos persistentes y las nuevas tendencias que se perfilan en el panorama actual del aprendizaje automático avanzado.
Resumen final y recomendaciones posteriores
Requerimientos
- Conocimientos sólidos sobre algoritmos y conceptos fundamentales del aprendizaje automático
- Dominio del lenguaje de programación Python
- Experiencia previa con Jupyter Notebooks o Google Colab
Público objetivo
- Científicos de datos
- Profesionales del aprendizaje automático
- Ingenieros especializados en inteligencia artificial
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 4350 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
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
