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 (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
