Temario del curso
Módulo 1: Python básico para flujos de trabajo de aprendizaje automático
• Inicio del curso y configuración del entorno
Alinear objetivos y establecer un entorno reproducible en Python para el desarrollo ML
• Conceptos esenciales del lenguaje Python (versión acelerada)
Revisión de sintaxis, flujo de control, funciones y patrones frecuentemente usados en código ML
• Estructuras de datos para el aprendizaje automático
Listas, diccionarios, conjuntos y tuplas para manejar características, etiquetas y metadatos
• Comprensiones y herramientas funcionales
Expresión de transformaciones mediante comprensiones y funciones de orden superior
• Programación orientada a objetos en Python para desarrolladores ML
Clases, métodos, composición y decisiones prácticas de diseño
• Dataclasses y modelado ligero
Contenedores tipados para configuraciones, ejemplos y resultados
• Decoradores y gestores de contexto
Técnicas de cronometraje, almacenamiento en caché, registro de logs y manejo seguro de recursos
• Trabajo con archivos y rutas de acceso
Manejo robusto de conjuntos de datos y formatos de serialización
• Excepciones y programación defensiva
Creación de scripts ML que fallen de forma segura y transparente
• Módulos, paquetes y estructura de proyectos
Organización de código ML reutilizable
• Tipado y calidad del código
Sugerencias tipográficas, documentación y estructuras adecuadas para el análisis estático
Módulo 2: Python numérico, SciPy y manipulación de datos
• Fundamentos de NumPy para cálculo vectorizado
Operaciones eficientes con matrices y buenas prácticas de codificación rendimiento-aware
• Indexado, rebanado, difusión y manipulación de formas
Trabajo seguro con tensores y análisis de dimensiones
• Álgebra lineal básica con NumPy y SciPy
Operaciones matriciales estables utilizadas en el aprendizaje automático
• Profundización en SciPy
Estadística, optimización, ajuste de curvas y matrices dispersas
• Pandas para datos tabulares en ML
Limpieza, unión, agregación y preparación de conjuntos de datos
• Profundización en scikit-learn
Interfaz de estimadores, flujos de trabajo estructurados y reproducibilidad
• Visualización básica
Graficación diagnóstica para exploración de datos y análisis de modelos
Módulo 3: Patrones de programación para desarrollar aplicaciones ML
• De notebooks a proyectos mantenibles
Refactorización del código exploratorio en paquetes estructurados
• Gestión de configuraciones
Parámetros externos y validación al inicio del programa
• Registro de logs, advertencias y trazabilidad
Mecanismos estructurados para monitorizar sistemas ML durante la depuración
• Componentes reutilizables mediante POO y composición
Diseño de transformadores y predictores extensibles
• Patrones prácticos de diseño
Patrones como pipeline, Factory o Registry, Strategy y Adapter
• Validación de datos y verificaciones de esquemas
Detección preventiva de errores silenciosos en los datos
• Rendimiento y perfilado de código
Identificación de cuellos de botella y aplicación de optimizaciones pertinentes
• Entrada/salida de modelos e interfaces de inferencia
Persistencia segura y exposición limpia para predicciones
• Proyecto mínimo integral end-to-end
Creación de un flujo ML al estilo producción con configuración y registro detallado
Módulo 4: Aprendizaje estadístico aplicado a datos tabulares, texto e imágenes
• Bases de la evaluación en ML
Dividir conjuntos de entrenamiento y validación, validación cruzada adecuada y métricas alineadas con objetivos empresariales
• Aprendizaje automático tabular avanzado
Modelos lineales generalizados regularizados, conjuntos de árboles y procesamiento de datos sin fugas informativas
• Calibración y estimación de incertidumbre
Técnicas como escalado Platt, regresión isotónica, bootstrap y predicción conforme
• Métodos tradicionales en Procesamiento del Lenguaje Natural
Elección de estrategias de tokenización, análisis TF-IDF, modelos lineales y Naive Bayes
• Modelado de temas
Bases del algoritmo LDA y sus limitaciones prácticas en el mundo real
• Visión por computadora clásica
Técnicas como HOG, PCA y flujos basados en características visuales
• Análisis de errores en modelos ML
Detección de sesgos, ruido etiquetado y correlaciones espurias entre variables
• Talleres prácticos en grupo
Diseño de un flujo tabular libre de fugas informativas
Comparación e interpretación de modelos basados en texto
Implementación de una línea base visual clásica con análisis exhaustivo de errores
Módulo 5: Redes neuronales aplicadas a datos tabulares, texto e imágenes
• Dominio del bucle de entrenamiento
Implementación limpia con PyTorch usando AMP, recorte de gradientes y reproducibilidad garantizada
• Optimización y regularización en redes neuronales
Inicialización adecuada, normalización, optimizadores y planificadores de pasos evolutivos
• Precisión mixta y escalado eficiente
Estrategias como acumulación de gradientes y almacenamiento temporal de estado intermédio
• Redes neuronales para datos tabulares
Uso eficaz de embeddings categóricos, combinaciones de características y estudios comparativos entre modelos
• Redes neuronales aplicadas al procesamiento del lenguaje natural
Uso óptimo de embeddings, CNNs, BiLSTM o GRU para manejo secuencial de texto
• Arquitecturas visuales basadas en redes neuronales
Bases teóricas de las CNN y estructuras arquitectónicas inspiradas en ResNet
• Laboratorios prácticos continuos
Desarrollo de un marco común para entrenamiento reutilizable
Comparación entre redes tabulares neuronales y modelos de boosting
Aplicaciones con CNN que integran mecanismos de aumento de datos e implementación estratificada
Módulo 6: Arquitecturas avanzadas de redes neuronales
• Estrategias de aprendizaje por transferencia
Prácticas como congelado y descongelado gradual, control diferenciado del tamaño de los gradientes aprendidos
• Arquitecturas Transformers aplicadas al lenguaje natural
Ascenso interno del mecanismo self-attention y buenas prácticas para ajuste fino adaptable
• Modelos visuales de base avanzados e inferencia densa
ResNet, EfficientNet, modelos Visión Transformers y fundamentos teóricos del U-Net
• Estructuras arquitectónicas especializadas para datos tabulares
Modelos como TabTransformer, FT-Transformer e implementaciones profundas basadas en múltiples interacciones complejas
• Consideraciones aplicables al análisis de series temporales
Manejo correcto de divisiones temporales y detección precisa de variabilidad contextual causada por factores temporales
• Técnicas de eficiencia computacional y métodos PEFT
Análisis comparativo de técnicas como LoRA, distilación del modelo o cuantización práctica
• Sesiones prácticas específicas por tema
Ajuste fino progresivo de modelos preentrenados para procesamiento textual
Adaptación similar a redes visuales ya disponibles en el dominio público
Comparación directa entre modelos tabulares inspirados en Transformers y algoritmos GBDT tradicionales
Módulo 7: Sistemas de IA generativa
• Principios básicos del uso efectivo de prompts
Estructuras predeterminadas que fomenten generación controlada y coherente con objetivos claros
• Introducción teórica a los modelos LLM
Proceso de tokenización, entrenamiento orientado por instrucciones y métodos eficaces para disminuir fenómenos como alucinaciones en resultados generados
• Implementación del concepto RAG (Generación aumentada mediante recuperación)
Fragmentación, codificación de representaciones, estrategias híbridas para búsqueda efectiva y métricas clave en el proceso evaluativo
• Estrategias de ajuste fino del modelo principal
Aplicación conjunta de LoRA y QLoRA garantizando la calidad adecuada de los conjuntos de entrenamiento utilizados en esta etapa
• Modelos basados en difusión espacial y conceptualización práctica asociada a este tipo de técnicas generativas
• Creación y manejo responsable de datos tabulares sintéticos
Implementación del modelo CTGAN adecuado en contextos donde se necesita garantizar confidencialidad de información real utilizada como insumo
• Laboratorios prácticos orientados a casos específicos:
Diseño integral y puesta en marcha de una aplicación basada en RAG apta para producción.
Verificación sólida y validación controlada del contenido generado mediante mecanismos estructurales.
Opcionalmente: experimentación libre con modelos de difusión espacial para explorar oportunidades futuras en el campo de aplicaciones visuales.
Módulo 8: Agentes de IA y protocolo MCP
• Arquitectura básica del ciclo operativo de un agente inteligente:
Observación de variables contextuales relevantes, planeamiento consecutivo, acciones ejecutadas, análisis post actividad y persistencia temporal de resultados.
• Tipos arquitectónicos clásicos en la generación de agentes:
Modelos ReAct, planificadores basados en ejecución paso a paso y diseños donde participan múltiples instancias interaccionando coordinadamente.
• Manejo óptimo de la memoria contextual:
Técnicas como uso de memorias episódicas, lógicas semánticas o sencillos espacios temporales reservados para anotaciones.
• Integración funcional de herramientas y defensas prácticas contra acciones no autorizadas:
Diseño cuidado de interfaces comunes a ser consumidas por los agentes, seguridad reforzada mediante sandboxes virtuales y controles preventivos contra ataques tipo inyección de prompts.
• Diseños evaluativos sólidos para entornos complejos:
Generación de trayectorias reejecutables, suites prácticas enfocadas en tareas y mecanismos estandarizados de detección de regresiones evolutivas.
• Protocolo MCP como estándar moderno de interoperabilidad sistémica:
Elaboración práctica de servidores aptos para el entorno MCP que permiten exposición controlada y segura de funcionalidades clave.
• Sesiones laboratoristas finales en grupo con temáticas específicas:
Construcción original desde cero de un agente auténtico apto para el entorno operativo.
Generación y lanzamiento funcional mediante servidores inspirados conceptualmente en MCP.
Elaboración integral de herramientas de medición estricta respetando reglas definidas que minimicen o eliminen posibles riesgos potenciales.
Requerimientos
Los participantes deben contar con conocimientos prácticos de programación en Python.
Este programa está dirigido a profesionales técnicos de nivel intermedio y avanzado.
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 7250 € + 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
