Cursos de Aprendizaje profundo en Santiago

Esta formación en vivo impartida por un instructor en Santiago (en línea o presencial) está dirigida a desarrolladores de nivel intermedio, científicos de datos y profesionales de IA que deseen aprovechar TensorFlow Lite para aplicaciones de IA en el borde.

Al finalizar esta formación, los participantes podrán:

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

Esta formación en vivo con instructor en Santiago (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar sofisticados modelos de visión utilizando Google Colab.

Al final de esta formación, los participantes podrán:

• Construir y entrenar redes neuronales convolucionales (CNN) utilizando TensorFlow.
• Aprovechar Google Colab para el desarrollo escalable y eficiente de modelos basados en la nube.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Implementar modelos de visión por computadora para aplicaciones del mundo real.
• Utilizar el aprendizaje por transferencia (transfer learning) para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de modelos de clasificación de imágenes.

Esta formación en vivo impartida por instructores en Santiago (en línea o presencial) está dirigida a científicos de datos y desarrolladores de nivel intermedio que desean comprender y aplicar técnicas de aprendizaje profundo utilizando el entorno de Google Colab.

Al finalizar esta formación, los participantes serán capaces de:

• Configurar y navegar por Google Colab para proyectos de aprendizaje profundo.
• Comprender los fundamentos de las redes neuronales.
• Implementar modelos de aprendizaje profundo utilizando TensorFlow.
• Entrenar y evaluar modelos de aprendizaje profundo.
• Utilizar funciones avanzadas de TensorFlow para el aprendizaje profundo.

Esta formación impartida por un instructor en Santiago (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean especializarse en técnicas de vanguardia de aprendizaje profundo para NLU.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender las diferencias clave entre los modelos de NLU y PLN.
• Aplicar técnicas avanzadas de aprendizaje profundo a tareas de NLU.
• Explorar arquitecturas profundas como los transformadores y los mecanismos de atención.
• Aprovechar las tendencias futuras en NLU para construir sistemas de inteligencia artificial sofisticados.

Este taller práctico impartido por un instructor en Santiago (en línea o presencial) está dirigido a profesionales de nivel avanzado que desean explorar las técnicas XAI de vanguardia para modelos de aprendizaje profundo, con un enfoque en la creación de sistemas de IA interpretables.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender los desafíos de la explicabilidad en el aprendizaje profundo.
• Implementar técnicas XAI avanzadas para redes neuronales.
• Interpretar las decisiones tomadas por modelos de aprendizaje profundo.
• Evaluar los compromisos entre rendimiento y transparencia.

Esta formación en vivo dirigida por instructores en Santiago (en línea o presencial) está orientada a científicos de datos, ingenieros de aprendizaje automático, investigadores de aprendizaje profundo y expertos en visión por computadora de nivel intermedio a avanzado que deseen ampliar sus conocimientos y habilidades en el uso del aprendizaje profundo para la generación de imágenes a partir de texto.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender las arquitecturas y técnicas avanzadas de aprendizaje profundo para la generación de imágenes a partir de texto.
• Implementar modelos complejos y optimizaciones para la síntesis de imágenes de alta calidad.
• Optimizar el rendimiento y la escalabilidad para conjuntos de datos grandes y modelos complejos.
• Afinar los hiperparámetros para mejorar el rendimiento del modelo y su capacidad de generalización.
• Integrar Stable Diffusion con otros marcos y herramientas de aprendizaje profundo.

Esta formación práctica impartida por un instructor Santiago (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean aprovechar las técnicas de IA para revolucionar los procesos de descubrimiento y desarrollo de fármacos.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender el papel de la IA en el descubrimiento y desarrollo de fármacos.
• Aplicar técnicas de aprendizaje automático para predecir propiedades moleculares e interacciones.
• Utilizar modelos de aprendizaje profundo para la selección virtual y la optimización de candidatos.
• Integrar enfoques impulsados por IA en el proceso de ensayos clínicos.

Esta formación en vivo con instructor en <ubicación> (en línea o presencial) está dirigida 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 podrán:

• Comprender los principios básicos de AlphaFold.
• Aprender cómo funciona AlphaFold.
• Aprender a interpretar las predicciones y resultados de AlphaFold.

Esta capacitación en vivo impartida por un instructor en Santiago (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que deseen utilizar Modelos de Lenguaje Grande para diversas tareas de lenguaje natural.

Al finalizar esta capacitación, los participantes podrán:

• Configurar un entorno de desarrollo que incluya un LLM popular.
• Crear un LLM básico y ajustarlo (fine-tune) sobre un conjunto de datos personalizado.
• Utilizar LLM para diferentes tareas de lenguaje natural, como resumen de textos, respuesta a preguntas, generación de texto, entre otras.
• Depurar y evaluar LLM utilizando herramientas como TensorBoard, PyTorch Lightning y Hugging Face Datasets.

Esta formación en vivo con instructor (en línea o presencial) está dirigida a científicos de datos, ingenieros de machine learning e investigadores en visión por computadora que desean aprovechar Stable Diffusion para generar imágenes de alta calidad para diversos casos de uso.

Al finalizar esta formación, los participantes podrán:

• Comprender los principios de Stable Diffusion y su funcionamiento para la generación de imágenes.
• Construir y entrenar modelos de Stable Diffusion para tareas de generación de imágenes.
• Aplicar Stable Diffusion en diversos escenarios de generación de imágenes, como inpainting, outpainting y traducción de imagen a imagen.
• Optimizar el rendimiento y la estabilidad de los modelos de Stable Diffusion.

En esta formación en vivo y dirigida por un instructor en Santiago, los participantes aprenderán las técnicas de aprendizaje automático más relevantes y vanguardistas en Python mientras desarrollan una serie de aplicaciones de demostración que involucran datos de imágenes, música, texto y financieros.

Al finalizar esta capacitación, los participantes serán capaces de:

• Implementar algoritmos y técnicas de aprendizaje automático para resolver problemas complejos.
• Aplicar el aprendizaje profundo y el aprendizaje semisupervisado a aplicaciones que involucren datos de imágenes, música, texto y financieros.
• Maximizar el potencial de los algoritmos de Python.
• Utilizar bibliotecas y paquetes como NumPy y Theano.

Inteligencia Artificial Aplicada desde cero en Python proporciona a programadores y analistas de datos las técnicas fundamentales para desarrollar soluciones de aprendizaje automático desde su base utilizando Python. Aborda los principios clave del aprendizaje supervisado (clasificación y regresión), el aprendizaje no supervisado (agrupamiento y detección de anomalías) y las arquitecturas avanzadas de redes neuronales. Examina métodos comprobados para trabajar con scikit-learn, Apache Spark MLlib y cuadernos Jupyter, facilitando un desarrollo práctico de IA. Ayuda a los profesionales a implementar modelos de aprendizaje automático aplicables, evaluar las limitaciones de los algoritmos y completar proyectos prácticos para resolver problemas del mundo real.

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 mediante la interacción con su entorno. Es la base de muchos avances modernos en inteligencia artificial, como vehículos autónomos, control de robótica, algoritmos de trading y sistemas de recomendación adaptativos. El DRL permite a un agente artificial aprender estrategias, optimizar políticas y tomar decisiones autónomas basadas en prueba y error mediante el aprendizaje con recompensas.

Esta formación práctica impartida por instructores (en línea o presencial) está dirigida a desarrolladores y científicos de datos de nivel intermedio que desean 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 las bases teóricas y los principios matemáticos del Aprendizaje por Refuerzo.
• Implementar algoritmos clave de RL, incluidos 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 juegos, robótica y optimización de decisiones.
• Solucionar problemas, visualizar y optimizar el rendimiento del entrenamiento utilizando herramientas modernas.

Formato del curso

• Clase interactiva y discusión guiada.
• Ejercicios prácticos e implementaciones reales.
• Demonstraciones 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.

Explorar los fundamentos de la inteligencia artificial revela cómo la tecnología inteligente transforma la estrategia digital, la automatización y la toma de decisiones en las operaciones empresariales. Se examinan 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 áreas como la comunicación, la percepción y la acción autónoma. Este curso guía a directivos y arquitectos para evaluar oportunidades de transformación impulsadas por la IA, analizar tendencias tecnológicas emergentes e integrar soluciones inteligentes prácticas que aceleren la agilidad del negocio.

Este curso aborda el uso de la IA (con énfasis en el Aprendizaje Automático y el Aprendizaje Profundo) en la industria automotriz. Ayuda a determinar qué tecnologías pueden utilizarse —potencialmente— en múltiples escenarios dentro de un vehículo: desde automatización básica y reconocimiento de imágenes, hasta la toma de decisiones autónomas.

Una 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 (ML), las cuales son una implementación de la IA. El Aprendizaje Profundo es un subconjunto del ML.

Esta formación en vivo impartida por un instructor en Santiago (en línea o presencial) proporciona 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 kernels para el análisis de datos.
• Implementar técnicas avanzadas para resolver problemas complejos.
• Mejorar la precisión de las predicciones combinando diferentes modelos.

Esta formación en vivo impartida por un instructor en Santiago (en línea o presencial) está dirigida a científicos de datos que desean utilizar TensorFlow para analizar datos potenciales de fraude.

Al finalizar esta formación, los participantes podrán:

• Crear un modelo de detección de fraude en Python y TensorFlow.
• Construir regresiones lineales y modelos de regresión lineal para predecir el fraude.
• Desarrollar una aplicación de inteligencia artificial completa para analizar datos de fraude.

En este taller en vivo y con instrucción directa, los participantes aprenderán a utilizar Matlab para diseñar, construir y visualizar una red neuronal convolucional para el reconocimiento de imágenes.

Al finalizar esta capacitación, los participantes podrán:

• Construir un modelo de aprendizaje profundo
• Automatizar la etiquetación de datos
• Trabajar con modelos de Caffe y TensorFlow-Keras
• Entrenar datos utilizando múltiples GPUs, la nube o clusters

Público objetivo

• Desarrolladores
• Ingenieros
• Expertos en el dominio

Formato del curso

• Parte conferencia, parte discusión, ejercicios y mucha práctica manual

Esta formación en vivo dirigida por instructores en <ubicación> (en línea o presencial) está orientada a desarrolladores y científicos de datos que desean utilizar TensorFlow 2.x para construir predictores, clasificadores, modelos generativos, redes neuronales, entre otros.

Al finalizar esta capacitación, los participantes podrán:

• Instalar y configurar TensorFlow 2.x.
• Comprender las ventajas de TensorFlow 2.x en comparación con versiones anteriores.
• Construir modelos de aprendizaje profundo.
• Implementar un clasificador de imágenes avanzado.
• Desplegar un modelo de aprendizaje profundo en la nube, dispositivos móviles e IoT.

Este curso comienza proporcionándote conocimientos conceptuales sobre redes neuronales y, en general, sobre algoritmos de aprendizaje automático, aprendizaje profundo (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 creación 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 el aprendizaje profundo. Los ejemplos y ejercicios prácticos se realizarán todos en TensorFlow.

Público objetivo

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de Aprendizaje Profundo.

Tras 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 despliegue de TensorFlow.
• podrán realizar tareas de instalación, configuración del entorno de producción y arquitectura.
• podrán evaluar la calidad del código, realizar depuración y monitoreo.
• serán capaces de implementar características avanzadas de producción como el entrenamiento de modelos, la construcción de gráficos y el registro (logging).