Aprendizaje de refuerzo profundo con Python

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.

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.

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.

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.

Esta formación en vivo impartida por un instructor en Chile (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 con instructor en <ubicación> (en línea o presencial) está dirigida a ingenieros de aprendizaje automático e investigadores de IA de nivel avanzado que deseen aplicar RLHF para afinar grandes modelos de IA, logrando un rendimiento superior, mayor seguridad y una mejor alineación.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos teóricos del RLHF y entender por qué es esencial en el desarrollo moderno de IA.
• Implementar modelos de recompensa basados en retroalimentación humana para guiar los procesos de aprendizaje por refuerzo.
• Afinar grandes modelos de lenguaje utilizando técnicas de RLHF para alinear las salidas con las preferencias humanas.
• Aplicar las mejores prácticas para escalar flujos de trabajo de RLHF en sistemas de IA listos para producción.

Esta formación en vivo y con instructor en Chile (online o presencial) está dirigida a científicos de datos de nivel intermedio que desean adquirir una comprensión integral y habilidades prácticas tanto en Modelos de Lenguaje Grande (LLM) como en Aprendizaje por Refuerzo (RL).

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los componentes y la funcionalidad de los modelos transformadores.
• Optimizar y ajustar finamente los LLM para tareas y aplicaciones específicas.
• Entender los principios fundamentales y las metodologías del aprendizaje por refuerzo.
• Aprender cómo las técnicas de aprendizaje por refuerzo pueden mejorar el rendimiento de los LLM.

Esta formación en vivo impartida por un instructor en Chile (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean profundizar su comprensión del aprendizaje por refuerzo y sus aplicaciones prácticas en el desarrollo de inteligencia artificial usando Google Colab.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los conceptos fundamentales de los algoritmos de aprendizaje por refuerzo.
• Implementar modelos de aprendizaje por refuerzo usando TensorFlow y OpenAI Gym.
• Desarrollar agentes inteligentes que aprendan mediante prueba y error.
• Optimizar el rendimiento de los agentes utilizando técnicas avanzadas como Q-learning y redes neuronales Q profundas (DQN).
• Entrenar agentes en entornos simulados usando OpenAI Gym.
• Desplegar modelos de aprendizaje por refuerzo para aplicaciones del mundo real.

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).

Este taller práctico impartido por un instructor en Chile (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.