Matlab para el Aprendizaje Profundo

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.

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.

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 con instructor en Chile (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 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 impartida por instructores en Chile (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.

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.

Esta formación en vivo impartida por un instructor en Chile (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 impartida por un instructor en Chile (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.

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).

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.