Cursos de Aprendizaje Automático en Bogotá

Este entrenamiento, dirigido por un instructor y realizado en vivo Bogotá (en línea o en sitio), está diseñado para profesionales de nivel principiante que deseen comprender el concepto de los modelos preentrenados y aprender a aplicarlos para resolver problemas del mundo real sin tener que construir modelos desde cero.

Al finalizar este entrenamiento, los participantes estarán en capacidad de:

• Comprender el concepto y los beneficios de los modelos preentrenados.
• Explorar diversas arquitecturas de modelos preentrenados y sus casos de uso.
• Ajustar finamente un modelo preentrenado para tareas específicas.
• Implementar modelos preentrenados en proyectos sencillos de aprendizaje automático.

Esta formación presencial, impartida por un instructor en Bogotá (en línea o en sitio), está dirigida a participantes con diversos niveles de experiencia que deseen aprovechar la plataforma AutoML de Google para desarrollar chatbots personalizados para distintas aplicaciones.

Al finalizar esta formación, los participantes estarán en capacidad de:

• Comprender los fundamentos del desarrollo de chatbots.
• Navegar por Google Cloud Platform y acceder a AutoML.
• Preparar los datos necesarios para entrenar modelos de chatbots.
• Entrenar y evaluar modelos personalizados de chatbots utilizando AutoML.
• Desplegar e integrar chatbots en diversas plataformas y canales.
• Monitorear y optimizar el rendimiento de los chatbots a lo largo del tiempo.

Esta capacitación, impartida por instructores y realizada en vivo en Bogotá (en línea o presencial), está dirigida a desarrolladores de IA de nivel intermedio, ingenieros de aprendizaje automático y arquitectos de sistemas que deseen optimizar modelos de IA para su despliegue en el borde.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender los desafíos y requisitos asociados al despliegue de modelos de IA en dispositivos de borde.
• Aplicar técnicas de compresión de modelos para reducir el tamaño y la complejidad de los modelos de IA.
• Utilizar métodos de cuantización para mejorar la eficiencia de los modelos en hardware de borde.
• Implementar poda y otras técnicas de optimización para mejorar el rendimiento de los modelos.
• Desplegar modelos de IA optimizados en diversos dispositivos de borde.

Esta capacitación en vivo, impartida por instructores en Bogotá (en línea o en sitio), está dirigida a desarrolladores de nivel intermedio, científicos de datos y entusiastas de la tecnología que desean adquirir habilidades prácticas para desplegar modelos de IA en dispositivos de borde para diversas aplicaciones.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender los principios de la IA en el borde y sus beneficios.
• Configurar y establecer el entorno de computación en el borde.
• Desarrollar, entrenar y optimizar modelos de IA para su despliegue en el borde.
• Implementar soluciones prácticas de IA en dispositivos de borde.
• Evaluar y mejorar el rendimiento de los modelos desplegados en el borde.
• Abordar consideraciones éticas y de seguridad en las aplicaciones de IA en el borde.

Kubeflow es una plataforma de código abierto diseñada para agilizar la construcción, el entrenamiento y el despliegue de cargas de trabajo de aprendizaje automático en Kubernetes.

Esta capacitación impartida por un instructor, en vivo (en línea o en el sitio), está dirigida a profesionales de nivel principiante a intermedio que deseen crear flujos de trabajo de ML confiables utilizando Kubeflow.

Al finalizar esta capacitación, los asistentes adquirirán las habilidades para:

• Navegar por el ecosistema de Kubeflow y sus componentes principales.
• Construir flujos de trabajo reproducibles con Kubeflow Pipelines.
• Ejecutar trabajos de entrenamiento escalables en Kubernetes.
• Servir modelos de aprendizaje automático de manera eficiente mediante Kubeflow Serving.

Formato del Curso

• Presentaciones guiadas y discusiones colaborativas.
• Laboratorios prácticos con componentes reales de Kubeflow.
• Ejercicios prácticos para construir flujos de trabajo de ML de extremo a extremo.

Opciones de Personalización del Curso

• Se pueden organizar versiones personalizadas de esta capacitación para alinearlas con la pila tecnológica y los requisitos de proyectos de su equipo.

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

Al finalizar esta capacitación, los participantes serán capaces de:

• 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.
• Aprovechar herramientas y técnicas para la conversión y optimización de modelos.
• Implementar aplicaciones prácticas de IA en el borde con TensorFlow Lite.

Esta capacitación en vivo, dirigida por un instructor en Bogotá (en línea o presencial), está diseñada para profesionales de nivel avanzado que deseen dominar las tecnologías detrás de los sistemas autónomos.

Al finalizar esta capacitación, los participantes serán capaces de:

• Diseñar e implementar modelos de IA para la toma de decisiones autónomas.
• Desarrollar algoritmos de control para navegación autónoma y evitación de obstáculos.
• Asegurar la seguridad y confiabilidad en sistemas autónomos impulsados por IA.
• Integrar sistemas autónomos con frameworks existentes de robótica e IA.

Esta capacitación presencial o en línea impartida por instructores en Bogotá está dirigida a profesionales de nivel avanzado que desean profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar modelos de visión sofisticados utilizando Google Colab.

Al finalizar esta capacitación, los participantes podrán:

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

Esta capacitación impartida por un instructor, en vivo en Bogotá (en línea o en sitio), está dirigida a profesionales de nivel avanzado que deseen mejorar sus conocimientos sobre modelos de aprendizaje automático, perfeccionar sus habilidades en el ajuste de hiperparámetros y aprender a desplegar modelos de manera efectiva con Google Colab.

Al finalizar esta capacitación, los participantes estarán en capacidad de:

• Implementar modelos avanzados de aprendizaje automático utilizando frameworks populares como Scikit-learn y TensorFlow.
• Optimizar el rendimiento del modelo mediante el ajuste de hiperparámetros.
• Desplegar modelos de aprendizaje automático en aplicaciones del mundo real usando Google Colab.
• Colaborar y gestionar proyectos de aprendizaje automático a gran escala en Google Colab.

Este curso impartido por un instructor, en vivo Bogotá (en línea o presencial), está dirigido a profesionales de nivel intermedio que deseen aplicar técnicas de IA para optimizar la gestión del rendimiento en la fabricación de semiconductores.

Al finalizar este curso, los participantes podrán:

• Analizar datos de producción para identificar factores que afectan las tasas de rendimiento.
• Implementar algoritmos de IA para mejorar los procesos de gestión del rendimiento.
• Optimizar parámetros de producción para reducir defectos y mejorar los rendimientos.
• Integrar la gestión del rendimiento impulsada por IA en los flujos de trabajo de producción existentes.

Esta capacitación presencial o en línea, impartida por un instructor en Bogotá, está dirigida a profesionales de negocios e IA de nivel intermedio que deseen aplicar el aprendizaje automático en entornos comerciales, proyecciones y sistemas impulsados por IA, utilizando casos de estudio reales y herramientas basadas en Python.

Al finalizar esta capacitación, los participantes estarán en capacidad de:

• Comprender cómo el aprendizaje automático se integra en la estrategia de IA y de negocios.
• Aplicar técnicas de aprendizaje supervisado y no supervisado a problemas empresariales estructurados.
• Preprocesar y transformar datos para su modelado.
• Utilizar redes neuronales para tareas de clasificación y predicción.
• Realizar proyecciones de ventas empleando métodos estadísticos y basados en aprendizaje automático.
• Implementar técnicas de agrupamiento y minería de reglas de asociación para la segmentación de clientes y el descubrimiento de patrones.

Este curso, impartido por un instructor en vivo en Bogotá (en línea o presencial), está dirigido a profesionales de nivel avanzado que deseen aplicar técnicas de vanguardia en IA para la automatización del diseño de semiconductores, mejorando así la eficiencia, la precisión y la innovación en el diseño y la verificación de chips.

Al finalizar este curso, los participantes podrán:

• Aplicar técnicas avanzadas de IA para optimizar los procesos de diseño de semiconductores.
• Integrar modelos de aprendizaje automático en herramientas EDA para mejorar la verificación del diseño.
• Desarrollar soluciones impulsadas por IA para resolver desafíos complejos en la fabricación de chips.
• Aprovechar las redes neuronales para mejorar la precisión y la velocidad en la automatización del diseño.

Esta capacitación en vivo, impartida por un instructor en Bogotá (en línea o en sitio), 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 capacitación, los participantes podrán:

• Configurar y navegar en 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.
• Aprovechar las funciones avanzadas de TensorFlow para el aprendizaje profundo.

Esta capacitación en vivo, impartida por un instructor en Bogotá (en línea o en sitio), está dirigida a profesionales de nivel intermedio que deseen comprender y aplicar técnicas de IA para optimizar los procesos de fabricación de semiconductores.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender las metodologías de IA para la optimización de procesos en la fabricación de chips.
• Implementar modelos de IA para mejorar el rendimiento y reducir los defectos.
• Analizar datos de procesos para identificar los parámetros clave que requieren optimización.
• Aplicar técnicas de aprendizaje automático para ajustar con precisión los procesos de fabricación de semiconductores.

Esta capacitación presencial, con instructores en vivo en Bogotá (en línea o in situ), está dirigida a participantes de nivel intermedio que deseen automatizar y gestionar flujos de trabajo de machine learning, incluyendo el entrenamiento, validación y despliegue de modelos utilizando Apache Airflow.

Al finalizar esta capacitación, los participantes podrán:

• Configurar Apache Airflow para la orquestación de flujos de trabajo de machine learning.
• Automatizar tareas de preprocesamiento de datos, entrenamiento y validación de modelos.
• Integrar Airflow con frameworks y herramientas de machine learning.
• Desplegar modelos de machine learning mediante pipelines automatizados.
• Monitorear y optimizar flujos de trabajo de machine learning en producción.

Esta capacitación impartida por un instructor, en vivo en Bogotá (en línea o presencial), está dirigida a científicos de datos y desarrolladores de nivel intermedio que desean aplicar algoritmos de aprendizaje automático de manera eficiente utilizando el entorno de Google Colab.

Al finalizar esta capacitación, los participantes podrán:

• Configurar y navegar en Google Colab para proyectos de aprendizaje automático.
• Comprender y aplicar diversos algoritmos de aprendizaje automático.
• Utilizar bibliotecas como Scikit-learn para analizar y predecir datos.
• Implementar modelos de aprendizaje supervisado y no supervisado.
• Optimizar y evaluar modelos de aprendizaje automático de manera efectiva.

Esta formación impartida por un instructor, en vivo en Bogotá (en línea o en sitio), está dirigida a profesionales de nivel avanzado que desean explorar técnicas de IA Explicable (XAI) de vanguardia para modelos de aprendizaje profundo, con un enfoque en la construcción de sistemas de IA interpretables.

Al finalizar esta formación, los participantes serán capaces de:

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

Esta capacitación presencial o en línea, impartida por instructores en Bogotá, está diseñada para profesionales de nivel principiante que desean comprender y aplicar tecnologías de inteligencia artificial dentro de la industria de manufactura de semiconductores.

Al finalizar esta capacitación, los participantes estarán en capacidad de:

• Comprender los principios básicos de la inteligencia artificial y su aplicación en la manufactura de semiconductores.
• Identificar áreas dentro de la manufactura de semiconductores donde la inteligencia artificial puede implementarse de manera efectiva.
• Utilizar herramientas y técnicas de inteligencia artificial para mejorar la eficiencia productiva y el control de calidad.
• Implementar modelos básicos de inteligencia artificial para optimizar procesos de manufactura.

Esta capacitación en vivo, impartida por un instructor en Bogotá (en línea o presencial), está dirigida a científicos de datos y desarrolladores que deseen utilizar modelos de aprendizaje automático de ML.NET para derivar proyecciones automáticamente a partir de análisis de datos ejecutados en aplicaciones empresariales.

Al finalizar esta capacitación, los participantes serán capaces de:

• Instalar ML.NET e integrarlo en el entorno de desarrollo de aplicaciones.
• Comprender los principios de aprendizaje automático que sustentan las herramientas y algoritmos de ML.NET.
• Construir y entrenar modelos de aprendizaje automático para realizar predicciones inteligentes con los datos proporcionados.
• Evaluar el rendimiento de un modelo de aprendizaje automático utilizando las métricas de ML.NET.
• Optimizar la precisión de los modelos de aprendizaje automático existentes basándose en el marco de ML.NET.
• Aplicar los conceptos de aprendizaje automático de ML.NET a otras aplicaciones de ciencia de datos.

Esta capacitación impartida por un instructor, en vivo en Bogotá (en línea o presencial), está dirigida a profesionales de datos de nivel intermedio que deseen aplicar técnicas de aprendizaje automático a problemas comerciales basados en datos, incluyendo el pronóstico de ventas y el modelado predictivo mediante redes neuronales.

Al finalizar esta capacitación, los participantes podrán:

• Comprender los conceptos fundamentales y los tipos de aprendizaje automático.
• Aplicar algoritmos clave para clasificación, regresión, agrupamiento y análisis de asociación.
• Realizar análisis exploratorio de datos y preparación de datos utilizando Python.
• Utilizar redes neuronales para tareas de modelado no lineal.
• Implementar análisis predictivo para pronósticos comerciales, incluyendo datos de ventas.
• Evaluar y optimizar el rendimiento del modelo mediante técnicas visuales y estadísticas.

Esta capacitación en vivo, impartida por un instructor en Bogotá (en línea o presencial), está dirigida 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 aprendizaje profundo para la generación de imágenes a partir de texto.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender 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.
• Ajustar hiperparámetros para mejorar el rendimiento y la generalización del modelo.
• Integrar Stable Diffusion con otros marcos y herramientas de aprendizaje profundo

Esta formación impartida por instructores en vivo en Bogotá (en línea o en sitio) está dirigida a profesionales de ciberseguridad de nivel intermedio a avanzado que deseen elevar sus habilidades en la detección de amenazas impulsada por IA y la respuesta a incidentes.

Al finalizar esta formación, los participantes podrán:

• Implementar algoritmos avanzados de IA para la detección de amenazas en tiempo real.
• Personalizar modelos de IA para desafíos específicos de ciberseguridad.
• Desarrollar flujos de trabajo automatizados para la respuesta ante amenazas.
• Proteger herramientas de seguridad impulsadas por IA contra ataques adversarios.

Esta capacitación impartida por instructores, en vivo Bogotá (en línea o presencial), está dirigida a profesionales de ciberseguridad principiantes que deseen aprender a aprovechar la IA para mejorar sus capacidades de detección y respuesta a amenazas.

Al finalizar esta capacitación, los participantes estarán en capacidad de:

• Comprender las aplicaciones de la IA en ciberseguridad.
• Implementar algoritmos de IA para la detección de amenazas.
• Automatizar la respuesta a incidentes con herramientas de IA.
• Integrar la IA en la infraestructura existente de ciberseguridad.

Esta formación en vivo impartida por un instructor en Bogotá (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 presencial, impartida por un instructor en Bogotá (en línea o in situ), está dirigida a desarrolladores y científicos de datos de nivel principiante a intermedio que deseen aprender los fundamentos de LightGBM y explorar técnicas avanzadas.

Al finalizar esta capacitación, los participantes serán capaces de:

• Instalar y configurar LightGBM.
• Comprender la teoría detrás de los algoritmos de gradientes boost y árboles de decisión.
• Utilizar LightGBM para tareas básicas y avanzadas de aprendizaje automático.
• Implementar técnicas avanzadas como ingeniería de características, ajuste de hiperparámetros e interpretación de modelos.
• Integrar LightGBM con otros frameworks de aprendizaje automático.
• Resolver problemas comunes en LightGBM.

Esta capacitación impartida por un instructor en vivo en Bogotá (en línea o en sitio) está dirigida a analistas de datos de nivel intermedio que desean aprender a utilizar RapidMiner para estimar y proyectar valores, así como aprovechar herramientas analíticas para el pronóstico de series de tiempo.

Al finalizar esta capacitación, los participantes podrán:

• Aprender a aplicar la metodología CRISP-DM, seleccionar algoritmos de aprendizaje automático adecuados y mejorar la construcción y el rendimiento de los modelos.
• Utilizar RapidMiner para estimar y proyectar valores, y emplear herramientas analíticas en el pronóstico de series de tiempo.

Esta capacitación en vivo, impartida por un instructor (en línea o in situ), está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores en visión por computadora que desean aprovechar Stable Diffusion para generar imágenes de alta calidad en diversos casos de uso.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender los principios de Stable Diffusion y su funcionamiento en 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.

El objetivo de este curso es brindar competencia general en la aplicación práctica de métodos de Aprendizaje Automático. Mediante el uso del lenguaje de programación Python y sus diversas bibliotecas, y basándose en una multitud de ejemplos prácticos, este curso enseña a utilizar los bloques de construcción más importantes del Aprendizaje Automático, cómo tomar decisiones de modelado de datos, interpretar las salidas de los algoritmos y validar los resultados.

Nuestro objetivo es brindarle las habilidades necesarias para comprender y utilizar con confianza las herramientas más fundamentales de la caja de herramientas del Aprendizaje Automático, evitando las trampas comunes de las aplicaciones de Ciencias de Datos.

IA aplicada desde cero en Python proporciona a los programadores y analistas de datos las técnicas fundamentales para construir soluciones de aprendizaje automático desde cero utilizando Python. Cubre los principios básicos de aprendizaje supervisado, como clasificación y regresión, aprendizaje no supervisado, como clustering y detección de anomalías, y arquitecturas avanzadas de redes neuronales. Examina métodos probados para trabajar con scikit-learn, Apache Spark MLlib y cuadernos de Jupyter en el desarrollo práctico de IA. Ayuda a los profesionales a implementar modelos de ML prácticos, evaluar las limitaciones de los algoritmos y completar proyectos aplicados para la resolución de problemas del mundo real.

El Aprendizaje por Refuerzo Profundo (DRL) combina los principios del aprendizaje por refuerzo con arquitecturas de aprendizaje profundo para permitir que los agentes tomen decisiones mediante la interacción con sus entornos. Esta tecnología es la base de muchos avances modernos de la inteligencia artificial, como vehículos autónomos, control robótico, trading algorítmico y sistemas de recomendación adaptativos. El DRL permite que un agente artificial aprenda estrategias, optimice políticas y tome decisiones autónomas basadas en el ensayo y el error, utilizando un aprendizaje por recompensas.

Esta capacitación en vivo, impartida por un instructor (en línea o en el sitio), está dirigida a desarrolladores y científicos de datos de nivel intermedio que deseen aprender y aplicar técnicas de Aprendizaje por Refuerzo Profundo para construir agentes inteligentes capaces de tomar decisiones autónomas en entornos complejos.

Al finalizar esta capacitación, los participantes podrán:

• Comprender los fundamentos teóricos y los principios matemáticos del aprendizaje por refuerzo.
• Implementar algoritmos clave de RL, incluidos Q-Learning, gradientes de política y métodos de 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

• Conferencias interactivas y discusiones guiadas.
• Ejercicios prácticos e implementaciones reales.
• Demostraciones 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 está transformando la estrategia digital, la automatización y la toma de decisiones en las operaciones empresariales. Se examinan conceptos centrales 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 la comunicación, la percepción y la acción autónoma. Guía a directivos y arquitectos para evaluar oportunidades de transformación impulsadas por IA, analizar tendencias tecnológicas emergentes e integrar soluciones inteligentes prácticas que aceleren la agilidad empresarial.

Esta formación presencial, impartida por un instructor y disponible en línea o in situ en Bogotá, está dirigida a científicos de datos e ingenieros de software que deseen utilizar AdaBoost para desarrollar algoritmos de refuerzo (boosting) para aprendizaje automático con Python.

Al finalizar esta formación, los participantes podrán:

• Configurar el entorno de desarrollo necesario para comenzar a crear modelos de aprendizaje automático con AdaBoost.
• Comprender el enfoque de aprendizaje por conjuntos y cómo implementar el refuerzo adaptativo.
• Aprender a construir modelos de AdaBoost para potenciar algoritmos de aprendizaje automático en Python.
• Aplicar el ajuste de hiperparámetros para mejorar la precisión y el rendimiento de los modelos de AdaBoost.

Este curso aborda la Inteligencia Artificial (con énfasis en Aprendizaje Automático y Aprendizaje Profundo) aplicada a la industria automotriz. Ayuda a determinar qué tecnologías pueden utilizarse (potencialmente) en múltiples situaciones dentro de un vehículo: desde la automatización básica y el reconocimiento de imágenes hasta la toma de decisiones autónoma.

Este programa de 8 días ofrece un recorrido completo desde sólidos cimientos en ingeniería de Python hasta el diseño avanzado de sistemas de IA. Los participantes desarrollan prácticas de codificación disciplinadas, dominan métodos estadísticos y de aprendizaje profundo, y construyen sistemas generativos de IA y basados en agentes listos para producción. El enfoque se centra en la fiabilidad, la evaluación, la seguridad y el despliegue en el mundo real, en lugar de limitarse a la experimentación.

La red neuronal artificial es un modelo computacional de datos utilizado en el desarrollo de sistemas de Inteligencia Artificial (IA) capaces de realizar tareas "inteligentes". Las redes neuronales se emplean comúnmente en aplicaciones de Aprendizaje Automático (ML), las cuales constituyen una de las implementaciones de la IA. El Aprendizaje Profundo es un subconjunto del ML.

Eleve su experiencia en ciencia de datos con este curso completo de capacitación en aprendizaje automático que abarca algoritmos fundamentales como Naive Bayes, árboles de decisión, redes neuronales, máquinas de soporte vectorial y técnicas de agrupamiento. Adquiera experiencia práctica con fundamentos teóricos y aplicaciones reales mediante ejemplos del mundo real. Ideal para analistas de datos, ingenieros de software, entusiastas de la IA y profesionales de negocios que buscan aplicar soluciones de aprendizaje automático. Domine las métricas de rendimiento de clasificación, la validación cruzada, la compensación sesgo-varianza y los fundamentos del aprendizaje profundo para construir modelos predictivos robustos.

Este entrenamiento impartido por un instructor en vivo en Bogotá (en línea o presencial) está dirigido a investigadores y desarrolladores que desean utilizar Chainer para construir y entrenar redes neuronales en Python, manteniendo un código fácil de depurar.

Al finalizar este entrenamiento, los participantes podrán:

• Configurar el entorno de desarrollo necesario para comenzar a crear modelos de redes neuronales.
• Definir e implementar modelos de redes neuronales mediante un código fuente comprensible.
• Ejecutar ejemplos y modificar algoritmos existentes para optimizar los modelos de entrenamiento en aprendizaje profundo, aprovechando el uso de GPUs para alto rendimiento.

Esta capacitación en vivo, impartida por un instructor en Bogotá (en línea o en sitio), ofrece una introducción al campo del reconocimiento de patrones y del aprendizaje automático. Aborda aplicaciones prácticas en estadística, ciencias de la computación, procesamiento de señales, visión por computadora, minería de datos y bioinformática.

Al finalizar esta capacitación, los participantes estarán en capacidad de:

• Aplicar métodos estadísticos fundamentales al reconocimiento de patrones.
• Utilizar modelos clave, como redes neuronales y métodos de kernel, para el análisis de datos.
• Implementar técnicas avanzadas para resolver problemas complejos.
• Mejorar la precisión de las predicciones combinando diferentes modelos.

Esta capacitación en vivo, impartida por un instructor en Bogotá (en línea o en sitio), está dirigida a científicos de datos que desean acelerar aplicaciones de aprendizaje automático en tiempo real y desplegarlas a gran escala.

Al finalizar esta capacitación, los participantes podrán:

• Instalar el conjunto de herramientas OpenVINO.
• Acelerar una aplicación de visión por computadora utilizando una FPGA.
• Ejecutar diferentes capas de redes neuronales convolucionales (CNN) en la FPGA.
• Escalar la aplicación en múltiples nodos dentro de un clúster de Kubernetes.

Esta capacitación impartida por un instructor, en vivo Bogotá (en línea o en sitio), está dirigida a científicos de datos que desean utilizar TensorFlow para analizar datos potenciales de fraude.

Al finalizar esta capacitación, los participantes podrán:

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

El aprendizaje automático es una rama de la Inteligencia Artificial en la que los computadores tienen la capacidad de aprender sin ser programados explícitamente.

El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en la representación y el aprendizaje de estructuras de datos, como las redes neuronales.

Python es un lenguaje de programación de alto nivel famoso por su sintaxis clara y la legibilidad de su código.

En esta capacitación en vivo, impartida por un instructor, los participantes aprenderán a implementar modelos de aprendizaje profundo para el sector de telecomunicaciones utilizando Python, mientras avanzan paso a paso en la creación de un modelo de riesgo crediticio basado en aprendizaje profundo.

Al finalizar esta capacitación, los participantes estarán en capacidad de:

• Comprender los conceptos fundamentales del aprendizaje profundo.
• Conocer las aplicaciones y usos del aprendizaje profundo en telecomunicaciones.
• Utilizar Python, Keras y TensorFlow para crear modelos de aprendizaje profundo aplicados a telecomunicaciones.
• Desarrollar su propio modelo de predicción de abandono de clientes (churn) basado en aprendizaje profundo usando Python.

Formato del curso

• Conferencias interactivas y discusiones.
• Numerosos ejercicios y prácticas.
• Implementación práctica en un entorno de laboratorio en vivo.

Opciones de personalización del curso

• Para solicitar una capacitación personalizada para este curso, contáctenos para coordinarlo.

Esta formación impartida por un instructor, en vivo en Bogotá (en línea o en sitio), está dirigida a científicos de datos, analistas de datos y desarrolladores que desean explorar los productos y funciones de AutoML para crear e implementar modelos de entrenamiento personalizados de ML con el mínimo esfuerzo.

Al finalizar esta formación, los participantes podrán:

• Explorar la línea de productos de AutoML para implementar diferentes servicios para diversos tipos de datos.
• Preparar y etiquetar conjuntos de datos para crear modelos personalizados de ML.
• Entrenar y gestionar modelos para obtener modelos de aprendizaje automático precisos y justos.
• Realizar predicciones utilizando modelos entrenados para cumplir con los objetivos y necesidades empresariales.

Esta capacitación en vivo, impartida por un instructor en Bogotá (en línea o en sitio), está dirigida a desarrolladores o científicos de datos que deseen utilizar Horovod para ejecutar entrenamientos distribuidos de aprendizaje profundo y escalarlos para funcionar en paralelo en múltiples GPUs.

Al finalizar esta capacitación, los participantes podrán:

• Configurar el entorno de desarrollo necesario para comenzar a ejecutar entrenamientos de aprendizaje profundo.
• Instalar y configurar Horovod para entrenar modelos con TensorFlow, Keras, PyTorch y Apache MXNet.
• Escalar el entrenamiento de aprendizaje profundo con Horovod para ejecutarlo en múltiples GPUs.

Esta capacitación práctica, impartida por un instructor, está diseñada como una continuación natural del curso Python para Análisis de Datos.

Presenta a los participantes los conceptos fundamentales del Aprendizaje Automático y muestra cómo pueden aplicarse directamente a tareas de análisis de datos, como predicción, clasificación y segmentación.

El enfoque está en comprender cómo funciona el Aprendizaje Automático en la práctica, utilizando herramientas familiares como Python, Pandas y Jupyter Notebook, sin requerir un trasfondo matemático avanzado.

Este curso está diseñado para personas que ya tienen una base en ciencia de datos y estadística. Las explicaciones proporcionadas sirven tanto como recordatorio para quienes ya están familiarizados con los conceptos, como para informar a quienes cuentan con el conocimiento previo adecuado.

Esta capacitación en vivo, impartida por un instructor en Bogotá (en línea o presencial), está dirigida a desarrolladores y científicos de datos que deseen crear, implementar y gestionar flujos de trabajo de aprendizaje automático en Kubernetes.

Al finalizar esta capacitación, los participantes podrán:

• Instalar y configurar Kubeflow tanto en entornos locales (on-premise) como en la nube.
• Construir, implementar y gestionar flujos de trabajo de ML basados en contenedores Docker y Kubernetes.
• Ejecutar pipelines completos de aprendizaje automático en diversas arquitecturas y entornos en la nube.
• Utilizar Kubeflow para crear y gestionar notebooks de Jupyter.
• Desarrollar cargas de trabajo de entrenamiento de ML, ajuste de hiperparámetros y servicios en múltiples plataformas.

Esta capacitación presencial o en línea, impartida por un instructor, está dirigida a desarrolladores que desean utilizar ML Kit de Google para construir modelos de aprendizaje automático optimizados para su procesamiento en dispositivos móviles.

Al finalizar esta capacitación, los participantes podrán:

• Configurar el entorno de desarrollo necesario para comenzar a implementar funciones de aprendizaje automático en aplicaciones móviles.
• Integrar nuevas tecnologías de aprendizaje automático en aplicaciones de Android e iOS mediante las APIs de ML Kit.
• Mejorar y optimizar aplicaciones existentes utilizando el SDK de ML Kit para su procesamiento y despliegue directamente en el dispositivo.

Esta capacitación impartida por un instructor en vivo en Bogotá (en línea o presencial) está dirigida a analistas de datos, desarrolladores o aspirantes a científicos de datos de nivel intermedio que desean aplicar técnicas de aprendizaje automático en Python para extraer conocimientos, hacer predicciones y automatizar decisiones basadas en datos.

Al finalizar este curso, los participantes podrán:

• Comprender y diferenciar los paradigmas clave del aprendizaje automático.
• Explorar técnicas de preprocesamiento de datos y métricas de evaluación de modelos.
• Aplicar algoritmos de aprendizaje automático para resolver problemas reales de datos.
• Utilizar bibliotecas de Python y cuadernos Jupyter para el desarrollo práctico.
• Construir modelos para predicción, clasificación, recomendación y agrupamiento.

Esta capacitación en vivo, dirigida por un instructor en Bogotá (en línea o presencial), está dirigida a científicos de datos e ingenieros de software que deseen utilizar Random Forest para construir algoritmos de aprendizaje automático para conjuntos de datos grandes.

Al finalizar esta capacitación, los participantes podrán:

• Configurar el entorno de desarrollo necesario para comenzar a construir modelos de aprendizaje automático con Random Forest.
• Comprender las ventajas de Random Forest y cómo implementarlo para resolver problemas de clasificación y regresión.
• Aprender a manejar conjuntos de datos grandes e interpretar múltiples árboles de decisión en Random Forest.
• Evaluar y optimizar el rendimiento de los modelos de aprendizaje automático mediante el ajuste de hiperparámetros.

Esta capacitación impartida por un instructor, en vivo en Bogotá (en línea o en el sitio), está dirigida a desarrolladores y científicos de datos que deseen utilizar TensorFlow 2.x para crear predictores, clasificadores, modelos generativos, redes neuronales y más.

Al finalizar esta capacitación, los participantes estarán en capacidad de:

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

Este curso comienza brindándote conocimientos conceptuales sobre redes neuronales y, en general, sobre algoritmos de aprendizaje automático y 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, entre otras.

La Parte 2 (20%) de esta formación introduce Theano, una biblioteca de Python que facilita la escritura de modelos de aprendizaje profundo.

La Parte 3 (40%) de la formación se basará extensivamente en TensorFlow, la API de la biblioteca de software de código abierto de Google para aprendizaje profundo. Todos los ejemplos y ejercicios prácticos se realizarán en TensorFlow.

Público objetivo

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de aprendizaje profundo.

Al completar este curso, los participantes:

• tendrán una buena comprensión de las redes neuronales profundas (DNN), las redes convolucionales (CNN) y las redes recurrentes (RNN).
• comprenderán la estructura y los mecanismos de implementación de TensorFlow.
• estarán capacitados para realizar tareas de instalación, configuración y arquitectura en entornos de producción.
• podrán evaluar la calidad del código, realizar depuración y monitoreo.
• estarán en capacidad de implementar tareas avanzadas de producción, como el entrenamiento de modelos, la construcción de grafos y el registro de eventos (logging).