Temario del curso
Introducción a los modelos avanzados de aprendizaje automático
- Panorama de modelos complejos: Random Forests, Gradient Boosting, Redes neuronales
- Cuándo utilizar modelos avanzados: Mejores prácticas y casos de uso
- Introducción a las técnicas de aprendizaje por ensamblaje
Ajuste y optimización de hiperparámetros
- Técnicas de búsqueda en cuadrícula (Grid search) y búsqueda aleatoria (Random search)
- Automatización del ajuste de hiperparámetros con Google Colab
- Uso de técnicas avanzadas de optimización (Bayesianas, algoritmos genéticos)
Redes neuronales y aprendizaje profundo
- Construcción y entrenamiento de redes neuronales profundas
- Aprendizaje por transferencia con modelos preentrenados
- Optimización de modelos de aprendizaje profundo para mejorar el rendimiento
Despliegue de modelos
- Introducción a estrategias de despliegue de modelos
- Despliegue de modelos en entornos en la nube usando Google Colab
- Inferencia en tiempo real y procesamiento por lotes
Trabajo con Google Colab para aprendizaje automático a gran escala
- Colaboración en proyectos de aprendizaje automático en Colab
- Uso de Colab para entrenamiento distribuido y aceleración con GPU/TPU
- Integración con servicios en la nube para entrenamiento escalable de modelos
Interpretabilidad y explicabilidad de los modelos
- Exploración de técnicas de interpretabilidad de modelos (LIME, SHAP)
- IA explicable para modelos de aprendizaje profundo
- Manejo de sesgos y equidad en modelos de aprendizaje automático
Aplicaciones del mundo real y estudios de caso
- Aplicación de modelos avanzados en sectores como salud, finanzas y comercio electrónico
- Estudios de caso: Despliegues exitosos de modelos
- Desafíos y tendencias futuras en aprendizaje automático avanzado
Resumen y próximos pasos
Requerimientos
- Sólido conocimiento de algoritmos y conceptos de aprendizaje automático
- Dominio de la programación en Python
- Experiencia con Jupyter Notebooks o Google Colab
Público objetivo
- Científicos de datos
- Practicantes de aprendizaje automático
- Ingenieros de inteligencia artificial
Testimonios (2)
el ecosistema de ML no solo incluye MLFlow sino también Optuna, hyperops, Docker y docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - MLflow
Traducción Automática
Disfruté participando en el entrenamiento de Kubeflow, que se llevó a cabo de manera remota. Este entrenamiento me permitió consolidar mi conocimiento sobre los servicios de AWS, K8s y todas las herramientas de DevOps relacionadas con Kubeflow, que son las bases necesarias para abordar el tema adecuadamente. Quiero agradecer a Malawski Marcin por su paciencia y profesionalismo en la formación y los consejos sobre mejores prácticas. Malawski aborda el tema desde diferentes ángulos, utilizando diferentes herramientas de despliegue como Ansible, EKS kubectl y Terraform. Ahora estoy definitivamente convencido de que me dirijo hacia el campo de aplicación correcto.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curso - Kubeflow
Traducción Automática
