Desarrollo de Soluciones de IA en el Borde

Esta formación presencial, impartida por un instructor y disponible en línea o in situ en Colombia, 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.

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 en vivo impartida por un instructor en Colombia (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.

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.

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.

Esta formación presencial, impartida por un instructor en Colombia (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 en vivo, impartida por un instructor en Colombia (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 impartida por un instructor, en vivo en Colombia (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 formación impartida por un instructor, en vivo en Colombia (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.

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 en vivo, impartida por un instructor en Colombia (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 en vivo, dirigida por un instructor en Colombia (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 Colombia (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.