Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
1. Introducción a la Ingeniería en IA
- ¿Qué es la ingeniería en IA?
- IA vs. Aprendizaje automático vs. Aprendizaje profundo
- Ciclo de vida de la ingeniería en IA.
- Aplicaciones de la IA en diferentes industrias.
- Rol y responsabilidades de un ingeniero en IA.
2. Fundamentos de la Inteligencia Artificial
- Conceptos y terminología clave de la IA.
- Aprendizaje supervisado, no supervisado y por refuerzo.
- Fundamentos de redes neuronales y aprendizaje profundo.
- Visión general de la IA generativa y modelos fundacionales.
- Ecosistemas y herramientas para el desarrollo de IA.
3. Python para Ingeniería en IA
- Bibliotecas esenciales de Python para IA.
- NumPy, Pandas y Matplotlib.
- Manipulación y visualización de datos.
- Uso de Jupyter Notebooks.
- Escritura de código reutilizable para IA.
4. Preparación de Datos para IA
- Recopilación y comprensión de conjuntos de datos.
- Limpieza y preprocesamiento de datos.
- Ingeniería de características (feature engineering).
- Escalar y normalizar características.
- Dividir conjuntos de datos en entrenamiento, validación y prueba.
- Gestión de valores faltantes y atípicos.
5. Fundamentos del Aprendizaje Automático
- Algoritmos de regresión.
- Algoritmos de clasificación.
- Técnicas de agrupamiento (clustering).
- Flujo de trabajo de entrenamiento de modelos.
- Métricas de evaluación de modelos.
- Prevención del sobreajuste (overfitting) y subajuste (underfitting).
6. Construcción de Modelos de IA con TensorFlow y PyTorch
- Introducción a TensorFlow.
- Introducción a PyTorch.
- Creación de redes neuronales.
- Entrenamiento y validación de modelos.
- Guardado y carga de modelos.
- Comparación entre ambos frameworks.
7. Fundamentos del Procesamiento de Lenguaje Natural (NLP)
- Preprocesamiento de texto.
- Representaciones vectoriales de palabras (word embeddings).
- Clasificación de texto.
- Análisis de sentimientos.
- Introducción a los modelos tipo Transformer.
- Aplicaciones prácticas de NLP.
8. IA en el Desarrollo de Software
- Integración de IA en aplicaciones existentes.
- Consumo de servicios de IA a través de APIs.
- Desarrollo de aplicaciones potenciadas por IA.
- Herramientas de desarrollo de software asistidas por IA.
- Pruebas de aplicaciones habilitadas para IA.
9. Mejores Prácticas de Ingeniería en IA
- Estructura y organización de proyectos.
- Control de versiones con Git.
- Seguimiento de experimentos.
- Versionado de modelos.
- Estándares de documentación.
- Reproducibilidad en proyectos de IA.
10. Despliegue de Modelos de IA
- Serialización de modelos.
- Construcción de servicios de inferencia.
- APIs REST para modelos de IA.
- Introducción a Docker para el despliegue de IA.
- Monitoreo de modelos desplegados.
- Mantenimiento y actualización de modelos.
11. Ingeniería de Datos para IA
- Pipelines de datos.
- Procesos ETL (Extraer, Transformar, Cargar).
- Gestión de datos estructurados y no estructurados.
- Opciones de almacenamiento de datos.
- Gestión de la calidad de los datos.
- Preparación de conjuntos de datos listos para producción.
12. IA Responsable y Ética
- Sesgo e imparcialidad en la IA.
- IA explicable (XAI).
- Privacidad y protección de datos.
- Consideraciones de seguridad en IA.
- Desarrollo ético de la IA.
- Aspectos regulatorios y de gobernanza.
13. Gestión de Proyectos de IA
- Ciclo de vida de proyectos de IA.
- Metodologías ágiles para proyectos de IA.
- Colaboración entre equipos técnicos y comerciales.
- Estimación de proyectos de IA.
- Gestión de riesgos.
- Medición del éxito del proyecto.
14. Taller Práctico de Ingeniería en IA y Tendencias Futuras
- Configuración de un flujo de trabajo completo de desarrollo de IA.
- Ejecución de un proyecto de aprendizaje automático de extremo a extremo.
- Entrenamiento y evaluación de un modelo utilizando TensorFlow o PyTorch.
- Despliegue de una aplicación simple de IA.
- Tendencias actuales en Ingeniería en IA.
- IA generativa y Modelos de Lenguaje Grande (LLM).
- MLOps y automatización de la IA.
- Rutas profesionales y aprendizaje continuo.
- Resumen, preguntas y respuestas, y próximos pasos.
Requerimientos
- Conocimiento básico de conceptos de programación.
- Experiencia con el lenguaje de programación Python.
- Familiaridad con estadística básica y álgebra lineal.
Público objetivo
- Ingenieros en IA.
- Desarrolladores de software.
- Analistas de datos.
14 Horas
Reseñas (2)
La amplia selección de herramientas presentadas
Miruna Buzduga - Aeronamic Eastern Europe
Curso - AI Enablement Training for Engineers
Traducción Automática
Formación paso a paso con muchos ejercicios. Fue como un taller y estoy muy contento con eso.
Ireneusz - Inter Cars S.A.
Curso - Intelligent Applications Fundamentals
Traducción Automática
