IA Aplicada desde Cero

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 curso ha sido diseñado para gerentes, arquitectos de soluciones, oficiales de innovación, CTOs, arquitectos de software y cualquier persona interesada en obtener una visión general de la inteligencia artificial aplicada y las perspectivas más cercanas para su desarrollo.

Esta capacitación en vivo, dirigida por un instructor en Colombia (en línea o en el sitio), está dirigida a participantes de nivel principiante que deseen aprender conceptos esenciales en probabilidad, estadística, programación y aprendizaje automático, y aplicarlos al desarrollo de IA.

Al finalizar esta capacitación, los participantes podrán:

• Comprender conceptos básicos en probabilidad y estadística, y aplicarlos a escenarios del mundo real.
• Escribir y comprender código de programación procedural, funcional y orientado a objetos.
• Implementar técnicas de aprendizaje automático como clasificación, agrupamiento y redes neuronales.
• Desarrollar soluciones de IA utilizando motores de reglas y sistemas expertos para la resolución de problemas.

Esta capacitación presencial o en línea impartida por instructores en Colombia 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 en vivo, impartida por un instructor en Colombia (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.

En esta capacitación en vivo impartida por un instructor en Colombia, los participantes aprenderán a utilizar las librerías de Python para NLP mientras desarrollan una aplicación que procesa un conjunto de imágenes y genera descripciones para ellas.

Al finalizar esta capacitación, los participantes serán capaces de:

• Diseñar y programar soluciones de DL para NLP utilizando librerías de Python.
• Crear código en Python que lea una colección de imágenes considerablemente grande y genere palabras clave.
• Desarrollar código en Python que genere descripciones a partir de las palabras clave detectadas.

Público objetivo

Este curso está diseñado para investigadores e ingenieros de aprendizaje profundo interesados en utilizar herramientas disponibles (mayoritariamente de código abierto) para analizar imágenes de computación.

El curso incluye ejemplos prácticos.

Esta capacitación impartida por un instructor, en vivo Colombia (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.

Esta capacitación impartida por un instructor, en vivo en Colombia (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.

En esta capacitación en vivo impartida por un instructor en Colombia (en línea o presencial), los participantes aprenderán a configurar y utilizar TensorFlow Serving para implementar y gestionar modelos de ML en un entorno productivo.

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

• Entrenar, exportar y servir diversos modelos de TensorFlow.
• Probar y desplegar algoritmos utilizando una única arquitectura y conjunto de APIs.
• Extender TensorFlow Serving para servir otros tipos de modelos además de los de TensorFlow.

TensorFlow es una API de segunda generación de la biblioteca de software de código abierto de Google para el aprendizaje profundo. Este sistema está diseñado para facilitar la investigación en aprendizaje automático y hacer que la transición desde un prototipo de investigación hasta un sistema de producción sea rápida y sencilla.

Público Objetivo

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

Al finalizar este curso, los participantes serán capaces de:

• Comprender la estructura y los mecanismos de implementación de TensorFlow.
• Realizar tareas de instalación, configuración del entorno de producción y arquitectura.
• Evaluar la calidad del código, realizar depuración y monitoreo.
• Implementar funciones avanzadas de producción, como entrenamiento de modelos, construcción de grafos y registro de eventos.

Este curso explora, mediante ejemplos concretos, la aplicación de TensorFlow con fines de reconocimiento de imágenes

Público objetivo

Este curso está dirigido a ingenieros que deseen utilizar TensorFlow para reconocimiento de imágenes.

Al completar este curso, los participantes serán capaces de:

• comprender la estructura y los mecanismos de implementación de TensorFlow
• realizar tareas de instalación, configuración y arquitectura en entornos de producción
• evaluar la calidad del código, realizar depuración y monitoreo
• implementar prácticas avanzadas de producción, como entrenamiento de modelos, construcción de grafos y registro de eventos

Esta capacitación en vivo, impartida por un instructor en Colombia (en línea o en sitio), está dirigida a científicos de datos que desean avanzar desde el entrenamiento de un solo modelo de ML hasta el despliegue de múltiples modelos de ML en producción.

Al finalizar esta capacitación, los participantes podrán:

• Instalar y configurar TFX y herramientas de terceros compatibles.
• Utilizar TFX para crear y gestionar un pipeline completo de producción de ML.
• Trabajar con los componentes de TFX para realizar modelado, entrenamiento, inferencia de servicio y gestión de implementaciones.
• Desplegar características de aprendizaje automático en aplicaciones web, aplicaciones móviles, dispositivos IoT y más.

TensorFlow™ es una biblioteca de software de código abierto para el cálculo numérico mediante gráficos de flujo de datos.

SyntaxNet es un framework de procesamiento de lenguaje natural basado en redes neuronales diseñado para TensorFlow.

Word2Vec se utiliza para aprender representaciones vectoriales de palabras, denominadas "incrustaciones de palabras" (word embeddings). Word2Vec es un modelo predictivo particularmente eficiente desde el punto de vista computacional para aprender estas incrustaciones a partir de texto sin procesar. Se presenta en dos variantes: el modelo de bolsa continua de palabras (CBOW) y el modelo Skip-Gram (capítulos 3.1 y 3.2 en Mikolov et al.).

Al utilizarse en conjunto, SyntaxNet y Word2Vec permiten a los usuarios generar modelos de incrustaciones aprendidas a partir de entradas en lenguaje natural.

Público objetivo

Este curso está dirigido a desarrolladores e ingenieros que planean trabajar con modelos de SyntaxNet y Word2Vec en sus gráficos de TensorFlow.

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

• comprender la estructura y los mecanismos de implementación de TensorFlow
• realizar tareas de instalación, configuración del entorno de producción y arquitectura
• evaluar la calidad del código, realizar depuración y monitoreo
• implementar funcionalidades avanzadas de producción, como el entrenamiento de modelos, la incorporación de términos, la construcción de gráficos y el registro de eventos

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).