Aprendizaje automático con Google Colab

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.

Esta capacitación en vivo, impartida por un instructor en Colombia (en línea o en sitio), está dirigida a científicos de datos, así como a personas con menos conocimientos técnicos que deseen utilizar Auto-Keras para automatizar el proceso de selección y optimización de un modelo de aprendizaje automático.

Al finalizar esta capacitación, los participantes podrán:

• Automatizar el proceso de entrenamiento de modelos de aprendizaje automático altamente eficientes.
• Buscar automáticamente los mejores parámetros para modelos de aprendizaje profundo.
• Construir modelos de aprendizaje automático de alta precisión.
• Aprovechar el poder del aprendizaje automático para resolver problemas comerciales del mundo real.

Esta capacitación en vivo, impartida por un instructor (en línea o en el sitio), está dirigida a participantes técnicos con experiencia en aprendizaje automático que deseen optimizar modelos para detectar patrones complejos en grandes volúmenes de datos utilizando marcos de trabajo de AutoML.

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.

Este curso presencial, impartido por un instructor en Colombia (en línea o en sitio), está dirigido a científicos de datos y analistas de datos que deseen automatizar, evaluar y gestionar modelos predictivos utilizando las capacidades de aprendizaje automático de DataRobot.

Al finalizar este curso, los participantes podrán:

• Cargar conjuntos de datos en DataRobot para analizar, evaluar y verificar la calidad de los datos.
• Construir y entrenar modelos para identificar variables importantes y alcanzar los objetivos de predicción.
• Interpretar modelos para generar insights valiosos que apoyen la toma de decisiones empresariales.
• Monitorear y gestionar modelos para mantener un rendimiento óptimo en las predicciones.

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.

Esta formación en vivo, impartida por un instructor en <ubicación> (en línea o presencial), está dirigida a desarrolladores y científicos de datos que desean construir, desplegar y gestionar flujos de trabajo de machine learning en Kubernetes.

Al finalizar esta formación, los participantes serán capaces de:

• Instalar y configurar Kubeflow en entornos on-premise y en la nube utilizando AWS EKS (Elastic Kubernetes Service).
• Construir, desplegar y gestionar flujos de trabajo de ML basados en contenedores Docker y Kubernetes.
• Ejecutar pipelines completos de machine learning en diversas arquitecturas y entornos de nube.
• Utilizar Kubeflow para generar y gestionar notebooks de Jupyter.
• Crear cargas de trabajo de entrenamiento de ML, ajuste de hiperparámetros y servicio en múltiples plataformas.

Esta capacitación en vivo, impartida por un instructor en Colombia (en línea o en sitio), está dirigida a ingenieros que deseen desplegar cargas de trabajo de aprendizaje automático en un servidor AWS EC2.

Al finalizar esta capacitación, los participantes serán capaces de:

• Instalar y configurar Kubernetes, Kubeflow y otro software necesario en AWS.
• Utilizar EKS (Elastic Kubernetes Service) para simplificar la tarea de inicializar un clúster de Kubernetes en AWS.
• Crear y desplegar un pipeline de Kubernetes para automatizar y gestionar modelos de aprendizaje automático en producción.
• Entrenar y desplegar modelos de aprendizaje automático de TensorFlow en múltiples GPUs y máquinas ejecutándose en paralelo.
• Aprovechar otros servicios administrados de AWS para extender una aplicación de aprendizaje automático.

Esta capacitación impartida por un instructor, en vivo (en línea o presencial), está dirigida a científicos de datos que desean ir más allá de la construcción de modelos de ML y optimizar los procesos de creación, seguimiento e implementación de dichos modelos.

Al finalizar esta capacitación, los participantes serán capaces de:

• Instalar y configurar MLflow, así como las bibliotecas y frameworks relacionados con ML.
• Comprender la importancia de la trazabilidad, reproducibilidad y capacidad de implementación de un modelo de ML.
• Implementar modelos de ML en diversas nubes públicas, plataformas o servidores locales.
• Escalar el proceso de implementación de ML para soportar la colaboración de múltiples usuarios en un proyecto.
• Configurar un registro central para experimentar, reproducir e implementar modelos de ML.

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.

La coincidencia de patrones es una técnica utilizada para localizar patrones específicos dentro de una imagen. Puede emplearse para determinar la existencia de características definidas en una imagen capturada, como la etiqueta esperada en un producto defectuoso en una línea de producción o las dimensiones especificadas de un componente. Se diferencia de la "reconocimiento de patrones" (que identifica patrones generales basándose en grandes colecciones de muestras relacionadas) en que define explícitamente qué estamos buscando y luego indica si el patrón esperado existe o no.

Formato del curso

• Este curso introduce los enfoques, tecnologías y algoritmos utilizados en el campo de la coincidencia de patrones aplicado a la visión artificial.

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.

RapidMiner es una plataforma de software de ciencia de datos de código abierto diseñada para el prototipado y desarrollo rápido de aplicaciones. Incluye un entorno integrado para la preparación de datos, aprendizaje automático, aprendizaje profundo, minería de texto y análisis predictivo.

En esta capacitación presencial impartida por un instructor, los participantes aprenderán a utilizar RapidMiner Studio para la preparación de datos, el aprendizaje automático y el despliegue de modelos predictivos.

Al finalizar esta capacitación, los participantes serán capaces de:

• Instalar y configurar RapidMiner
• Preparar y visualizar datos con RapidMiner
• Validar modelos de aprendizaje automático
• Integrar datos y crear modelos predictivos
• Operacionalizar el análisis predictivo dentro de un proceso empresarial
• Diagnosticar y optimizar RapidMiner

Público objetivo

• Científicos de datos
• Ingenieros
• Desarrolladores

Formato del curso

• Combinación de exposiciones teóricas, discusiones, ejercicios y práctica intensiva

Nota

• Para solicitar una capacitación personalizada para este curso, contáctenos para coordinar los detalles.