Introducción al Uso de Neural Networks

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.

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.

Este es un curso de 4 días que introduce la Inteligencia Artificial y sus aplicaciones. Existe la opción de agregar un día adicional para desarrollar un proyecto de IA al finalizar este curso.

Este es un curso de 4 días que introduce la inteligencia artificial y sus aplicaciones utilizando el lenguaje de programación Python. Existe la opción de agregar un día adicional para desarrollar un proyecto de IA al finalizar este curso. 

Esta formación impartida por un instructor, en vivo en Colombia (en línea o presencial), está dirigida a científicos de datos y estadísticos de nivel intermedio que desean preparar datos, construir modelos y aplicar técnicas de aprendizaje automático de manera efectiva en sus ámbitos profesionales.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender e implementar diversos algoritmos de Aprendizaje Automático.
• Preparar datos y modelos para aplicaciones de aprendizaje automático.
• Realizar análisis posteriores y visualizar resultados de manera efectiva.
• Aplicar técnicas de aprendizaje automático a escenarios reales y específicos del sector.

Una 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 utilizan comúnmente en aplicaciones de aprendizaje automático (ML), las cuales son una de las implementaciones de la IA. El aprendizaje profundo es un subconjunto del ML.

Este entrenamiento impartido por un instructor en vivo en Colombia (en línea o presencial) está dirigido a investigadores y desarrolladores que desean utilizar Chainer para construir y entrenar redes neuronales en Python, manteniendo un código fácil de depurar.

Al finalizar este entrenamiento, los participantes podrán:

• Configurar el entorno de desarrollo necesario para comenzar a crear modelos de redes neuronales.
• Definir e implementar modelos de redes neuronales mediante un código fuente comprensible.
• Ejecutar ejemplos y modificar algoritmos existentes para optimizar los modelos de entrenamiento en aprendizaje profundo, aprovechando el uso de GPUs para alto rendimiento.

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.

El Aprendizaje por Refuerzo Profundo (DRL) combina los principios del aprendizaje por refuerzo con arquitecturas de aprendizaje profundo para permitir que los agentes tomen decisiones mediante la interacción con sus entornos. Esta tecnología es la base de muchos avances modernos de la inteligencia artificial, como vehículos autónomos, control robótico, trading algorítmico y sistemas de recomendación adaptativos. El DRL permite que un agente artificial aprenda estrategias, optimice políticas y tome decisiones autónomas basadas en el ensayo y el error, utilizando un aprendizaje por recompensas.

Esta capacitación en vivo, impartida por un instructor (en línea o en el sitio), está dirigida a desarrolladores y científicos de datos de nivel intermedio que deseen aprender y aplicar técnicas de Aprendizaje por Refuerzo Profundo para construir agentes inteligentes capaces de tomar decisiones autónomas en entornos complejos.

Al finalizar esta capacitación, los participantes podrán:

• Comprender los fundamentos teóricos y los principios matemáticos del aprendizaje por refuerzo.
• Implementar algoritmos clave de RL, incluidos Q-Learning, gradientes de política y métodos de Actor-Crítico.
• Construir y entrenar agentes de Aprendizaje por Refuerzo Profundo utilizando TensorFlow o PyTorch.
• Aplicar el DRL a aplicaciones del mundo real, como juegos, robótica y optimización de decisiones.
• Solucionar problemas, visualizar y optimizar el rendimiento del entrenamiento utilizando herramientas modernas.

Formato del curso

• Conferencias interactivas y discusiones guiadas.
• Ejercicios prácticos e implementaciones reales.
• Demostraciones de codificación en vivo y aplicaciones basadas en proyectos.

Opciones de personalización del curso

• Para solicitar una versión personalizada de este curso (por ejemplo, utilizando PyTorch en lugar de TensorFlow), contáctenos para coordinarlo.

Tipo: Formación teórica con aplicaciones definidas previamente junto con los estudiantes, utilizando Lasagne o Keras según el grupo pedagógico.

Método pedagógico: presentación, intercambio de ideas y estudios de caso.

La inteligencia artificial, tras haber transformado numerosos campos científicos, ha comenzado a revolucionar muchos sectores económicos (industria, medicina, comunicación, etc.). Sin embargo, su representación en los grandes medios a menudo se basa en fantasías, muy alejadas de lo que realmente son el Aprendizaje Automático (Machine Learning) o el Aprendizaje Profundo (Deep Learning). El objetivo de esta formación es ofrecer a ingenieros que ya dominan las herramientas informáticas (incluyendo una base en programación de software) una introducción al Aprendizaje Profundo, a sus diferentes áreas de especialización y, por tanto, a las principales arquitecturas de redes existentes en la actualidad. Aunque se recordarán las bases matemáticas durante el curso, se recomienda un nivel de matemáticas equivalente a BAC+2 para mayor comodidad. Es absolutamente posible omitir el eje matemático y centrarse únicamente en una visión de tipo «sistema», pero este enfoque limitará enormemente su comprensión del tema.

Esta sesión de capacitación presencial incluirá presentaciones y ejemplos prácticos basados en computadora, así como ejercicios de estudio de caso para llevar a cabo con las bibliotecas relevantes de redes neuronales y profundas.

Este curso es una introducción a la aplicación de redes neuronales en problemas del mundo real utilizando el software R-project.

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).