Cursos de Aprendizaje Automático en San José

Esta formación en vivo, impartida por un instructor en <ubicación> (en línea o presencial), está dirigida a profesionales de nivel principiante que desean comprender el concepto de los modelos preentrenados y aprender a aplicarlos para resolver problemas reales, sin necesidad de construir modelos desde cero.

Al finalizar esta formación, los participantes podrán:

• Comprender el concepto y los beneficios de los modelos preentrenados.
• Explorar diversas arquitecturas de modelos preentrenados y sus casos de uso.
• Afinar (fine-tune) un modelo preentrenado para tareas específicas.
• Implementar modelos preentrenados en proyectos simples de aprendizaje automático.

Esta formación en vivo impartida por un instructor en San José (en línea o presencial) está dirigida a participantes con distintos niveles de experiencia que deseen aprovechar la plataforma AutoML de Google para construir chatbots personalizados para diversas aplicaciones.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos del desarrollo de chatbots.
• Navegar por la Plataforma Google Cloud y acceder a AutoML.
• Preparar datos para entrenar modelos de chatbots.
• Entrenar y evaluar modelos personalizados de chatbots usando AutoML.
• Desplegar e integrar chatbots en diversas plataformas y canales.
• Monitorear y optimizar el rendimiento del chatbot con el tiempo.

Esta formación en vivo con instructores en San José (en línea o presencial) está dirigida a desarrolladores de IA de nivel intermedio, ingenieros de aprendizaje automático y arquitectos de sistemas que desean optimizar modelos de IA para su despliegue en dispositivos edge.

Al finalizar esta formación, los participantes podrán:

• Comprender los desafíos y requisitos de implementar modelos de IA en dispositivos edge.
• Aplicar técnicas de compresión de modelos para reducir el tamaño y la complejidad de los modelos de IA.
• Utilizar métodos de cuantización para mejorar la eficiencia de los modelos en hardware edge.
• Implementar la poda (pruning) y otras técnicas de optimización para mejorar el rendimiento del modelo.
• Desplegar modelos de IA optimizados en diversos dispositivos edge.

Esta capacitación en vivo impartida por un instructor en San José (en línea o presencial) está dirigida a desarrolladores, científicos de datos y entusiastas de la tecnología de nivel intermedio que desean adquirir habilidades prácticas para desplegar modelos de IA en dispositivos de borde para diversas aplicaciones.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender los principios de la IA en el borde y sus beneficios.
• Configurar y preparar el entorno de computación en el borde.
• Desarrollar, entrenar y optimizar modelos de IA para su despliegue en el borde.
• Implementar soluciones prácticas de IA en dispositivos de borde.
• Evaluar y mejorar el rendimiento de los modelos desplegados en el borde.
• Abordar consideraciones éticas y de seguridad en aplicaciones de IA en el borde.

Kubeflow es una plataforma de código abierto diseñada para agilizar la construcción, entrenamiento y despliegue de cargas de trabajo de aprendizaje automático en Kubernetes.

Esta formación en vivo y con instructores (en línea o presencial) está dirigida a profesionales de nivel principiante a intermedio que desean construir flujos de trabajo de ML confiables utilizando Kubeflow.

Al completar esta formación, 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 con 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 preparar versiones personalizadas de esta formación para alinearse con el conjunto tecnológico y los requisitos de proyectos de su equipo.

Esta formación en vivo dirigida por un instructor en San José (en línea o en las instalaciones) está dirigida a desarrolladores de nivel intermedio, científicos de datos y profesionales de AI que deseen aprovechar TensorFlow Lite para aplicaciones de AI de borde.

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos de TensorFlow Lite y su papel en la AI de borde.
• Desarrollar y optimizar modelos de AI utilizando TensorFlow Lite.
• Implementar modelos de TensorFlow Lite en diversos dispositivos de borde.
• Utilizar herramientas y técnicas para la conversión y optimización de modelos.
• Implementar aplicaciones prácticas de AI de borde usando TensorFlow Lite.

Esta formación en vivo impartida por un instructor en San José (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen dominar las tecnologías detrás de los sistemas autónomos.

Al finalizar esta formación, los participantes serán capaces de:

• Diseñar e implementar modelos de IA para la toma de decisiones autónomas.
• Desarrollar algoritmos de control para la navegación autónoma y la evasión de obstáculos.
• Garantizar la seguridad y la fiabilidad en los sistemas autónomos impulsados por IA.
• Integrar sistemas autónomos con marcos de trabajo existentes de robótica e IA.

Esta capacitación en vivo con instructor en San José (en línea o en las instalaciones) 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 sofisticados modelos de visión utilizando Google Colab.

Al finalizar esta capacitación, los participantes serán capaces de:

• Construir y entrenar redes neuronales convolucionales (CNN) utilizando TensorFlow.
• Aprovechar Google Colab para el desarrollo de modelos en la nube escalables y eficientes.
• 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 formación en vivo, impartida por un instructor, en San José (en línea o presencial), está dirigida a profesionales de nivel avanzado que desean mejorar su conocimiento sobre modelos de aprendizaje automático, perfeccionar sus habilidades en la sintonización de hiperparámetros y aprender a desplegar modelos de manera eficaz mediante Google Colab.

Al finalizar esta formación, los participantes podrán:

• Implementar modelos avanzados de aprendizaje automático utilizando frameworks populares como Scikit-learn y TensorFlow.
• Optimizar el rendimiento de los modelos mediante la sintonización de hiperparámetros.
• Desplegar modelos de aprendizaje automático en aplicaciones del mundo real usando Google Colab.
• Colaborar y gestionar proyectos de aprendizaje automático a gran escala en Google Colab.

Esta capacitación en vivo con instructor en San José (en línea o presencial) está dirigida a profesionales de nivel intermedio que desean aplicar técnicas de IA para optimizar la gestión del rendimiento en la fabricación de semiconductores.

Al finalizar esta capacitación, los participantes serán capaces de:

• Analizar los datos de producción para identificar los factores que afectan las tasas de rendimiento.
• Implementar algoritmos de IA para mejorar los procesos de gestión del rendimiento.
• Optimizar los parámetros de producción para reducir defectos y mejorar los rendimientos.
• Integrar la gestión del rendimiento impulsada por IA en los flujos de trabajo de producción existentes.

Esta formación impartida por un instructor, en vivo en <ubicación> (en línea o presencial), está dirigida a profesionales de negocios e inteligencia artificial de nivel intermedio que desean aplicar el aprendizaje automático en negocios, pronósticos y sistemas impulsados por IA, utilizando estudios de caso reales y herramientas basadas en Python.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender cómo se integra el aprendizaje automático dentro de la estrategia de IA y negocios.
• Aplicar técnicas de aprendizaje supervisado y no supervisado a problemas empresariales estructurados.
• Preprocesar y transformar datos para el modelado.
• Utilizar redes neuronales para tareas de clasificación y predicción.
• Realizar pronósticos de ventas mediante métodos estadísticos y basados en aprendizaje automático.
• Implementar agrupamiento (clustering) y minería de reglas de asociación para la segmentación de clientes y el descubrimiento de patrones.

Esta formación en vivo, impartida por un instructor en San José (en línea o presencial), está dirigida a profesionales de nivel avanzado que deseen aplicar técnicas de IA de vanguardia a la automatización del diseño de semiconductores, mejorando la eficiencia, la precisión y la innovación en el diseño y la verificación de chips.

Al finalizar esta formación, los participantes serán capaces de:

• Aplicar técnicas avanzadas de IA para optimizar los procesos de diseño de semiconductores.
• Integrar modelos de aprendizaje automático en herramientas EDA para mejorar la verificación del diseño.
• Desarrollar soluciones impulsadas por IA para desafíos complejos de diseño en la fabricación de chips.
• Utilizar redes neuronales para mejorar la precisión y la velocidad de la automatización del diseño.

Esta formación en vivo, impartida por un instructor, en San José (en línea o presencial), 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 formación, los participantes serán capaces de:

• Configurar y navegar por 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.
• Utilizar las características avanzadas de TensorFlow para el aprendizaje profundo.

Esta capacitación en vivo dirigida por un instructor en San José (en línea o presencial) está dirigida a profesionales de nivel intermedio que desean comprender y aplicar técnicas de IA para optimizar los procesos de fabricación de semiconductores.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender las metodologías de IA para la optimización de procesos en la fabricación de chips.
• Implementar modelos de IA para mejorar el rendimiento y reducir los defectos.
• Analizar los datos del proceso para identificar los parámetros clave para la optimización.
• Aplicar técnicas de aprendizaje automático para ajustar finamente los procesos de fabricación de semiconductores.

Esta formación en vivo con instructor en San José (en línea o presencial) está dirigida a participantes de nivel intermedio que deseen automatizar y gestionar flujos de trabajo de aprendizaje automático, incluyendo el entrenamiento de modelos, validación y despliegue utilizando Apache Airflow.

Al finalizar esta formación, los participantes podrán:

• Configurar Apache Airflow para la orquestación de flujos de trabajo de aprendizaje automático.
• Automatizar tareas de preprocesamiento de datos, entrenamiento de modelos y validación.
• Integrar Airflow con frameworks y herramientas de aprendizaje automático.
• Desplegar modelos de aprendizaje automático mediante pipelines automatizados.
• Monitorear y optimizar flujos de trabajo de aprendizaje automático en producción.

Este curso práctico, impartido por un instructor, en San José (en línea o presencial), está dirigido a científicos de datos y desarrolladores de nivel intermedio que desean aplicar algoritmos de aprendizaje automático de manera eficiente utilizando el entorno de Google Colab.

Al finalizar esta capacitación, los participantes podrán:

• Configurar y navegar por Google Colab para proyectos de aprendizaje automático.
• Comprender y aplicar diversos algoritmos de aprendizaje automático.
• Utilizar bibliotecas como Scikit-learn para analizar y predecir datos.
• Implementar modelos de aprendizaje supervisado y no supervisado.
• Optimizar y evaluar modelos de aprendizaje automático de manera efectiva.

Esta formación en vivo con instructores en San José (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean explorar técnicas de IA Explicable (XAI) de última generación para modelos de aprendizaje profundo, con un enfoque en la construcción de sistemas de IA interpretables.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los desafíos de la explicabilidad en el aprendizaje profundo.
• Implementar técnicas avanzadas de XAI para redes neuronales.
• Interpretar las decisiones tomadas por los modelos de aprendizaje profundo.
• Evaluar las compensaciones entre rendimiento y transparencia.

Esta formación en vivo impartida por un instructor en <ubicación> (en línea o presencial) está dirigida a profesionales principiantes que desean comprender y aplicar tecnologías de IA dentro de la industria de la fabricación de semiconductores.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los principios básicos de la IA y su aplicación en la fabricación de semiconductores.
• Identificar áreas de la fabricación de semiconductores donde la IA puede implementarse de manera efectiva.
• Utilizar herramientas y técnicas de IA para mejorar la eficiencia de la producción y el control de calidad.
• Implementar modelos básicos de IA para optimizar los procesos de fabricación.

Esta formación en vivo con instructor en San José (en línea o presencial) está dirigida a científicos de datos y desarrolladores que desean utilizar modelos de aprendizaje automático de ML.NET para derivar automáticamente proyecciones a partir de análisis de datos ejecutados para aplicaciones empresariales.

Al final de esta formación, los participantes podrán:

• Instalar ML.NET e integrarlo en el entorno de desarrollo de aplicaciones.
• Comprender los principios del aprendizaje automático detrás de las herramientas y algoritmos de ML.NET.
• Construir y entrenar modelos de aprendizaje automático para realizar predicciones con los datos proporcionados de manera inteligente.
• Evaluar el rendimiento de un modelo de aprendizaje automático utilizando las métricas de ML.NET.
• Optimizar la precisión de los modelos de aprendizaje automático existentes basándose en el marco de ML.NET.
• Aplicar los conceptos de aprendizaje automático de ML.NET a otras aplicaciones de ciencia de datos.

Esta formación en vivo, impartida por un instructor en San José (en línea o presencial), está dirigida a profesionales de datos de nivel intermedio que desean aplicar técnicas de aprendizaje automático a problemas empresariales basados en datos, como la previsión de ventas y la modelización predictiva utilizando redes neuronales.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los conceptos fundamentales y los tipos de aprendizaje automático.
• Aplicar algoritmos clave para clasificación, regresión, agrupamiento y análisis de asociación.
• Realizar análisis exploratorio de datos y preparación de datos utilizando Python.
• Utilizar redes neuronales para tareas de modelización no lineal.
• Implementar análisis predictivo para la previsión empresarial, incluyendo datos de ventas.
• Evaluar y optimizar el rendimiento de los modelos mediante técnicas visuales y estadísticas.

Esta formación en vivo, impartida por un instructor, en <ubicación> (en línea o presencial), está dirigida a científicos de datos, ingenieros de aprendizaje automático, investigadores en aprendizaje profundo y expertos en visión por computadora de nivel intermedio a avanzado que desean ampliar sus conocimientos y habilidades en aprendizaje profundo para la generación de imágenes a partir de texto.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender las arquitecturas y técnicas avanzadas de aprendizaje profundo para la generación de imágenes a partir de texto.
• Implementar modelos complejos y optimizaciones para la síntesis de imágenes de alta calidad.
• Optimizar el rendimiento y la escalabilidad para conjuntos de datos grandes y modelos complejos.
• Ajustar los hiperparámetros para mejorar el rendimiento y la generalización del modelo.
• Integrar Stable Diffusion con otros marcos de aprendizaje profundo y herramientas.

Esta formación impartida en vivo y dirigida por instructores en San José (en línea o presencial) está dirigida a profesionales de la ciberseguridad de nivel intermedio a avanzado que deseen perfeccionar sus habilidades en la detección de amenazas impulsada por IA y la respuesta a incidentes.

Al finalizar esta formación, los participantes serán capaces de:

• Implementar algoritmos de IA avanzados para la detección de amenazas en tiempo real.
• Personalizar modelos de IA para desafíos específicos de ciberseguridad.
• Desarrollar flujos de trabajo de automatización para la respuesta a amenazas.
• Proteger las herramientas de seguridad impulsadas por IA contra ataques adversarios.

Esta capacitación en vivo impartida por un instructor en <ubic> (en línea o presencial) está dirigida a profesionales de ciberseguridad principiantes que desean aprender a aprovechar la IA para mejorar sus capacidades de detección y respuesta ante amenazas.

Al finalizar esta capacitación, los participantes podrán:

• Comprender las aplicaciones de la IA en la ciberseguridad.
• Implementar algoritmos de IA para la detección de amenazas.
• Automatizar la respuesta a incidentes mediante herramientas de IA.
• Integrar la IA en la infraestructura existente de ciberseguridad.

Esta formación en vivo con instrucción presencial en <ubicación> (en línea o en sitio) 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.

Esta formación en vivo con instructor en <ubicación> (en línea o presencial) está dirigida a desarrolladores y científicos de datos de nivel principiante a intermedio que desean aprender los fundamentos de LightGBM y explorar técnicas avanzadas.

Al finalizar esta formación, los participantes serán capaces de:

• Instalar y configurar LightGBM.
• Comprender la teoría detrás del aumento de gradiente y los algoritmos de árboles de decisión.
• Utilizar LightGBM para tareas básicas y avanzadas de aprendizaje automático.
• Implementar técnicas avanzadas como ingeniería de características, ajuste de hiperparámetros e interpretación de modelos.
• Integrar LightGBM con otros marcos de aprendizaje automático.
• Solucionar problemas comunes en LightGBM.

Esta formación en vivo impartida por un instructor en San José (en línea o presencial) está dirigida a analistas de datos de nivel intermedio que deseen aprender a utilizar RapidMiner para estimar y proyectar valores, así como para aprovechar las herramientas analíticas aplicadas a la predicción de series temporales.

Al finalizar esta formación, los participantes serán capaces de:

• Aplicar la metodología CRISP-DM, seleccionar los algoritmos de aprendizaje automático adecuados y mejorar la construcción y el rendimiento de los modelos.
• Utilizar RapidMiner para estimar y proyectar valores, y aprovechar las herramientas analíticas para la predicción de series temporales.

Esta formación en vivo y con instructores (en línea o presencial) está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores de visión por computadora que desean aprovechar Stable Diffusion para generar imágenes de alta calidad para una variedad de casos de uso.

Al finalizar esta formación, los participantes podrán:

• Comprender los principios de Stable Diffusion y cómo funciona para la generación de imágenes.
• Construir y entrenar modelos de Stable Diffusion para tareas de generación de imágenes.
• Aplicar Stable Diffusion a diversos escenarios de generación de imágenes, como inpainting, outpainting y traducción de imagen a imagen.
• Optimizar el rendimiento y la estabilidad de los modelos de Stable Diffusion.

El objetivo de este curso es brindar competencia general en la aplicación de métodos de Aprendizaje Automático en la práctica. Mediante el uso del lenguaje de programación Python y sus diversas bibliotecas, y con base en una multitud de ejemplos prácticos, este curso enseña cómo utilizar los bloques de construcción más importantes del Aprendizaje Automático, cómo tomar decisiones de modelado de datos, interpretar las salidas de los algoritmos y validar los resultados.

Nuestro objetivo es brindarle las habilidades para comprender y utilizar de manera segura las herramientas más fundamentales de la caja de herramientas de Aprendizaje Automático y evitar las trampas comunes de las aplicaciones de Ciencias de Datos.

IA aplicada desde cero en Python equipa a programadores y analistas de datos con técnicas fundamentales para construir soluciones de aprendizaje automático desde cero usando Python. Cubre los principios clave de aprendizaje supervisado (clasificación y regresión), aprendizaje no supervisado (agrupamiento y detección de anomalías) y arquitecturas avanzadas de redes neuronales. Examina métodos comprobados 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 aprendizaje automático prácticos, evaluar las limitaciones de los algoritmos y completar proyectos aplicados para la resolución de problemas del mundo real.

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

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

Al finalizar esta formación, los participantes podrán:

• Comprender los fundamentos teóricos y los principios matemáticos del Aprendizaje por Refuerzo.
• Implementar algoritmos clave de Aprendizaje por Refuerzo, incluidos Q-Learning, Gradientes de Política y métodos Actor-Crítico.
• Construir y entrenar agentes de Aprendizaje por Refuerzo Profundo utilizando TensorFlow o PyTorch.
• Aplicar DRL a aplicaciones del mundo real, como videojuegos, 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 en la vida real.
• 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), póngase en contacto con nosotros para coordinarlo.

Al explorar los fundamentos de la inteligencia artificial, se revela cómo la tecnología inteligente está transformando la estrategia digital, la automatización y la toma de decisiones en las operaciones empresariales. Analiza conceptos clave 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 ejecutivos y arquitectos para evaluar oportunidades de transformación impulsadas por IA, analizar tendencias emergentes en tecnología e integrar soluciones inteligentes prácticas que aceleren la agilidad del negocio.

Esta formación en vivo, impartida por un instructor en San José (en línea o presencial), está dirigida a científicos de datos e ingenieros de software que desean utilizar AdaBoost para construir algoritmos de refuerzo para aprendizaje automático con Python.

Al finalizar esta capacitación, los participantes serán capaces de:

• Configurar el entorno de desarrollo necesario para comenzar a construir modelos de aprendizaje automático con AdaBoost.
• Comprender el enfoque de aprendizaje en conjunto y cómo implementar el refuerzo adaptativo.
• Aprender a construir modelos AdaBoost para mejorar los algoritmos de aprendizaje automático en Python.
• Utilizar el ajuste de hiperparámetros para aumentar la precisión y el rendimiento de los modelos AdaBoost.

Este curso aborda la IA (con énfasis en el Aprendizaje Automático y el Aprendizaje Profundo) en la industria automotriz. Ayuda a determinar qué tecnología podría utilizarse en múltiples situaciones dentro de un vehículo, desde la automatización básica y el reconocimiento de imágenes hasta la toma de decisiones autónomas.

Este programa de 8 días ofrece un recorrido completo, desde sólidas bases de ingeniería en Python hasta el diseño avanzado de sistemas de IA. Los participantes desarrollan prácticas de codificación disciplinadas, dominan métodos de aprendizaje estadístico y profundo, y construyen sistemas generativos de IA y basados en agentes, listos para producción. El enfoque está en la fiabilidad, evaluación, seguridad y despliegue en entornos reales, más que solo en la experimentación.

La Red Neuronal Artificial es un modelo de datos computacional utilizado en el desarrollo de sistemas de Inteligencia Artificial (IA) capaces de realizar tareas "inteligentes". Las Redes Neurales se utilizan comúnmente en aplicaciones de Aprendizaje Automático (MA), que son una de las implementaciones de la IA. El Aprendizaje Profundo es un subconjunto del MA.

Eleva tus conocimientos en ciencia de datos con este curso completo de aprendizaje automático que cubre algoritmos fundamentales, incluidos Naive Bayes, árboles de decisión, redes neuronales, máquinas de soporte vectorial y técnicas de agrupamiento. Adquiere experiencia práctica con fundamentos teóricos y aplicación en el mundo real mediante ejemplos reales. Ideal para analistas de datos, ingenieros de software, entusiastas de la inteligencia artificial y profesionales de negocios que buscan aplicar soluciones de aprendizaje automático. Domina las métricas de rendimiento de clasificación, la validación cruzada, el equilibrio entre sesgo y varianza, y los fundamentos del aprendizaje profundo para construir modelos predictivos robustos.

Esta formación en vivo, impartida por un instructor en San José (en línea o presencial), está dirigida a investigadores y desarrolladores que deseen utilizar Chainer para construir y entrenar redes neuronales en Python, manteniendo el código fácil de depurar.

Al finalizar esta formación, los participantes serán capaces de:

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

Esta formación en vivo con instructor en San José (en línea o presencial) ofrece una introducción al campo del reconocimiento de patrones y el 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 podrán:

• Aplicar métodos estadísticos básicos al reconocimiento de patrones.
• Utilizar modelos clave, como redes neuronales y métodos de núcleo, para el análisis de datos.
• Implementar técnicas avanzadas para resolver problemas complejos.
• Mejorar la precisión de las predicciones combinando diferentes modelos.

Esta formación en vivo con instructores en <ubicación> (en línea o presencial) está dirigida a científicos de datos que desean acelerar aplicaciones de aprendizaje automático en tiempo real e implementarlas a gran escala.

Al finalizar esta formación, los participantes serán capaces de:

• Instalar el kit de herramientas OpenVINO.
• Acelerar una aplicación de visión por computadora utilizando un FPGA.
• Ejecutar diferentes capas de CNN en el FPGA.
• Escalar la aplicación en múltiples nodos dentro de un clúster de Kubernetes.

Esta capacitación en vivo con instructor en San José (en línea o presencial) está dirigida a científicos de datos que desean utilizar TensorFlow para analizar datos potenciales de fraude.

Al finalizar esta capacitación, los participantes serán capaces de:

• Crear un modelo de detección de fraude en Python y TensorFlow.
• Construir regresiones lineales y modelos de regresión lineal para predecir el fraude.
• Desarrollar una aplicación de inteligencia artificial de extremo a extremo para analizar datos de fraude.

El aprendizaje automático es una rama de la Inteligencia Artificial en la que las computadoras tienen la capacidad de aprender sin ser programadas explícitamente.

El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en el aprendizaje de representaciones y estructuras de datos, como las redes neuronales.

Python es un lenguaje de programación de alto nivel famoso por su sintaxis clara y la legibilidad del código.

En esta formación en vivo y con instructores, los participantes aprenderán cómo implementar modelos de aprendizaje profundo para telecomunicaciones utilizando Python, a medida que avanzan en la creación de un modelo de riesgo crediticio basado en aprendizaje profundo.

Al finalizar esta formación, los participantes podrán:

• Comprender los conceptos fundamentales del aprendizaje profundo.
• Conocer las aplicaciones y usos del aprendizaje profundo en telecomunicaciones.
• Utilizar Python, Keras y TensorFlow para crear modelos de aprendizaje profundo para telecomunicaciones.
• Construir su propio modelo de predicción de abandono de clientes (churn) utilizando Python.

Formato del curso

• Conferencia interactiva y discusión.
• numerous ejercicios y práctica.
• Implementación práctica en un entorno de laboratorio en vivo.

Opciones de personalización del curso

• Para solicitar una formación personalizada para este curso, por favor contáctenos para coordinarla.

Esta formación en vivo con instructores en <ubicación> (en línea o presencial) está dirigida a científicos de datos, analistas de datos y desarrolladores que desean explorar los productos y características de AutoML para crear e implementar modelos de entrenamiento de ML personalizados con el menor esfuerzo posible.

Al finalizar esta formación, los participantes podrán:

• Explorar la línea de productos de AutoML para implementar diferentes servicios para varios tipos de datos.
• Preparar y etiquetar conjuntos de datos para crear modelos de ML personalizados.
• Entrenar y gestionar modelos para producir modelos de aprendizaje automático precisos e imparciales.
• Realizar predicciones utilizando modelos entrenados para cumplir con los objetivos y necesidades comerciales.

Esta capacitación impartida por un instructor en San José (en línea o presencial) está dirigida a desarrolladores o científicos de datos que deseen utilizar Horovod para ejecutar entrenamientos de aprendizaje profundo distribuido y escalarlo para funcionar en múltiples GPUs en paralelo.

Al finalizar esta capacitación, los participantes serán capaces de:

• Configurar el entorno de desarrollo necesario para comenzar a ejecutar entrenamientos de aprendizaje profundo.
• Instalar y configurar Horovod para entrenar modelos con TensorFlow, Keras, PyTorch y Apache MXNet.
• Escalar el entrenamiento de aprendizaje profundo con Horovod para ejecutarlo en múltiples GPUs.

Esta capacitación práctica y dirigida por un instructor está diseñada como una continuación natural del curso Python para Análisis de Datos.

Introduce a los participantes a los conceptos centrales del Aprendizaje Automático y muestra cómo estos se pueden aplicar directamente a tareas de análisis de datos, como predicción, clasificación y segmentación.

El enfoque está en comprender cómo funciona el Aprendizaje Automático en la práctica, utilizando herramientas familiares como Python, Pandas y Jupyter Notebook, sin requerir una base matemática avanzada.

Este curso está dirigido a personas que ya cuentan con conocimientos previos en ciencia de datos y estadística. Las explicaciones proporcionadas están diseñadas para servir como recordatorio para quienes ya están familiarizados con los conceptos, o para informar a quienes poseen un trasfondo adecuado.

Esta formación en vivo con instructor en San José (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean construir, implementar y gestionar flujos de trabajo de aprendizaje automático en Kubernetes.

Al finalizar esta formación, los participantes podrán:

• Instalar y configurar Kubeflow tanto en entornos locales 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 generar y gestionar cuadernos Jupyter.
• Desarrollar cargas de trabajo de entrenamiento de ML, ajuste de hiperparámetros y servicios de inferencia en múltiples plataformas.

Esta formación en vivo, impartida por un instructor (en línea o presencial), está dirigida a desarrolladores que desean utilizar ML Kit de Google para crear modelos de aprendizaje automático optimizados para su procesamiento en dispositivos móviles.

Al finalizar esta formación, los participantes podrán:

• Configurar el entorno de desarrollo necesario para comenzar a crear funciones de aprendizaje automático para aplicaciones móviles.
• Integrar nuevas tecnologías de aprendizaje automático en aplicaciones Android e iOS utilizando las APIs de ML Kit.
• Mejorar y optimizar aplicaciones existentes mediante el uso del SDK de ML Kit para el procesamiento y despliegue en el dispositivo.

Esta formación en vivo impartida por un instructor en San José (en línea o en las instalaciones) está dirigida a analistas de datos, desarrolladores o futuros científicos de datos de nivel intermedio que desean aplicar técnicas de aprendizaje automático en Python para extraer información, realizar predicciones y automatizar decisiones basadas en datos.

Al finalizar este curso, los participantes podrán:

• Comprender y diferenciar los paradigmas clave del aprendizaje automático.
• Explorar técnicas de preprocesamiento de datos y métricas de evaluación de modelos.
• Aplicar algoritmos de aprendizaje automático para resolver problemas reales de datos.
• Utilizar bibliotecas de Python y cuadernos de Jupyter para el desarrollo práctico.
• Construir modelos para predicción, clasificación, recomendación y agrupamiento.

Esta formación en vivo con instrucción presencial en <ubicación> (en línea o in situ) está dirigida a científicos de datos e ingenieros de software que desean utilizar el Bosque Aleatorio para construir algoritmos de aprendizaje automático con conjuntos de datos grandes.

Al finalizar esta capacitación, los participantes serán capaces de:

• Configurar el entorno de desarrollo necesario para comenzar a construir modelos de aprendizaje automático con Bosques Aleatorios.
• Comprender las ventajas del Bosque Aleatorio y cómo implementarlo para resolver problemas de clasificación y regresión.
• Aprender a manejar conjuntos de datos grandes e interpretar múltiples árboles de decisión en un Bosque Aleatorio.
• Evaluar y optimizar el rendimiento del modelo de aprendizaje automático ajustando los hiperparámetros.

Esta formación en vivo con instructor en San José (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean utilizar Tensorflow 2.x para construir predictores, clasificadores, modelos generativos, redes neuronales, entre otros.

Al finalizar esta formación, los participantes serán capaces de:

• Instalar y configurar TensorFlow 2.x.
• Comprender las ventajas de TensorFlow 2.x sobre versiones anteriores.
• Construir modelos de aprendizaje profundo.
• Implementar un clasificador de imágenes avanzado.
• Implementar un modelo de aprendizaje profundo en la nube, dispositivos móviles y dispositivos de IoT.

Este curso comienza proporcionándote conocimientos conceptuales sobre redes neuronales y, de manera 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, etc.

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 extensamente en TensorFlow, la API de la biblioteca de software de código abierto de Google para el Aprendizaje Profundo. Los ejemplos y las prácticas se realizarán todos en TensorFlow.

Público objetivo

Este curso está destinado a ingenieros que buscan utilizar TensorFlow para sus proyectos de Aprendizaje Profundo.

Al finalizar este curso, los participantes podrán:

• tener una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN
• comprender la estructura y los mecanismos de implementación de TensorFlow
• ser capaces de realizar tareas de instalación, configuración de entornos de producción y arquitectura
• poder evaluar la calidad del código, realizar depuración y monitoreo
• ser capaces de implementar modelos de entrenamiento de producción avanzada, construir grafos y registrar logs