Temario del curso
Módulo 1: Python fundamental para flujos de trabajo de aprendizaje automático (ML)
• Inicio del curso y configuración del entorno
Alinear objetivos y configurar un espacio de trabajo reproducible de ML en Python.
• Conceptos esenciales del lenguaje Python (intensivo)
Repasar sintaxis, flujo de control, funciones y patrones comúnmente utilizados en bases de código de ML.
• Estructuras de datos para ML
Listas, diccionarios, conjuntos y tuplas para características, etiquetas y metadatos.
• Comprensiones y herramientas funcionales
Expresar transformaciones utilizando comprensiones y funciones de orden superior.
• Programación orientada a objetos en Python para desarrolladores de ML
Clases, métodos, composición y decisiones de diseño prácticas.
• dataclasses y modelado ligero
Contenedores tipados para configuración, ejemplos y resultados.
• Decoradores y gestores de contexto
Patrones de temporización, almacenamiento en caché, registro y ejecución segura de recursos.
• Trabajo con archivos y rutas
Manejo robusto de conjuntos de datos y formatos de serialización.
• Excepciones y programación defensiva
Escribir scripts de ML que fallen de manera segura y transparente.
• Módulos, paquetes y estructura del proyecto
Organización de bases de código reutilizables de ML.
• Tipado y calidad del código
Instrucciones de tipo, documentación y estructura compatible con linters.
Módulo 2: Python numérico, SciPy y manejo de datos
• Fundamentos de NumPy para computación vectorizada
Operaciones eficientes en arreglos y codificación consciente del rendimiento.
• Indexación, rebanado (slicing), broadcast y formas
Manipulación segura de tensores y razonamiento sobre las formas.
• Conceptos esenciales de álgebra lineal con NumPy y SciPy
Operaciones matriciales estables y descomposiciones utilizadas en ML.
• Profundización en SciPy
Estadística, optimización, ajuste de curvas y matrices dispersas.
• Pandas para datos tabulares de ML
Limpieza, unión, agregación y preparación de conjuntos de datos.
• Profundización en scikit-learn
Interfaz de estimadores, tuberías (pipelines) y flujos de trabajo reproducibles.
• Conceptos esenciales de visualización
Gráficos diagnósticos para exploración de datos y comportamiento del modelo.
Módulo 3: Patrones de programación para construir aplicaciones de ML
• Del cuaderno (notebook) a un proyecto mantenible
Refactorización de código exploratorio en paquetes estructurados.
• Gestión de configuración
Parámetros externalizados y validación al inicio.
• Registro (logging), advertencias y observabilidad
Registro estructurado para sistemas de ML depurables.
• Componentes reutilizables con POO y composición
Diseño de transformadores y predictores extensibles.
• Patrones de diseño prácticos
Patrones de Tubería (Pipeline), Fábrica o Registro, Estrategia e Adaptador.
• Validación de datos y comprobaciones de esquema
Prevención de problemas silenciosos en los datos.
• Rendimiento y perfilado
Identificación de cuellos de botella y aplicación de técnicas de optimización.
• E/S de modelos e interfaces de inferencia
Persistencia segura e interfaces de predicción limpias.
• Compilación integral (Mini-build)
Tubería de ML estilo producción con configuración y registro.
Módulo 4: Aprendizaje estadístico para datos tabulares, texto e imagen
• Fundamentos de evaluación
División de entrenamiento y validación, validación cruzada honesta y métricas alineadas con el negocio.
• ML avanzado tabular
GLM regularizados, conjuntos de árboles y preprocesamiento libre de filtración (leakage).
• Calibración e incertidumbre
Escalado de Platt, regresión isotónica, bootstrap y predicción conforme.
• Métodos clásicos de PLN (Procesamiento de Lenguaje Natural)
Compensaciones en tokenización, TF-IDF, modelos lineales y Bayes ingenuo.
• Modelado de temas
Fundamentos de LDA y limitaciones prácticas.
• Visión por computadora clásica
HOG, PCA y tuberías basadas en características.
• Análisis de errores
Detección de sesgo, ruido en etiquetas y correlaciones espurias.
• Prácticas manuales (Labs)
Tubería tabular a prueba de filtración.
Comparación e interpretación de bases de texto.
Base de visión clásica con análisis estructurado de fallos.
Módulo 5: Redes neuronales para datos tabulares, texto e imagen
• Dominio del ciclo de entrenamiento
Ciclos limpios en PyTorch con AMP (Mixed Precision), recorte y reproducibilidad.
• Optimización y regularización
Inicialización, normalización, optimizadores y programadores de aprendizaje.
• Precisión mixta y escalado
Estrategias de acumulación de gradientes y puntos de comprobación (checkpointing).
• Redes neuronales tabulares
Incrustaciones categóricas, cruces de características y estudios de ablación.
• Redes neuronales de texto
Incrustaciones (embeddings), CNNs, BiLSTM o GRU y manejo de secuencias.
• Redes neuronales de visión
Fundamentos de CNN y arquitecturas estilo ResNet.
• Prácticas manuales (Labs)
Marco de entrenamiento reutilizable.
Comparación NN tabular vs boosting.
CNN con experimentos de augmentación y programación del aprendizaje.
Módulo 6: Arquitecturas neuronales avanzadas
• Estrategias de aprendizaje por transferencia
Patrones de congelación y descongelación, tasas de aprendizaje discriminativas.
• Arquitecturas Transformer para texto
Interiores de autoatención y enfoques de ajuste fino (fine-tuning).
• Backbones de visión y predicción densa
Conceptos de ResNet, EfficientNet, Transformers de Visión (ViT) y U-Net.
• Arquitecturas tabulares avanzadas
TabTransformer, FT-Transformer y redes profundas cruzadas (Deep and Cross).
• Consideraciones para series temporales
Divisiones temporales y detección de cambio de covariables.
• Técnicas de PEFT y eficiencia
Compensaciones en LoRA, destilación y cuantización.
• Prácticas manuales (Labs)
Ajuste fino de un Transformer de texto preentrenado.
Ajuste fino de un modelo de visión preentrenado.
Comparación de Transformer tabular vs GBDT.
Módulo 7: Sistemas de IA generativa
• Fundamentos de prompts
Prompting estructurado y generación controlada.
• Fundamentos de LLM
Tokenización, ajuste por instrucciones (instruction tuning) y mitigación de alucinaciones.
• Generación Aumentada por Recuperación (RAG)
Fragmentación (chunking), incrustaciones, búsqueda híbrida y métricas de evaluación.
• Estrategias de ajuste fino
LoRA y QLoRA con controles de calidad de datos.
• Modelos de difusión
Intuición de la difusión latent y adaptación práctica.
• Datos tabulares sintéticos
CTGAN y consideraciones de privacidad.
• Prácticas manuales (Labs)
Mini-aplicación RAG estilo producción.
Validación de salida estructurada con imposición de esquema.
Experimentación opcional con difusión.
Módulo 8: Agentes de IA y MCP
• Diseño del ciclo del agente
Observar, planificar, actuar, reflexionar y persistir.
• Arquitecturas de agentes
ReAct, planificar-ejecutar y coordinación multi-agente.
• Gestión de memoria
Enfoques episódicos, semánticos y bloc de notas (scratchpad).
• Integración de herramientas y seguridad
Contratos de herramientas, aislamiento (sandboxing) y defensas contra inyección de prompts.
• Marcos de evaluación
Trazas reproducibles, conjuntos de tareas y pruebas de regresión.
• MCP e interoperabilidad basada en protocolos
Diseño de servidores MCP con exposición segura de herramientas.
• Prácticas manuales (Labs)
Construir un agente desde cero.
Exponer herramientas a través de un servidor estilo MCP.
Crear un sistema de evaluación con restricciones de seguridad.
Requerimientos
Los participantes deben tener un conocimiento funcional de la programación en Python.
Este programa está dirigido a profesionales técnicos intermedios a avanzados.
Reseñas (3)
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
Que se estuviera aplicando datos reales de la empresa. El formador tenía un enfoque muy bueno al hacer que los participantes colaboraran y competieran.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
Traducción Automática
