Aprendizaje Automático Avanzado con R

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 curso ha sido creado para gerentes, arquitectos de soluciones, oficiales de innovación, CTO, arquitectos de software y todos los interesados en la visión general de la inteligencia artificial aplicada y el pronóstico más cercano para su desarrollo.

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.

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.

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.

Esta formación en vivo, impartida por un instructor en Costa Rica (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 capacitación en vivo con instructor en Costa Rica (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 con instructor en Costa Rica (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.

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.

Esta formación en vivo dirigida por un instructor en Costa Rica (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 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 impartida por un instructor en Costa Rica (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.

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

Esta formación en vivo con instructores en Costa Rica (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.