Ingeniero Asociado en IA: Domina el Aprendizaje Automático y el Deep Learning

What you will learn:

Ingeniería de características para modelos de ML
Evaluación de modelos (Precisión, Recall, F1, AUC)
Algoritmos de ML: Árboles de decisión, Bosques aleatorios, Gradient Boosting
Conceptos de Deep Learning: Activación, Retropropagación
Construcción de redes neuronales en Python
TensorFlow y Keras: Entrenamiento y despliegue de modelos
PyTorch: Construcción, optimización y evaluación de modelos
Fundamentos y aplicaciones de agentes de IA

Description

Domina la Inteligencia Artificial con nuestra certificación de Ingeniero Asociado en IA. Este curso práctico te enseñará desde los fundamentos del aprendizaje automático hasta las técnicas más avanzadas de deep learning con TensorFlow y PyTorch. Aprenderás a construir modelos de IA robustos, a evaluar su rendimiento y a aplicarlos a problemas del mundo real.

El programa comienza con una sólida base en ingeniería de características y evaluación de modelos, cubriendo técnicas esenciales como el escalado de datos, la selección de atributos y la evaluación del rendimiento con métricas como precisión, recall, F1-score y AUC. Profundizarás en algoritmos de aprendizaje automático avanzados, incluyendo árboles de decisión, bosques aleatorios, gradient boosting (XGBoost, LightGBM, CatBoost) y ensemble learning, aplicándolos a través de proyectos prácticos.

Luego, te sumergirás en el apasionante mundo del deep learning, comprendiendo las redes neuronales desde cero: perceptrones, funciones de activación, retropropagación y optimización. Desarrollarás habilidades prácticas en TensorFlow y PyTorch, construyendo y entrenando modelos para resolver problemas complejos, desde la clasificación de imágenes hasta la predicción de series temporales. Finalmente, explorarás el creciente campo de los agentes de IA, aprendiendo sobre sus fundamentos, arquitecturas y aplicaciones en diversos ámbitos.

Al finalizar, estarás preparado para:

Construir modelos de aprendizaje automático y deep learning de alta precisión.
Utilizar con fluidez TensorFlow y PyTorch para el desarrollo de IA.
Implementar algoritmos avanzados de aprendizaje automático.
Diseñar y evaluar modelos de IA para situaciones del mundo real.
Obtener tu certificación de Ingeniero Asociado en IA.

No esperes más, ¡inscríbete ahora y comienza tu camino hacia el éxito en la Inteligencia Artificial!

Curriculum

Introducción

Esta sección introductoria presenta el curso y al instructor, proporcionando una visión general del programa y de lo que se aprenderá a lo largo del curso. Se incluye una lección que detalla los objetivos de aprendizaje del curso de certificación de Ingeniero Asociado en IA (07:05).

Ingeniería de Características y Evaluación de Modelos

Este módulo cubre las técnicas fundamentales para preparar y analizar datos. Se abordan temas como la introducción a la ingeniería de características, el escalado y la normalización de datos, la codificación de variables categóricas, las técnicas de selección de características, la creación y transformación de características, y las técnicas de evaluación de modelos incluyendo validación cruzada y ajuste de hiperparámetros. Cada concepto se ilustra con lecciones diarias (variando entre 15:58 y 21:46 de duración) y se concluye con recursos adicionales para proyectos.

Algoritmos Avanzados de Aprendizaje Automático

Este módulo profundiza en algoritmos de aprendizaje automático avanzados, comenzando con una introducción al aprendizaje por conjuntos. Se exploran algoritmos como Bagging, bosques aleatorios, Boosting, Gradient Boosting, XGBoost, LightGBM y CatBoost. Se incluye una lección sobre el manejo de datos desbalanceados y un proyecto final de comparación de modelos con datos reales (Lecciones de 15:36 a 24:13 de duración).

Redes Neuronales y Fundamentos del Deep Learning

En este módulo, se introducen los conceptos básicos de las redes neuronales y el aprendizaje profundo. Se estudian la propagación hacia adelante, las funciones de activación, las funciones de pérdida, la retropropagación, el descenso de gradiente y las técnicas de optimización. Se construyen redes neuronales con TensorFlow y Keras, así como con PyTorch, culminando en un proyecto de clasificación de imágenes con CIFAR-10 (Lecciones de 15:54 a 28:24 de duración).

Algoritmos e Implementaciones de Aprendizaje Automático

Este módulo práctico se centra en la implementación de varios algoritmos de aprendizaje automático en Python. Se abarcan algoritmos como regresión lineal, regresión Ridge y Lasso, regresión polinómica, regresión logística, K-Vecinos más Cercanos (KNN), Máquinas de Vectores de Soporte (SVM), árboles de decisión, bosques aleatorios, gradient boosting, Naive Bayes, clustering K-Means, clustering jerárquico, DBSCAN, Modelos de Mezcla Gaussiana (GMM), Análisis de Componentes Principales (PCA), t-SNE, autoencoders, autoentrenamiento, Q-Learning, Redes Q Profundas (DQN), métodos de política por gradiente, SVM de una sola clase, bosques de aislamiento, CNNs, RNNs y LSTMs, finalizando con la implementación de transformadores. (Duración de las lecciones entre 4:08 y 15:39 minutos).

Introducción al Aprendizaje Automático y TensorFlow

Este módulo proporciona una introducción completa a TensorFlow. Se cubre la instalación, la configuración del entorno, las operaciones con tensores, la construcción de redes neuronales, la API de Keras, el entrenamiento y la evaluación de modelos, las CNNs y RNNs, el guardado y carga de modelos, TensorFlow Serving, TensorFlow Lite, la computación distribuida con TensorFlow, TFX, y varias aplicaciones de TensorFlow como clasificación de imágenes, procesamiento del lenguaje natural, sistemas de recomendación y detección de objetos. (Duración de las lecciones entre 2:25 y 6:56 minutos).

Introducción al Aprendizaje con PyTorch

El módulo introduce PyTorch, cubriendo el trabajo con tensores, autograd, grafos computacionales dinámicos, la construcción de redes neuronales, la carga y preprocesamiento de datos, la evaluación y validación de modelos, arquitecturas avanzadas, aprendizaje por transferencia, manejo de datos complejos, despliegue de modelos, depuración, entrenamiento distribuido, capas personalizadas, técnicas de investigación e integración con otras bibliotecas. (Duración de las lecciones entre 7:31 y 12:10 minutos).

Agentes de IA para Principiantes

Este módulo proporciona una introducción a los agentes de IA, cubriendo su funcionamiento, tipos, tecnologías subyacentes (incluyendo PNL), frameworks y arquitecturas (AutoGPT, IBM Bee, LangGraph, CrewAI), aplicaciones en diversos sectores (negocios, salud, finanzas, entretenimiento, IoT), tendencias futuras e implicaciones éticas y legales. (Duración de las lecciones entre 4:19 y 8:27 minutos).

Felicitaciones

Este módulo final incluye un examen final de opción múltiple con 50 preguntas y un mensaje de felicitación.

Deal Source: real.discount