Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
1. Introducción a la ingeniería de IA
- ¿Qué es la ingeniería de IA?
- IA vs. Aprendizaje automático vs. Aprendizaje profundo.
- Ciclo de vida de la ingeniería de IA.
- Aplicaciones de la IA en diversas industrias.
- Roles y responsabilidades de un ingeniero de IA.
2. Fundamentos de la inteligencia artificial
- Conceptos y terminología central de la IA.
- Aprendizaje supervisado, no supervisado y por refuerzo.
- Fundamentos de las redes neuronales y el aprendizaje profundo.
- Visión general de la IA generativa y los modelos fundamentales.
- Ecosistemas y marcos de trabajo para el desarrollo de IA.
3. Python para ingeniería de IA
- Bibliotecas esenciales de Python para IA.
- NumPy, Pandas y Matplotlib.
- Manipulación y visualización de datos.
- Trabajo con cuadernos Jupyter.
- Redacción de código reutilizable para IA.
4. Preparación de datos para la IA
- Recopilación y comprensión de conjuntos de datos.
- Limpieza y preprocesamiento de datos.
- Ingeniería de características.
- Escalar y normalizar características.
- Dividir conjuntos de datos en conjuntos de entrenamiento, validación y prueba.
- Gestión de valores faltantes y valores atípicos.
5. Fundamentos del aprendizaje automático
\r- Algoritmos de regresión.
- Algoritmos de clasificación.
- Técnicas de agrupamiento (clustering).
- Flujo de trabajo de entrenamiento del modelo.
- Métricas de evaluación del modelo.
- Prevención del sobreajuste (overfitting) y el subajuste (underfitting).
6. Construcción de modelos de IA con TensorFlow y PyTorch
- Introducción a TensorFlow.
- Introducción a PyTorch.
- Creación de redes neuronales.
- Entrenamiento y validación del modelo.
- Guardado y carga de modelos.
- Comparación entre ambos marcos de trabajo.
7. Fundamentos del procesamiento de lenguaje natural (NLP)
- Preprocesamiento de texto.
- Incrustaciones de palabras (word embeddings).
- Clasificación de texto.
- Análisis de sentimiento.
- Introducción a los modelos transformadores.
- Aplicaciones prácticas de PLN.
8. IA en el desarrollo de software
- Integración de la IA en aplicaciones existentes.
- Llamadas a servicios de IA a través de APIs.
- Desarrollo de aplicaciones potenciadas por IA.
- Herramientas de desarrollo de software asistidas por IA.
- Pruebas de aplicaciones habilitadas para IA.
9. Mejores prácticas de ingeniería de IA
- Organización de proyectos.
- Control de versiones con Git.
- Seguimiento de experimentos.
- Versión de modelos.
- Estándares de documentación.
- Reproducibilidad en proyectos de IA.
10. Despliegue de modelos de IA
- Serialización de modelos.
- Construcción de servicios de inferencia.
- APIs REST para modelos de IA.
- Introducción a Docker para el despliegue de IA.
- Monitoreo de modelos desplegados.
- Mantenimiento y actualizaciones de modelos.
11. Ingeniería de datos para la IA
- Tuberías de datos (pipelines).
- Procesos ETL.
- Gestión de datos estructurados y no estructurados.
- Opciones de almacenamiento de datos.
- Gestión de la calidad de los datos.
- Preparación de conjuntos de datos listos para producción.
12. IA responsable y ética
- Sesgo e equidad en la IA.
- IA explicable (XAI).
- Privacidad y protección de datos.
- Consideraciones de seguridad en la IA.
- Desarrollo responsable de IA.
- Consideraciones regulatorias y de gobernanza.
13. Gestión de proyectos de IA
- Ciclo de vida del proyecto de IA.
- Metodologías ágiles para proyectos de IA.
- Colaboración entre equipos técnicos y de negocio.
- Estimación de proyectos de IA.
- Gestión de riesgos.
- Medición del éxito del proyecto.
14. Taller práctico de ingeniería de IA y tendencias futuras
- Configuración de un flujo de trabajo completo de desarrollo de IA.
- Construcción de un proyecto de aprendizaje automático integral.
- Entrenamiento y evaluación de un modelo utilizando TensorFlow o PyTorch.
- Despliegue de una aplicación simple de IA.
- Tendencias actuales en ingeniería de IA.
- IA generativa y grandes modelos de lenguaje (LLM).
- MLOps y automatización de la IA.
- Vías profesionales y aprendizaje continuo.
- Resumen, preguntas y respuestas, y próximos pasos.
Requerimientos
- Comprensión de los conceptos básicos de programación.
- Experiencia con la programación en Python.
- Conocimiento básico de estadística y álgebra lineal.
Público objetivo
- Ingenieros de IA.
- Desarrolladores de software.
- Analistas de datos.
14 Horas
Reseñas (2)
La amplia selección de herramientas presentadas
Miruna Buzduga - Aeronamic Eastern Europe
Curso - AI Enablement Training for Engineers
Traducción Automática
Formación paso a paso con muchos ejercicios. Fue como un taller y estoy muy contento con eso.
Ireneusz - Inter Cars S.A.
Curso - Intelligent Applications Fundamentals
Traducción Automática
