Ponte en Contacto

Temario del curso

1. Introducción a la Ingeniería en IA

  • ¿Qué es la ingeniería en IA?
  • IA vs. Aprendizaje automático vs. Aprendizaje profundo
  • Ciclo de vida de la ingeniería en IA
  • Aplicaciones de la IA en diversas industrias
  • Rol y responsabilidades de un ingeniero en 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 en IA

  • Bibliotecas esenciales de Python para la IA
  • NumPy, Pandas y Matplotlib
  • Manipulación y visualización de datos
  • Trabajo con Jupyter Notebooks
  • Escritura de código reutilizable en IA

4. Preparación de Datos para la IA

  • Recopilación y comprensión de conjuntos de datos
  • Limpieza y preprocesamiento de datos
  • Ingeniería de características
  • Escala y normalización de características
  • División de conjuntos de datos en entrenamiento, validación y prueba
  • Manejo de valores faltantes y valores atípicos

5. Fundamentos del Aprendizaje Automático

  • Algoritmos de regresión
  • Algoritmos de clasificación
  • Técnicas de agrupamiento (clustering)
  • Flujo de trabajo de entrenamiento de modelos
  • Métricas de evaluación de modelos
  • Prevención del sobreajuste y el subajuste

6. Construcción de Modelos de IA con TensorFlow y PyTorch

  • Introducción a TensorFlow
  • Introducción a PyTorch
  • Creación de redes neuronales
  • Entrenamiento y validación de modelos
  • Guardar y cargar modelos
  • Comparación entre ambos marcos de trabajo

7. Fundamentos del Procesamiento del Lenguaje Natural (PLN)

  • Preprocesamiento de texto
  • Incrustaciones de palabras
  • Clasificación de texto
  • Análisis de sentimiento
  • Introducción a los modelos de transformadores
  • Aplicaciones prácticas del PLN

8. IA en el Desarrollo de Software

  • Integración de la IA en aplicaciones existentes
  • Llamado 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 en IA

  • Organización del proyecto
  • Control de versiones con Git
  • Seguimiento de experimentos
  • Versionado de modelos
  • Estandarización de la 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 despliegue de IA
  • Monitoreo de modelos desplegados
  • Mantenimiento y actualización de modelos

11. Ingeniería de Datos en IA

  • Pipelines de datos
  • Procesos ETL (Extracción, Transformación y Carga)
  • Gestión de datos estructurados y no estructurados
  • Opciones de almacenamiento de datos
  • Gestión de la calidad de datos
  • Preparación de conjuntos de datos listos para producción

12. IA Responsable y Ética

  • Sesgo e imparcialidad en la IA
  • IA explicable (XAI)
  • Privacidad y protección de datos
  • Consideraciones de seguridad de la IA
  • Desarrollo responsable de la 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 comerciales
  • Estimación de proyectos de IA
  • Gestión de riesgos
  • Medición del éxito del proyecto

14. Taller Práctico de Ingeniería en IA y Tendencias Futuras

  • Configuración de un flujo de trabajo completo de desarrollo de IA
  • Construcción de un proyecto de aprendizaje automático de extremo a extremo
  • Entrenamiento y evaluación de un modelo usando TensorFlow o PyTorch
  • Despliegue de una aplicación simple de IA
  • Tendencias actuales en ingeniería en IA
  • IA generativa y Modelos de Lenguaje Grande (LLMs)
  • 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 el lenguaje de programación Python
  • Familiaridad con estadísticas básicas y álgebra lineal

Público Objetivo

  • Ingenieros en IA
  • Desarrolladores de software
  • Analistas de datos
 14 Horas

Número de participantes


Precio por participante

Reseñas (2)

Próximos cursos

Categorías Relacionadas