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 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
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