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.
Duración 14 horas
Temario del curso
Introducción a los modelos preentrenados
- ¿Qué son los modelos preentrenados?
- Beneficios de utilizar modelos preentrenados
- Visión general de los modelos preentrenados populares (por ejemplo, BERT, ResNet)
Comprensión de las arquitecturas de modelos preentrenados
- Fundamentos de la arquitectura del modelo
- Conceptos de aprendizaje por transferencia y ajuste fino
- Cómo se construyen y entrenan los modelos preentrenados
Configuración del entorno
- Instalación y configuración de Python y las bibliotecas relevantes.
- Exploración de repositorios de modelos preentrenados (por ejemplo, Hugging Face).
- Carga y prueba de modelos preentrenados.
Práctica con modelos preentrenados
- Uso de modelos preentrenados para clasificación de texto.
- Aplicación de modelos preentrenados a tareas de reconocimiento de imágenes.
- Ajuste fino de modelos preentrenados para conjuntos de datos personalizados.
Despliegue de modelos preentrenados
- Exportación y guardado de modelos ajustados.
- Integración de modelos en aplicaciones.
- Fundamentos del despliegue de modelos en producción.
Desafíos y mejores prácticas
- Comprensión de las limitaciones del modelo.
- Evitar el sobreajuste durante el ajuste fino.
- Asegurar el uso ético de los modelos de IA.
Tendencias futuras en modelos preentrenados
- Arquitecturas emergentes y sus aplicaciones.
- Avances en el aprendizaje por transferencia.
- Exploración de modelos de lenguaje grande y modelos multimodales.
Resumen y próximos pasos
Requerimientos
- Comprensión básica de los conceptos de aprendizaje automático.
- Familiaridad con la programación en Python.
- Conocimientos básicos de manejo de datos utilizando bibliotecas como Pandas.
Público objetivo
- Científicos de datos.
- Entusiastas de la inteligencia artificial.
Reseñas (2)
Fomentar la repetición en la construcción de indicaciones (prompts) entre quienes nunca han utilizado la IA, y animar a los usuarios experimentados a considerar métodos alternativos para su uso.
Matthew Gay - Tarsus Pharmaceuticals
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
