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.
Programa del Curso
Ajuste y Optimización de Hiperparámetros
Introducción a Modelos Avanzados Machine Learning
Implementación del Modelo
Interpretabilidad y Explicabilidad del Modelo
Neural Networks y Deep Learning
Aplicaciones Reales y Estudios de Caso
Resumen y Próximos Pasos
Trabajando con Google Colab para Modelos a Escala Grande Machine Learning
- Aplicación de modelos avanzados en salud, finanzas y comercio electrónico
- Estudios de caso: Implementaciones exitosas de modelos
- Desafíos y tendencias futuras en el aprendizaje automático avanzado
- Construcción y entrenamiento de redes neuronales profundas
- Aprendizaje por transferencia con modelos preentrenados
- Optimización de modelos de aprendizaje profundo para rendimiento
- Colaboración en proyectos de aprendizaje automático en Colab
- Uso de Colab para entrenamiento distribuido y aceleración GPU/TPU
- Integración con servicios en la nube para el entrenamiento de modelos escalables
- Exploración de técnicas de interpretabilidad de modelos (LIME, SHAP)
- IA explicativa para modelos de aprendizaje profundo
- Manejo del sesgo y la equidad en los modelos de aprendizaje automático
- Técnicas de búsqueda en cuadrícula y búsqueda aleatoria
- Automatización del ajuste de hiperparámetros con Google Colab
- Uso de técnicas avanzadas de optimización (Bayesiana, Algoritmos Genéticos)
- Introducción a las estrategias de implementación del modelo
- Implementación de modelos en entornos de nube utilizando Google Colab
- Inferencia en tiempo real y procesamiento por lotes
- Resumen de modelos complejos: Random Forests, Aprendizaje por Gradiente Boosting, Neural Networks
- Cuando usar modelos avanzados: Mejores prácticas y casos de uso
- Introducción a las técnicas de aprendizaje en conjunto
Requerimientos
Audience
- Científicos de datos
- Practicantes de aprendizaje automático
- Ingenieros de IA
- Comprensión sólida de algoritmos y conceptos de aprendizaje automático
- Habilidad en programación Python
- Experiencia con Jupyter Notebooks o Google Colab
21 Horas
Testimonios (2)
el ecosistema de ML no solo incluye MLFlow sino también Optuna, hyperops, docker y docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - MLflow
Traducción Automática
Disfruté participar en el entrenamiento Kubeflow, que se llevó a cabo de forma remota. Este entrenamiento me permitió consolidar mis conocimientos sobre los servicios de AWS, K8s y todas las herramientas DevOps relacionadas con Kubeflow, que son las bases necesarias para abordar adecuadamente el tema. Quiero agradecer a Malawski Marcin por su paciencia y profesionalismo en la formación y en la orientación sobre las mejores prácticas. Malawski aborda el tema desde diferentes ángulos, utilizando distintas herramientas de implementación Ansible, EKS kubectl, Terraform. Ahora estoy definitivamente convencido de que me dirijo al campo de aplicación correcto.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curso - Kubeflow
Traducción Automática
