Temario del curso
Módulo 1: Python Fundamental para Flujos de Trabajo de ML
• Inicio del curso y configuración del entorno
Alinea los objetivos y configura un espacio de trabajo reproducible para ML con Python.
• Aspectos esenciales del lenguaje Python (acelerado)
Revisión de sintaxis, flujo de control, funciones y patrones utilizados comúnmente en bases de código de ML.
• Estructuras de datos para ML
Listas, diccionarios, conjuntos y tuplas para características, etiquetas y metadatos.
• Comprensiones y herramientas funcionales
Expresa transformaciones mediante comprensiones y funciones de orden superior.
• Python orientado a objetos para desarrolladores de ML
Clases, métodos, composición y decisiones de diseño prácticas.
• dataclasses y modelado ligero
Contenedores tipados para configuración, ejemplos y resultados.
• Decoradores y gestores de contexto
Patrones de temporización, almacenamiento en caché, registro de eventos (logging) y ejecución segura de recursos.
• Trabajo con archivos y rutas
Manejo robusto de conjuntos de datos y formatos de serialización.
• Excepciones y programación defensiva
Escribir scripts de ML que fallen de manera segura y transparente.
• Módulos, paquetes y estructura del proyecto
Organización de bases de código de ML reutilizables.
• Tipado y calidad del código
Anotaciones de tipo, documentación y estructura amigable para linting.
Módulo 2: NumPy, SciPy y Manejo de Datos en Python
• Fundamentos de NumPy para computación vectorizada
Operaciones eficientes con arrays y codificación consciente del rendimiento.
• Indexación, segmentación (slicing), difusión de formas (broadcasting) y dimensiones
Manipulación segura de tensores y razonamiento sobre las formas de los datos.
• Elementos esenciales de álgebra lineal con NumPy y SciPy
Operaciones matriciales estables y descomposiciones utilizadas en ML.
• Profundización en SciPy
Estadística, optimización, ajuste de curvas y matrices dispersas.
• Pandas para datos tabulares de ML
Limpieza, unión, agregación y preparación de conjuntos de datos.
• Profundización en scikit-learn
Interfaz de estimadores, tuberías (pipelines) y flujos de trabajo reproducibles.
• Elementos esenciales de visualización
Graficos diagnósticos para exploración de datos y comportamiento del modelo.
Módulo 3: Patrones de Programación para Aplicaciones de ML
• Del cuaderno (notebook) al proyecto mantenible
Refactorización de código exploratorio en paquetes estructurados.
• Gestión de configuración
Parámetros externalizados y validación en el inicio.
• Registro de eventos (logging), advertencias y observabilidad
Registro estructurado para sistemas de ML depurables.
• Componentes reutilizables con OOP y composición
Diseño de transformadores y predictores extensibles.
• Patrones de diseño prácticos
Patrones de tubería (Pipeline), Fábrica o Registro, Estrategia y Adaptador.
• Validación de datos y verificaciones de esquema
Prevención de problemas silenciosos en los datos.
• Rendimiento y perfilado (profiling)
Identificación de cuellos de botella y aplicación de técnicas de optimización.
• Entrada/Salida de modelos e interfaces de inferencia
Persistencia segura e interfaces de predicción limpias.
• Mini construcción de extremo a extremo
Tubería de ML estilo producción con configuración y registro de eventos (logging).
Módulo 4: Aprendizaje Estadístico para Datos Tabulares, Texto e Imágenes
• Fundamentos de evaluación
Divisiones de entrenamiento y validación, validación cruzada honesta y métricas alineadas con el negocio.
• ML tabular avanzado
GLMs regularizados, conjuntos de árboles (ensembles) y preprocesamiento libre de filtración de datos (leakage).
• Calibración e incertidumbre
Escala de Platt, regresión isotónica, bootstrap y predicción conforme.
• Métodos clásicos de PLN (NLP)
Compensaciones en la tokenización, TF-IDF, modelos lineales y Bayes ingenuo.
• Modelado de temas
Fundamentos de LDA y limitaciones prácticas.
• Visión por computadora clásica
HOG, PCA y tuberías basadas en características.
• Análisis de errores
Detección de sesgo, ruido en las etiquetas y correlaciones espurias.
• Laboratorios prácticos
Tubería tabular a prueba de filtración de datos
Comparación e interpretación de líneas base de texto
Línea base clásica de visión con análisis estructurado de fallos.
Módulo 5: Redes Neuronales para Datos Tabulares, Texto e Imágenes
• Dominio del bucle de entrenamiento
Bucles limpios en PyTorch con AMP (Precision Mixta Automática), recorte de gradientes y reproducibilidad.
• Optimización y regularización
Inicialización, normalización, optimizadores y programaciones (schedulers).
• Precisión mixta y escalado
Estrategias de acumulación de gradientes y guardado de puntos de control (checkpointing).
• Redes neuronales tabulares
Incrustaciones categóricas, combinaciones de características y estudios de ablación.
• Redes neuronales para texto
Incrustaciones, CNNs, BiLSTM o GRU y manejo de secuencias.
• Redes neuronales para visión
Fundamentos de CNN y arquitecturas tipo ResNet.
• Laboratorios prácticos
Marco de entrenamiento reutilizable
Comparación de NN tabular vs. boosting
CNN con experimentos de aumentación y programación de hiperparámetros.
Módulo 6: Arquitecturas Neurales Avanzadas
• Estrategias de aprendizaje transferido
Patrones de congelar y descongelar, tasas de aprendizaje discriminativas.
• Arquitecturas Transformer para texto
Interna del autoatención y enfoques de ajuste fino (fine-tuning).
• Backbones de visión y predicción densa
ResNet, EfficientNet, Vision Transformers y conceptos U-Net.
• Arquitecturas tabulares avanzadas
TabTransformer, FT-Transformer y redes Deep and Cross.
• Consideraciones de series temporales
Divisiones temporales y detección de cambio de covariables.
• PEFT y técnicas de eficiencia
Compensaciones entre LoRA, destilación y cuantización.
• Laboratorios prácticos
Ajuste fino (fine-tuning) de un transformer de texto preentrenado
Ajuste fino (fine-tuning) de un modelo de visión preentrenado
Comparación de transformer tabular vs GBDT.
Módulo 7: Sistemas de IA Generativa
• Fundamentos del prompting
Prompting estructurado y generación controlada.
• Fundamentos de LLM
Tokenización, ajuste por instrucciones (instruction tuning) y mitigación de alucinaciones.
• Generación Aumentada por Recuperación (RAG)
Segmentación (chunking), incrustaciones, búsqueda híbrida y métricas de evaluación.
• Estrategias de ajuste fino (fine-tuning)
LoRA y QLoRA con controles de calidad de datos.
• Modelos de difusión
Intuición sobre la difusión latente y adaptación práctica.
• Datos tabulares sintéticos
CTGAN y consideraciones de privacidad.
• Laboratorios prácticos
Mini-aplicación RAG estilo producción
Validación de salida estructurada con aplicación de esquema
Experimentación opcional con difusión.
Módulo 8: Agentes de IA y MCP
• Diseño del bucle del agente
Observar, planificar, actuar, reflexionar y persistir.
• Arquitecturas de agentes
ReAct, planificar-ejecutar y coordinación multi-agente.
• Gestión de la memoria
Enfoques episódicos, semánticos y de bloc de notas (scratchpad).
• Integración de herramientas y seguridad
Contratos de herramientas, aislamiento en sandbox y defensas contra inyección de prompts.
• Marcos de evaluación
Trazas reproducibles, suites de tareas y pruebas de regresión.
• MCP e interoperabilidad basada en protocolos
Diseño de servidores MCP con exposición segura de herramientas.
• Laboratorios prácticos
Construcción de un agente desde cero
Exposición de herramientas mediante un servidor estilo MCP
Creación de un marco de evaluación con restricciones de seguridad.
Requerimientos
Los participantes deben tener conocimientos funcionales de programación en Python.
Este programa está dirigido a profesionales técnicos de nivel intermedio a avanzado.
Reseñas (3)
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
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
Que se estuviera aplicando datos reales de la empresa. El formador tenía un enfoque muy bueno al hacer que los participantes colaboraran y competieran.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
Traducción Automática
