Temario del curso
Módulo 1: Python fundamental para flujos de trabajo de ML
• Inicio del curso y configuración del entorno
Alinear objetivos y configurar un espacio de trabajo reproducible en Python para ML.
• Conceptos esenciales del lenguaje Python (intensivo)
Revisión de sintaxis, flujo de control, funciones y patrones comúnmente usados en repositorios de código de ML.
• Estructuras de datos para ML
Listas, diccionarios, conjuntos y tuplas para características, etiquetas y metadatos.
• Comprensiones y herramientas funcionales
Expresar transformaciones utilizando comprensiones y funciones de orden superior.
• Programación orientada a objetos en Python para desarrolladores de ML
Clases, métodos, composición y decisiones prácticas de diseño.
• dataclasses y modelado ligero
Contenedores tipados para configuración, ejemplos y resultados.
• Decoradores y gestores de contexto
Patrones seguros para timing, caché, registro y ejecución de recursos.
• Trabajando con archivos y rutas
Manejo robusto de datasets 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 repositorios de código reutilizable de ML.
• Tipado y calidad del código
Pistas de tipo (type hints), documentación y estructura amigable con herramientas de análisis estático (linters).
Módulo 2: Python numérico, SciPy y manejo de datos
• Fundamentos de NumPy para computación vectorizada
Operaciones eficientes con arrays y codificación consciente del rendimiento.
• Indexación, rebanado (slicing), broadcasting y formas
Manipulación segura de tensores y razonamiento sobre la forma de los datos.
• Conceptos esenciales de álgebra lineal con NumPy y SciPy
Operaciones matriciales estables y descomposiciones utilizadas en ML.
• Inmersión profunda en SciPy
Estadística, optimización, ajuste de curvas y matrices dispersas.
• Pandas para datos tabulares de ML
Limpieza, unión, agregación y preparación de datasets.
• Inmersión profunda en scikit-learn
Interfaz de estimadores, pipelines y flujos de trabajo reproducibles.
• Conceptos esenciales de visualización
Diagramas diagnósticos para exploración de datos y comportamiento del modelo.
Módulo 3: Patrones de programación para construir aplicaciones de ML
• Del cuaderno (notebook) al proyecto mantenible
Refactorización de código exploratorio en paquetes estructurados.
• Gestión de configuraciones
Parámetros externalizados y validación al inicio.
• Registro (logging), advertencias y observabilidad
Registro estructurado para sistemas de ML depurables.
• Componentes reutilizables con POO y composición
Diseño de transformadores y predictores extensibles.
• Patrones de diseño prácticos
Patrón Pipeline, Factory o Registry, Strategy y Adapter.
• 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.
• Persistencia del modelo e interfaces de inferencia
Persistencia segura e interfaces de predicción limpias.
• Mini construcción end-to-end
Pipeline de ML estilo producción con configuración y registro (logging).
Módulo 4: Aprendizaje estadístico para datos tabulares, texto e imagen
• Fundamentos de evaluación
Divisiones de entrenamiento y validación, validación cruzada honesta y métricas alineadas con el negocio.
• ML avanzado para datos tabulares
GLMs regularizados, conjuntos de árboles (ensembles) y preprocesamiento sin fugas de información (leakage-free).
• Calibración e incertidumbre
Escalamiento de Platt, regresión isotónica, bootstrap y predicción conformal.
• Métodos clásicos de PLN (NLP)
Compensaciones en la tokenización, TF-IDF, modelos lineales y Bayes ingenuo (Naive Bayes).
• Modelado de temas (Topic modeling)
Fundamentos de LDA y limitaciones prácticas.
• Visión por computadora clásica
HOG, PCA y pipelines basados en características.
• Análisis de errores
Detección de sesgo, ruido en las etiquetas y correlaciones espurias.
• Laboratorios prácticos
Pipeline tabular a prueba de fugas
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 imagen
• Dominio del bucle de entrenamiento
Buclos limpios en PyTorch con AMP, recorte de gradientes (clipping) y reproducibilidad.
• Optimización y regularización
Inicialización, normalización, optimizadores y programadores de tasas de aprendizaje (schedulers).
• Precisión mixta y escalado
Acumulación de gradientes y estrategias de guardado de puntos de control (checkpointing).
• Redes neuronales para datos tabulares
Incrustaciones categóricas, cruces de características y estudios de ablatión.
• Redes neuronales para texto
Incrustaciones (embeddings), CNNs, BiLSTM o GRU y manejo de secuencias.
• Redes neuronales para visión Fundamentos de CNNs y arquitecturas estilo ResNet.
• Laboratorios prácticos
Framework de entrenamiento reutilizable
Comparativa NN tabular vs boosting
Experimentos con augmentación y scheduling en CNNs.
Módulo 6: Arquitecturas neuronales avanzadas
• Estrategias de aprendizaje por transferencia
Patrones de congelar y descongelar capas, tasas de aprendizaje discriminativas.
• Arquitecturas Transformer para texto Mecanismos internos de auto-atención y enfoques de ajuste fino (fine-tuning).
• Backbones de visión y predicción densa
Conceptos sobre ResNet, EfficientNet, Vision Transformers y U-Net.
• Arquitecturas avanzadas para datos tabulares TabTransformer, FT-Transformer y redes Deep and Cross.
• Consideraciones para series temporales
Divisiones temporales y detección de cambio de covariante (covariate shift).
• Técnicas de PEFT y eficiencia Compensaciones entre LoRA, distilación y cuantización.
• Laboratorios prácticos
Fine-tuning de un Transformer de texto preentrenado
Fine-tuning de un modelo de visión preentrenado
Comparativa Transformer tabular vs GBDT.
Módulo 7: Sistemas de IA Generativa
• Fundamentos del Prompting
Prompting estructurado y generación controlada.
• Fundamentos de LLMs (Grandes Modelos de Lenguaje)
Tokenización, ajuste con instrucciones (instruction tuning) y mitigación de alucinaciones.
• Generación Aumentada por Recuperación (RAG) Segmentación (chunking), embeddings, 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 difusión latent y adaptación práctica.
• Datos tabulares sintéticos CTGAN y consideraciones de privacidad.
• Laboratorios prácticos
Mini-aplicación RAG estilo producción
Validación de salida estructurada con cumplimiento de esquema (schema enforcement)
Experimentación opcional con modelos de difusión.
Módulo 8: Agentes de IA y MCP
• Diseño del bucle de 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 pizarra (scratchpad).
• Integración de herramientas y seguridad Contratos de herramientas, aislamiento (sandboxing) y defensas contra inyección de prompts.
• Frameworks de evaluación Trazas reproducibles, conjuntos de tareas y pruebas de regresión.
• MCP e interoperabilidad basada en protocolos
Diseño de servidores MCP con exposición segura de herramientas.
• Laboratorios prácticos
Construir un agente desde cero
Exponer herramientas a través de un servidor estilo MCP
Crear un conjunto de evaluación (harness) con restricciones de seguridad.
Requerimientos
Se espera que los participantes tengan 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
