Optimización de Modelos de IA para Dispositivos Edge

Este curso abarca la IA (con énfasis en el Aprendizaje Automático y el Aprendizaje Profundo) en la industria automotriz. Ayuda a determinar qué tecnología puede utilizarse (potencialmente) en múltiples situaciones de un automóvil: desde automatizaciones simples y reconocimiento de imágenes hasta la toma de decisiones autónomas.

Al explorar los fundamentos de la inteligencia artificial, se revela cómo la tecnología inteligente transforma la estrategia digital, la automatización y la toma de decisiones en las operaciones empresariales. Examina conceptos centrales que abarcan la historia de la IA, marcos de resolución de problemas, representación del conocimiento, razonamiento bajo incertidumbre y paradigmas de aprendizaje automático, junto con comunicación, percepción y acción autónoma. Orienta a ejecutivos y arquitectos para evaluar oportunidades de transformación impulsadas por IA, analizar tendencias emergentes en tecnología e integrar soluciones inteligentes prácticas que aceleren la agilidad empresarial.

Esta formación en vivo impartida por un instructor en <ubicación> (en línea o presencial) está dirigida a biólogos que desean comprender el funcionamiento de AlphaFold y utilizar sus modelos como guía en sus estudios experimentales.

Al finalizar esta formación, los participantes podrán:

• Comprender los principios básicos de AlphaFold.
• Aprender cómo funciona AlphaFold.
• Aprender a interpretar las predicciones y resultados de AlphaFold.

La Red Neuronal Artificial es un modelo computacional de datos utilizado en el desarrollo de sistemas de Inteligencia Artificial (IA) capaces de realizar tareas «inteligentes». Las Redes Neuronales se emplean comúnmente en aplicaciones de Aprendizaje Automático (AA), que constituyen una de las implementaciones de la IA. El Aprendizaje Profundo es un subconjunto del AA.

Inteligencia Artificial aplicada desde cero en Python dota a los programadores y analistas de datos con las técnicas fundamentales para construir soluciones de aprendizaje automático desde sus bases utilizando Python. Cubre los principios centrales del aprendizaje supervisado (clasificación y regresión), el aprendizaje no supervisado (agrupamiento y detección de anomalías) y las arquitecturas avanzadas de redes neuronales. Examina métodos probados para trabajar con scikit-learn, Apache Spark MLlib y Jupyter notebooks en el desarrollo práctico de IA. Ayuda a los profesionales a implementar modelos de ML prácticos, evaluar las limitaciones de los algoritmos y completar proyectos aplicados para la resolución de problemas del mundo real.

Esta formación en vivo dirigida por un instructor en Argentina (online o presencial) está orientada a participantes con distintos niveles de conocimiento que deseen aprovechar la plataforma AutoML de Google para construir chatbots personalizados para diversas aplicaciones.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los fundamentos del desarrollo de chatbots.
• Navegar por Google Cloud Platform y acceder a AutoML.
• Preparar datos para entrenar modelos de chatbots.
• Entrenar y evaluar modelos de chatbots personalizados utilizando AutoML.
• Desplegar e integrar chatbots en diversas plataformas y canales.
• Monitorear y optimizar el rendimiento de los chatbots con el tiempo.

Esta formación en vivo impartida por un instructor en Argentina (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar sofisticados modelos de visión utilizando Google Colab.

Al finalizar esta formación, los participantes serán capaces de:

• Construir y entrenar redes neuronales convolucionales (CNN) utilizando TensorFlow.
• Aprovechar Google Colab para el desarrollo escalable y eficiente de modelos basados en la nube.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Implementar modelos de visión por computadora para aplicaciones del mundo real.
• Utilizar el aprendizaje por transferencia para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de los modelos de clasificación de imágenes.

Esta formación presencial impartida por un instructor en Argentina (en línea o en las instalaciones) ofrece una introducción al campo del reconocimiento de patrones y el aprendizaje automático. Se abordan aplicaciones prácticas en estadística, ciencias de la computación, procesamiento de señales, visión por computadora, minería de datos y bioinformática.

Al finalizar esta formación, los participantes podrán:

• Aplicar métodos estadísticos fundamentales al reconocimiento de patrones.
• Utilizar modelos clave como redes neuronales y métodos de núcleo para el análisis de datos.
• Implementar técnicas avanzadas para resolver problemas complejos.
• Mejorar la precisión de las predicciones combinando diferentes modelos.

El Aprendizaje por Refuerzo Profundo (DRL, por sus siglas en inglés) combina los principios del aprendizaje por refuerzo con arquitecturas de aprendizaje profundo para permitir que los agentes tomen decisiones mediante la interacción con su entorno. Es la base de numerosos avances modernos en IA, como vehículos autónomos, control robótico, negociación algorítmica y sistemas de recomendación adaptativos. El DRL permite a un agente artificial aprender estrategias, optimizar políticas y tomar decisiones autónomas basadas en ensayo y error mediante el aprendizaje con recompensas.

Esta formación impartida por un instructor (en línea o presencial) está dirigida a desarrolladores y científicos de datos de nivel intermedio que desean aprender y aplicar técnicas de Aprendizaje por Refuerzo Profundo para construir agentes inteligentes capaces de tomar decisiones autónomas en entornos complejos.

Al finalizar esta formación, los participantes podrán:

• Comprender las bases teóricas y los principios matemáticos del Aprendizaje por Refuerzo.
• Implementar algoritmos clave de RL, incluidos Q-Learning, Gradientes de Política y métodos Actor-Crítico.
• Construir y entrenar agentes de Aprendizaje por Refuerzo Profundo utilizando TensorFlow o PyTorch.
• Aplicar DRL a aplicaciones del mundo real, como videojuegos, robótica y optimización de decisiones.
• Solucionar problemas, visualizar y optimizar el rendimiento del entrenamiento utilizando herramientas modernas.

Formato del Curso

• Clase interactiva y discusión guiada.
• Ejercicios prácticos e implementaciones aplicadas.
• Demostraciones de codificación en vivo y aplicaciones basadas en proyectos.

Opciones de Personalización del Curso

• Para solicitar una versión personalizada de este curso (por ejemplo, utilizando PyTorch en lugar de TensorFlow), contáctenos para coordinarlo.

Esta formación en vivo, impartida por un instructor, en <ubicación> (online o en presencia), está dirigida a desarrolladores de nivel intermedio, científicos de datos y profesionales de la IA que deseen aprovechar TensorFlow Lite para aplicaciones de IA en el borde.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los fundamentos de TensorFlow Lite y su papel en la IA en el borde.
• Desarrollar y optimizar modelos de IA utilizando TensorFlow Lite.
• Desplegar modelos de TensorFlow Lite en diversos dispositivos de borde.
• Utilizar herramientas y técnicas para la conversión y optimización de modelos.
• Implementar aplicaciones prácticas de IA en el borde utilizando TensorFlow Lite.

Kubeflow es una plataforma de código abierto diseñada para agilizar la creación, el entrenamiento y el despliegue de cargas de trabajo de aprendizaje automático (ML) sobre Kubernetes.

Esta formación en vivo con instructor (online o presencial) está dirigida a profesionales de nivel principiante e intermedio que desean construir flujos de trabajo confiables de ML utilizando Kubeflow.

Al completar esta formación, los asistentes adquirirán las habilidades para:

• Navegar por el ecosistema de Kubeflow y sus componentes principales.
• Construir flujos de trabajo reproducibles con Kubeflow Pipelines.
• Ejecutar trabajos de entrenamiento escalables en Kubernetes.
• Servir modelos de aprendizaje automático de manera eficiente mediante Kubeflow Serving.

Formato del curso

• Presentaciones guiadas y discusiones colaborativas.
• Laboratorios prácticos con componentes reales de Kubeflow.
• Ejercicios prácticos para construir flujos de trabajo de extremo a extremo de ML.

Opciones de personalización del curso

• Pueden adaptarse versiones personalizadas de esta formación para alinearse con el stack tecnológico y los requisitos de proyecto de su equipo.

Esta capacitación en vivo dirigida por un instructor en Argentina (en línea o presencial) está orientada a analistas de datos de nivel intermedio que desean aprender a usar RapidMiner para estimar y proyectar valores, así como utilizar herramientas analíticas para la previsión de series temporales.

Al finalizar esta capacitación, los participantes podrán:

• Aprender a aplicar la metodología CRISP-DM, seleccionar algoritmos de aprendizaje automático adecuados y mejorar la construcción y el rendimiento de los modelos.
• Utilizar RapidMiner para estimar y proyectar valores, y emplear herramientas analíticas para la previsión de series temporales.

Este curso comienza brindándote conocimiento conceptual sobre redes neuronales y, en general, sobre algoritmos de aprendizaje automático e inteligencia artificial profunda (algoritmos y aplicaciones).

La Parte 1 (40%) de esta capacitación se centra más en los fundamentos, pero te ayudará a elegir la tecnología adecuada: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

La Parte 2 (20%) de esta capacitación introduce Theano, una biblioteca de Python que facilita la escritura de modelos de inteligencia artificial profunda.

La Parte 3 (40%) de la capacitación se basará extensamente en TensorFlow, la API de la biblioteca de código abierto de Google para Inteligencia Artificial Profunda. Los ejemplos y las actividades prácticas se realizarán todos en TensorFlow.

Público objetivo

Este curso está destinado a ingenieros que buscan utilizar TensorFlow para sus proyectos de inteligencia artificial profunda.

Después de completar este curso, los asistentes:

• tendrán una buena comprensión sobre redes neuronales profundas (DNN), CNN y RNN
• comprenderán la estructura y los mecanismos de implementación de TensorFlow
• podrán realizar tareas de instalación, entorno de producción, arquitectura y configuración
• serán capaces de evaluar la calidad del código, realizar depuración y monitoreo
• podrán implementar características de nivel de producción como entrenar modelos, construir grafos y registrar logs

Esta formación en vivo impartida por un instructor en Argentina (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen explorar las técnicas más avanzadas de IA Explicable (XAI) para modelos de aprendizaje profundo, con un enfoque en la construcción de sistemas de IA interpretables.

Al finalizar esta formación, los participantes podrán:

• Comprender los desafíos de la explicabilidad en el aprendizaje profundo.
• Implementar técnicas avanzadas de XAI para redes neuronales.
• Interpretar las decisiones tomadas por los modelos de aprendizaje profundo.
• Evaluar los compromisos entre rendimiento y transparencia.