Cursos de Aprendizaje profundo en Argentina

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.

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 en vivo con instructor en Argentina (en línea o presencial) está dirigida a científicos de datos y desarrolladores de nivel intermedio que desean comprender y aplicar técnicas de aprendizaje profundo utilizando el entorno de Google Colab.

Al finalizar esta formación, los participantes serán capaces de:

• Configurar y navegar por Google Colab para proyectos de aprendizaje profundo.
• Comprender los fundamentos de las redes neuronales.
• Implementar modelos de aprendizaje profundo con TensorFlow.
• Entrenar y evaluar modelos de aprendizaje profundo.
• Utilizar funciones avanzadas de TensorFlow para el aprendizaje profundo.

Esta formación impartida por un instructor, en vivo en Argentina (en línea o presencial), está dirigida a profesionales de nivel avanzado que desean especializarse en técnicas innovadoras de aprendizaje profundo para CLN.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender las diferencias clave entre los modelos de CLN y PLN.
• Aplicar técnicas avanzadas de aprendizaje profundo a tareas de CLN.
• Explorar arquitecturas profundas como los transformadores y los mecanismos de atención.
• Aprovechar las tendencias futuras en CLN para construir sistemas de inteligencia artificial sofisticados.

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.

Esta formación impartida por un instructor, en vivo en <ubicación> (en línea o presencial), está dirigida a científicos de datos, ingenieros de aprendizaje automático, investigadores en aprendizaje profundo y expertos en visión por computadora de nivel intermedio a avanzado que deseen ampliar sus conocimientos y habilidades en aprendizaje profundo para la generación de imágenes a partir de texto.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender las arquitecturas y técnicas avanzadas de aprendizaje profundo para la generación de imágenes a partir de texto.
• Implementar modelos complejos y optimizaciones para la síntesis de imágenes de alta calidad.
• Optimizar el rendimiento y la escalabilidad para conjuntos de datos grandes y modelos complejos.
• Afinar los hiperparámetros para mejorar el rendimiento del modelo y su capacidad de generalización.
• Integrar Stable Diffusion con otros frameworks y herramientas de aprendizaje profundo.

Esta formación en vivo con instructores en Argentina (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean aprovechar las técnicas de IA para revolucionar los procesos de descubrimiento y desarrollo de fármacos.

Al finalizar esta capacitación, los participantes podrán:

• Comprender el papel de la IA en el descubrimiento y desarrollo de fármacos.
• Aplicar técnicas de aprendizaje automático para predecir propiedades moleculares e interacciones.
• Utilizar modelos de aprendizaje profundo para el cribado virtual y la optimización de candidatos.
• Integrar enfoques impulsados por IA en el proceso de ensayos clínicos.

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.

Esta formación práctica impartida por instructores en <ubicación> (en línea o presencial) está dirigida a científicos de datos e ingenieros de aprendizaje automático de nivel principiante a intermedio que desean mejorar el rendimiento de sus modelos de aprendizaje profundo.

Al finalizar esta formación, los participantes podrán:

• Comprender los principios del aprendizaje profundo distribuido.
• Instalar y configurar DeepSpeed.
• Escalar modelos de aprendizaje profundo en hardware distribuido utilizando DeepSpeed.
• Implementar y experimentar con las funciones de DeepSpeed para optimización y eficiencia en el uso de memoria.

Esta formación práctica, impartida por instructores en <ubicación> (en línea o presencial), está dirigida a desarrolladores principiantes e intermedios que deseen utilizar Modelos de Lenguaje Grande para diferentes tareas de procesamiento de lenguaje natural.

Al finalizar esta capacitación, los participantes serán capaces de:

• Configurar un entorno de desarrollo que incluya un LLM popular.
• Crear un LLM básico y ajustarlo finamente (fine-tuning) sobre un conjunto de datos personalizado.
• Utilizar LLM para distintas tareas de procesamiento de lenguaje natural, como resumen de textos, respuesta a preguntas, generación de texto y más.
• Depurar y evaluar LLM utilizando herramientas como TensorBoard, PyTorch Lightning y Hugging Face Datasets.

Esta formación en vivo, impartida por un instructor (en línea o presencial), está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores en visión por computadora que desean aprovechar Stable Diffusion para generar imágenes de alta calidad para una variedad de casos de uso.

Al finalizar esta formación, los participantes podrán:

• Comprender los principios de Stable Diffusion y cómo funciona para la generación de imágenes.
• Construir y entrenar modelos de Stable Diffusion para tareas de generación de imágenes.
• Aplicar Stable Diffusion en diversos escenarios de generación de imágenes, como inpintura, extrapolación de imagen y traducción de imagen a imagen.
• Optimizar el rendimiento y la estabilidad de los modelos de Stable Diffusion.

En esta capacitación en vivo con instructores en Argentina, los participantes aprenderán las técnicas de machine learning más relevantes y de vanguardia en Python mientras desarrollan una serie de aplicaciones demo que involucran datos de imágenes, música, texto y financieros.

Al finalizar esta capacitación, los participantes serán capaces de:

• Implementar algoritmos y técnicas de machine learning para resolver problemas complejos.
• Aplicar deep learning y semi-supervised learning a aplicaciones que involucren datos de imágenes, música, texto y financieros.
• Llevar los algoritmos de Python a su máximo potencial.
• Utilizar bibliotecas y paquetes como NumPy y Theano.

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.

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.

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.

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.

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.

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.

Esta formación en vivo, impartida por un instructor en <ubic> (en línea o presencial), está dirigida a científicos de datos que desean usar TensorFlow para analizar datos de posibles fraudes.

Al finalizar esta capacitación, los participantes podrán:

• Crear un modelo de detección de fraude en Python y TensorFlow.
• Construir regresiones lineales y modelos de regresión lineal para predecir fraudes.
• Desarrollar una aplicación de inteligencia artificial completa (de extremo a extremo) para analizar datos de fraude.

En este entrenamiento en vivo y dirigido por un instructor, los participantes aprenderán a utilizar Matlab para diseñar, construir y visualizar una red neuronal convolucional destinada al reconocimiento de imágenes.

Al finalizar esta formación, los participantes podrán:

• Construir un modelo de aprendizaje profundo
• Automatizar la etiquetación de datos
• Trabajar con modelos de Caffe y TensorFlow-Keras
• Entrenar datos utilizando múltiples GPUs, la nube o clusters

Público objetivo

• Desarrolladores
• Ingenieros
• Expertos en el dominio

Formato del curso

• Parcialmente teórico, con discusiones, ejercicios y una fuerte práctica hands-on

Esta formación en vivo con instructores en <ubicación> (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean utilizar TensorFlow 2.x para crear predictores, clasificadores, modelos generativos, redes neuronales, entre otros.

Al finalizar esta formación, los participantes podrán:

• Instalar y configurar TensorFlow 2.x.
• Comprender las ventajas de TensorFlow 2.x respecto a versiones anteriores.
• Crear modelos de aprendizaje profundo.
• Implementar un clasificador de imágenes avanzado.
• Desplegar un modelo de aprendizaje profundo en la nube, dispositivos móviles y sistemas IoT.

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