Cursos de Aprendizaje Automático en Puebla

Esta formación en vivo impartida por un instructor en <ubicación> (en línea o presencial) está dirigida a profesionales con nivel básico que desean comprender el concepto de los modelos preentrenados y aprender a aplicarlos para resolver problemas del mundo real sin tener que construirlos desde cero.

Al finalizar esta formación, los participantes podrán:

• Comprender el concepto y las ventajas de utilizar modelos preentrenados.
• Explorar distintas arquitecturas de modelos preentrenados y sus casos de uso.
• Afinar un modelo preentrenado para tareas específicas.
• Implementar modelos preentrenados en proyectos sencillos de aprendizaje automático.

Esta formación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a participantes con distintos niveles de experiencia 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.
• Implementar e integrar chatbots en distintas plataformas y canales.
• Monitorear y optimizar el rendimiento del chatbot con el tiempo.

Esta capacitación en vivo impartida por un instructor en <ubic> (en línea o presencial) está dirigida a desarrolladores de IA de nivel intermedio, ingenieros de aprendizaje automático y arquitectos de sistemas que deseen optimizar modelos de IA para su implementación en el borde.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender los desafíos y requisitos para implementar modelos de IA en dispositivos edge.
• Aplicar técnicas de compresión de modelos para reducir el tamaño y la complejidad de los modelos de IA.
• Utilizar métodos de cuantización para mejorar la eficiencia del modelo en hardware edge.
• Implementar la poda y otras técnicas de optimización para mejorar el rendimiento del modelo.
• Implementar modelos de IA optimizados en diversos dispositivos edge.

Esta formación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a desarrolladores intermedios, científicos de datos y entusiastas de la tecnología que desean adquirir habilidades prácticas para desplegar modelos de IA en dispositivos de borde para diversas aplicaciones.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los principios de la IA en el Borde y sus beneficios.
• Configurar y establecer el entorno de computación en el borde.
• Desarrollar, entrenar y optimizar modelos de IA para su despliegue en el borde.
• Implementar soluciones prácticas de IA en dispositivos de borde.
• Evaluar y mejorar el rendimiento de los modelos desplegados en el borde.
• Abordar consideraciones éticas y de seguridad en aplicaciones de IA en el Borde.

Este curso en vivo con instructores en Puebla (en línea o presencial) está dirigido a ingenieros de IA y científicos de datos de nivel avanzado que posean conocimientos intermedios a avanzados y deseen mejorar el rendimiento de los modelos DeepSeek, reducir la latencia e implementar soluciones de IA de forma eficiente mediante prácticas modernas de MLOps.

Al finalizar esta formación, los participantes podrán:

• Optimizar los modelos DeepSeek para mejorar su eficiencia, precisión y escalabilidad.
• Implementar las mejores prácticas de MLOps y control de versiones de modelos.
• Desplegar modelos DeepSeek tanto en infraestructura en la nube como on-premise.
• Monitorear, mantener y escalar soluciones de IA de manera efectiva.

MLOps en Kubernetes es un marco de trabajo diseñado para automatizar el entrenamiento, validación, empaquetado y despliegue de modelos de aprendizaje automático mediante pipelines contenerizados y flujos de trabajo GitOps.

Esta formación presencial o en vivo (en línea o a sitio) está dirigida a profesionales de nivel intermedio que desean construir pipelines de MLOps automatizados y escalables en Kubernetes.

Al finalizar esta capacitación, los participantes estarán capacitados para:

• Diseñar pipelines completos de CI/CD para aprendizaje automático.
• Implementar flujos de trabajo GitOps para el despliegue y versionado de modelos.
• Automatizar el entrenamiento, prueba y empaquetado de modelos de ML.
• Integrar estrategias de monitoreo, alertas y reversión (rollback).

Formato del curso

• Presentaciones guiadas por el instructor y análisis técnicos profundos.
• Ejercicios prácticos que construyen flujos de trabajo reales de CI/CD.
• Práctica en laboratorio en vivo para desplegar cargas de trabajo de ML en Kubernetes.

Opciones de personalización del curso

• Las organizaciones pueden solicitar contenido personalizado alineado con sus herramientas y infraestructura internas de MLOps.

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

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

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

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

Formato del curso

• Presentaciones guiadas y discusiones colaborativas.
• Prácticas de laboratorio con componentes reales de Kubeflow.
• Ejercicios prácticos para construir flujos de trabajo completos de ML.

Opciones de personalización del curso

• Se pueden organizar versiones personalizadas de esta formación para alinearse con el conjunto tecnológico de su equipo y los requisitos del proyecto.

TinyML consiste en desplegar modelos de aprendizaje automático optimizados en dispositivos periféricos con recursos limitados.

Esta formación en vivo, impartida por un instructor (en línea o presencial), está dirigida a profesionales técnicos de nivel avanzado que deseen diseñar, optimizar y desplegar pipelines completos de TinyML.

Al finalizar esta capacitación, los participantes aprenderán cómo:

• Recopilar, preparar y gestionar conjuntos de datos para aplicaciones de TinyML.
• Entrenar y optimizar modelos para microcontroladores de bajo consumo.
• Convertir los modelos a formatos ligeros adecuados para dispositivos periféricos.
• Desplegar, probar y monitorear aplicaciones de TinyML en entornos de hardware real.

Formato del curso

• Dictado por un instructor con sesiones teóricas y discusión técnica.
• Laboratorios prácticos e iteración mediante experimentación.
• Implementación práctica en plataformas basadas en microcontroladores.

Opciones de personalización del curso

• Para personalizar la capacitación con toolchains específicas, tarjetas de hardware o flujos de trabajo internos, contáctenos para organizarlo.

Esta formación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a desarrolladores intermedios, científicos de datos y profesionales de la IA que desean aprovechar TensorFlow Lite para aplicaciones de Edge AI.

Al finalizar esta formación, los participantes serán capaces de:

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

Esta formación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean dominar las tecnologías detrás de los sistemas autónomos.

Al finalizar esta formación, los participantes podrán:

• Diseñar e implementar modelos de IA para la toma de decisiones autónoma.
• Desarrollar algoritmos de control para la navegación autónoma y evitación de obstáculos.
• Garantizar la seguridad y confiabilidad en los sistemas autónomos impulsados por IA.
• Integrar sistemas autónomos con marcos de trabajo existentes de robótica e IA.

Esta formación en vivo impartida por un instructor en Puebla (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 modelos de visión sofisticados 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 de modelos escalable y eficiente en la nube.
• Implementar técnicas de preprocesamiento de imágenes para tareas de visión por computadora.
• Desplegar modelos de visión por computadora para aplicaciones del mundo real.
• Utilizar el aprendizaje por transferencia (transfer learning) para mejorar el rendimiento de los modelos CNN.
• Visualizar e interpretar los resultados de los modelos de clasificación de imágenes.

TinyML es un enfoque para implementar modelos de aprendizaje automático en dispositivos con bajo consumo energético y recursos limitados que operan en el borde de la red.

Esta capacitación en vivo impartida por instructores (en línea o presencial) está dirigida a profesionales avanzados desean proteger sus pipelines de TinyML e implementar técnicas de preservación de la privacidad en aplicaciones de IA en el borde.

Al finalizar este curso, los participantes podrán:

• Identificar riesgos de seguridad específicos de la inferencia de TinyML en dispositivos.
• Implementar mecanismos de preservación de la privacidad para despliegues de IA en el borde.
• Fortificar los modelos de TinyML y los sistemas embebidos frente a amenazas adversarias.
• Aplicar las mejores prácticas para el manejo seguro de datos en entornos con recursos limitados.

Formato del curso

• Conferencias interactivas respaldadas por discusiones guiadas por expertos.
• Ejercicios prácticos centrados en escenarios de amenazas reales.
• Implementación práctica utilizando herramientas de seguridad para sistemas embebidos y TinyML.

Opciones de personalización del curso

• Las organizaciones pueden solicitar una versión personalizada de esta capacitación para adaptarla a sus necesidades específicas de seguridad y cumplimiento normativo.

Esta formación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen mejorar su conocimiento sobre modelos de aprendizaje automático, perfeccionar sus habilidades en el ajuste de hiperparámetros y aprender cómo desplegar estos modelos de manera efectiva mediante Google Colab.

Al finalizar esta formación, los participantes serán capaces de:

• Implementar modelos avanzados de aprendizaje automático utilizando marcos de trabajo populares como Scikit-learn y TensorFlow.
• Optimizar el rendimiento de los modelos mediante el ajuste de hiperparámetros.
• Desplegar modelos de aprendizaje automático en aplicaciones del mundo real usando Google Colab.
• Colaborar y gestionar proyectos de aprendizaje automático a gran escala en Google Colab.

Esta formación en vivo con instrucción presencial en Puebla (en línea o presencial) está dirigida a profesionales de nivel intermedio que desean aplicar técnicas de inteligencia artificial para optimizar la gestión del rendimiento en la fabricación de semiconductores.

Al finalizar esta formación, los participantes podrán:

• Analizar los datos de producción para identificar los factores que afectan las tasas de rendimiento.
• Implementar algoritmos de IA para mejorar los procesos de gestión del rendimiento.
• Optimizar los parámetros de producción para reducir defectos y mejorar los rendimientos.
• Integrar la gestión del rendimiento impulsada por IA en los flujos de trabajo de producción existentes.

Esta formación en vivo dirigida por un instructor en Puebla (en línea o presencial) está orientada a profesionales de empresas e IA de nivel intermedio que desean aplicar el aprendizaje automático en entornos comerciales, pronósticos y sistemas impulsados por IA, utilizando estudios de caso reales y herramientas basadas en Python.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender cómo el aprendizaje automático se integra dentro de la estrategia empresarial e de IA.
• Aplicar técnicas de aprendizaje supervisado y no supervisado a problemas estructurados en el ámbito empresarial.
• Preprocesar y transformar datos para su modelado.
• Utilizar redes neuronales para tareas de clasificación y predicción.
• Realizar pronósticos de ventas utilizando métodos estadísticos y basados en aprendizaje automático.
• Implementar agrupamiento (clustering) y minería de reglas de asociación para la segmentación de clientes y el descubrimiento de patrones.

Este entrenamiento en vivo impartido por un instructor en Puebla (en línea o presencial) está dirigido a profesionales de nivel intermedio que desean aplicar técnicas de mantenimiento predictivo impulsadas por IA en la fabricación de semiconductores para mejorar la eficiencia de producción y reducir fallos inesperados en los equipos.

Al finalizar este entrenamiento, los participantes podrán:

• Implementar modelos de IA para predecir fallos en los equipos durante la fabricación de semiconductores.
• Analizar datos de mantenimiento para identificar patrones y tendencias que indiquen posibles problemas.
• Integrar el mantenimiento predictivo impulsado por IA en los flujos de trabajo de manufactura existentes.
• Reducir el tiempo de inactividad y los costos de mantenimiento mediante la gestión proactiva de los equipos.

Esta formación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean aplicar técnicas de IA de última generación a la automatización del diseño de semiconductores, mejorando la eficiencia, precisión e innovación en el diseño y verificación de chips.

Al finalizar esta formación, los participantes serán capaces de:

• Aplicar técnicas avanzadas de IA para optimizar los procesos de diseño de semiconductores.
• Integrar modelos de aprendizaje automático en herramientas EDA para una verificación mejorada del diseño.
• Desarrollar soluciones basadas en IA para desafíos complejos de diseño en la fabricación de chips.
• Aprovechar las redes neuronales para mejorar la precisión y velocidad de la automatización del diseño.

Esta formación en vivo con instructores en Puebla (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 podrán:

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

Esta capacitación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a profesionales de nivel intermedio que desean comprender y aplicar técnicas de IA para optimizar los procesos de fabricación de semiconductores.

Al finalizar esta capacitación, los participantes podrán:

• Comprender las metodologías de IA para la optimización de procesos en la fabricación de chips.
• Implementar modelos de IA para mejorar el rendimiento y reducir defectos.
• Analizar los datos del proceso para identificar parámetros clave que necesitan optimización.
• Aplicar técnicas de aprendizaje automático para ajustar finamente los procesos de fabricación de semiconductores.

Este curso práctico, impartido por un instructor en Puebla (en línea o presencial), está dirigido a participantes de nivel intermedio que desean automatizar y gestionar flujos de trabajo de machine learning, incluyendo el entrenamiento, validación y despliegue de modelos mediante Apache Airflow.

Al finalizar este curso, los participantes serán capaces de:

• Configurar Apache Airflow para la orquestación de flujos de trabajo de machine learning.
• Automatizar tareas de preprocesamiento de datos, entrenamiento y validación de modelos.
• Integrar Airflow con frameworks y herramientas de machine learning.
• Desplegar modelos de machine learning mediante pipelines automatizados.
• Supervisar y optimizar flujos de trabajo de machine learning en producción.

Este curso en vivo con instructores en Puebla (en línea o presencial) está dirigido a científicos de datos y desarrolladores de nivel intermedio que desean aplicar algoritmos de aprendizaje automático de manera eficiente utilizando el entorno de Google Colab.

Al finalizar este curso, los participantes podrán:

• Configurar y navegar por Google Colab para proyectos de aprendizaje automático.
• Comprender y aplicar varios algoritmos de aprendizaje automático.
• Utilizar bibliotecas como Scikit-learn para analizar y predecir datos.
• Implementar modelos de aprendizaje supervisado y no supervisado.
• Optimizar y evaluar modelos de aprendizaje automático de manera efectiva.

TinyML es la práctica de desplegar modelos de aprendizaje automático en hardware con recursos altamente limitados.

Esta formación en vivo dirigida por instructores (en línea o presencial) está orientada a profesionales avanzados que desean optimizar modelos TinyML para su implementación de baja latencia y bajo consumo de memoria en dispositivos embebidos.

Al completar esta formación, los participantes serán capaces de:

• Aplicar técnicas de cuantización, poda y compresión para reducir el tamaño del modelo sin sacrificar precisión.
• Realizar pruebas de referencia (benchmarking) de modelos TinyML en cuanto a latencia, consumo de memoria y eficiencia energética.
• Implementar pipelines de inferencia optimizados en microcontroladores y dispositivos de borde.
• Evaluar los compromisos entre rendimiento, precisión y restricciones del hardware.

Formato del curso

• Presentaciones dirigidas por el instructor con soporte de demostraciones técnicas.
• Ejercicios prácticos de optimización y pruebas comparativas de rendimiento.
• Implementación práctica de pipelines TinyML en un entorno de laboratorio controlado.

Opciones de personalización del curso

• Para una formación adaptada a plataformas de hardware específicas o flujos de trabajo internos, por favor contáctenos para personalizar el programa.

Esta formación en vivo con instructor en Puebla (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean explorar las técnicas XAI de vanguardia 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 XAI avanzadas para redes neuronales.
• Interpretar las decisiones tomadas por los modelos de aprendizaje profundo.
• Evaluar las compensaciones entre rendimiento y transparencia.

Esta formación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a profesionales con conocimientos básicos que desean comprender y aplicar las tecnologías de inteligencia artificial dentro de la industria de la fabricación de semiconductores.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los principios básicos de la IA y cómo se aplican a la fabricación de semiconductores.
• Identificar áreas dentro de la fabricación de semiconductores donde la IA puede implementarse de manera efectiva.
• Utilizar herramientas y técnicas de IA para mejorar la eficiencia de la producción y el control de calidad.
• Implementar modelos básicos de IA para optimizar los procesos de fabricación.

Docker es una plataforma de contenerización utilizada para crear entornos reproducibles, portátiles y escalables para sistemas de aprendizaje automático (ML).

Esta formación en vivo impartida por un instructor (en línea o presencial) está dirigida a profesionales técnicos de nivel intermedio a avanzado que desean contenerizar y operativizar pipelines completos de ML utilizando Docker.

Al finalizar esta formación, los participantes serán capaces de:

• Contenerizar cargas de trabajo de entrenamiento, validación e inferencia de ML.
• Diseñar y orquestar pipelines end-to-end de ML utilizando Docker y herramientas complementarias.
• Implementar versionado, reproducibilidad y CI/CD para componentes de ML.
• Desplegar, monitorear y escalar servicios de ML en entornos contenerizados.

Formato del Curso

• Conferencias interactivas respaldadas por demostraciones prácticas.
• Ejercicios prácticos centrados en la construcción de componentes reales de pipelines de ML.
• Implementación en laboratorio en vivo para flujos de trabajo contenerizados end-to-end.

Opciones de Personalización del Curso

• Para formación personalizada alineada con necesidades específicas de infraestructura de ML, por favor contáctenos para discutir las opciones disponibles.

Esta formación en vivo impartida por un instructor en <ubicación> (en línea o presencial) está dirigida a científicos de datos y desarrolladores que desean utilizar modelos de aprendizaje automático de ML.NET para derivar automáticamente proyecciones a partir del análisis de datos ejecutado para aplicaciones empresariales.

Al finalizar esta formación, los participantes podrán:

• Instalar ML.NET e integrarlo en el entorno de desarrollo de aplicaciones.
• Comprender los principios del aprendizaje automático detrás de las herramientas y algoritmos de ML.NET.
• Construir y entrenar modelos de aprendizaje automático para realizar predicciones de manera eficiente con los datos proporcionados.
• Evaluar el rendimiento de un modelo de aprendizaje automático utilizando las métricas de ML.NET.
• Optimizar la precisión de los modelos de aprendizaje automático existentes basándose en el marco de trabajo de ML.NET.
• Aplicar los conceptos de aprendizaje automático de ML.NET a otras aplicaciones de ciencia de datos.

Esta capacitación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a profesionales de datos de nivel intermedio que desean aplicar técnicas de aprendizaje automático para resolver problemas empresariales basados en datos, incluida la previsión de ventas y el modelado predictivo utilizando redes neuronales.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los conceptos fundamentales y los tipos de aprendizaje automático.
• Aplicar algoritmos clave para clasificación, regresión, clustering y análisis de asociación.
• Realizar análisis exploratorio de datos y preparación de datos mediante Python.
• Utilizar redes neuronales para tareas de modelado no lineal.
• Implementar análisis predictivo para la previsión empresarial, incluidos los datos de ventas.
• Evaluar y optimizar el rendimiento del modelo utilizando técnicas visuales y estadísticas.

Esta formación en directo, impartida por instructores en Puebla (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 desean ampliar sus conocimientos y habilidades en el uso del 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 marcos de aprendizaje profundo y herramientas.

Esta formación en vivo con instructor en Puebla (en línea o presencial) está dirigida a profesionales de ciberseguridad de nivel intermedio a avanzado que deseen mejorar sus habilidades en la detección de amenazas y la respuesta a incidentes impulsadas por IA.

Al finalizar esta capacitación, los participantes podrán:

• Implementar algoritmos avanzados de IA para la detección de amenazas en tiempo real.
• Personalizar modelos de IA para desafíos específicos de ciberseguridad.
• Desarrollar flujos de trabajo de automatización para la respuesta a amenazas.
• Proteger las herramientas de seguridad basadas en IA contra ataques adversarios.

Esta capacitación en vivo impartida por un instructor Puebla (en línea o presencial) está dirigida a ingenieros de sistemas embebidos y desarrolladores de IA de nivel intermedio que desean desplegar modelos de aprendizaje automático en microcontroladores utilizando TensorFlow Lite y Edge Impulse.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender los fundamentos de TinyML y sus beneficios para aplicaciones de IA en el borde.
• Configurar un entorno de desarrollo para proyectos de TinyML.
• Entrenar, optimizar y desplegar modelos de IA en microcontroladores de bajo consumo.
• Utilizar TensorFlow Lite y Edge Impulse para implementar aplicaciones reales de TinyML.
• Optimizar modelos de IA para lograr eficiencia energética y cumplir con las restricciones de memoria.

Esta formación en vivo impartida por un instructor en <ubicación> (en línea o presencial) está dirigida a profesionales de la ciberseguridad de nivel principiante que desean aprender cómo aprovechar la IA para mejorar las capacidades de detección y respuesta ante amenazas.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender las aplicaciones de la IA en ciberseguridad.
• Implementar algoritmos de IA para la detección de amenazas.
• Automatizar la respuesta ante incidentes con herramientas de IA.
• Integrar la IA en la infraestructura existente de ciberseguridad.

Esta formación en vivo impartida por instructores <ubicada> (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 serán capaces de:

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

Esta formación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a analistas de datos de nivel intermedio que deseen aprender a utilizar RapidMiner para estimar y proyectar valores, así como aprovechar las herramientas analíticas para la previsión de series temporales.

Al finalizar esta formación, los participantes serán capaces de:

• 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 aprovechar las herramientas analíticas para la previsión de series temporales.

Esta formación en vivo con instructores (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 inpainting, outpainting y traducción de imagen a imagen.
• Optimizar el rendimiento y la estabilidad de los modelos de Stable Diffusion.

Este curso en vivo, impartido por un instructor, <ubicación> (en línea o presencial), está dirigido a ingenieros y científicos de datos de nivel principiante que desean comprender los fundamentos de TinyML, explorar sus aplicaciones e implementar modelos de IA en microcontroladores.

Al finalizar este curso, los participantes serán capaces de:

• Comprender los fundamentos de TinyML y su relevancia.
• Implementar modelos de IA ligeros en microcontroladores y dispositivos de borde.
• Optimizar y ajustar finamente los modelos de aprendizaje automático para un bajo consumo de energía.
• Aplicar TinyML en aplicaciones del mundo real, como el reconocimiento de gestos, la detección de anomalías y el procesamiento de audio.

El objetivo de este curso es proporcionar competencia general en la aplicación de métodos de aprendizaje automático en la práctica. A través del uso del lenguaje de programación Python y sus diversas bibliotecas, y basándose en una multitud de ejemplos prácticos, este curso enseña cómo utilizar los bloques de construcción más importantes del aprendizaje automático, cómo tomar decisiones de modelado de datos, interpretar las salidas de los algoritmos y validar los resultados.

Nuestro objetivo es brindarte las habilidades para entender y utilizar con confianza las herramientas más fundamentales del cajón de herramientas del aprendizaje automático y evitar las trampas comunes de las aplicaciones de Ciencia de Datos.

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

El Aprendizaje Profundo por Refuerzo (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 muchos avances modernos de inteligencia artificial, como vehículos autónomos, control de robótica, operaciones algorítmicas 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 en vivo 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 Profundo por Refuerzo para construir agentes inteligentes capaces de tomar decisiones autónomas en entornos complejos.

Al finalizar esta capacitación, los participantes podrán:

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

Formato del curso

• Conferencia interactiva y discusión guiada.
• Ejercicios prácticos e implementaciones reales.
• 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 todas las operaciones empresariales. Se examinan conceptos fundamentales que abarcan la historia de la IA, marcos para la resolución de problemas, representación del conocimiento, razonamiento con incertidumbre y paradigmas de aprendizaje automático, junto con comunicación, percepción y acción autónoma. Guía a ejecutivos y arquitectos para evaluar oportunidades de transformación impulsadas por la IA, analizar tendencias emergentes en tecnología e integrar soluciones prácticas e inteligentes que aceleren la agilidad empresarial.

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

Este programa de 8 días ofrece un recorrido completo, desde bases sólidas de ingeniería en Python hasta el diseño avanzado de sistemas de IA. Los participantes desarrollan prácticas de codificación disciplinadas, dominan métodos de aprendizaje estadístico y profundo, y construyen sistemas de IA generativa y basados en agentes listos para producción. El enfoque está en la confiabilidad, evaluación, seguridad y despliegue en el mundo real, más allá de la experimentación.

La Red Neuronal Artificial es un modelo de datos computacional utilizado en el desarrollo de sistemas de Inteligencia Artificial (IA) capaces de realizar tareas "inteligentes". Las Redes Neuronales se utilizan comúnmente en aplicaciones de Aprendizaje Automático (ML), que a su vez son una implementación de la IA. El Aprendizaje Profundo es un subconjunto del ML.

Eleva tus habilidades en ciencia de datos con este curso integral de Machine Learning que abarca algoritmos fundamentales como Naive Bayes, Decision Trees, Neural Networks, Support Vector Machines y técnicas de Clustering. Obtén experiencia práctica combinando fundamentos teóricos con aplicaciones reales a través de ejemplos del mundo real. Ideal para analistas de datos, ingenieros de software, entusiastas de la inteligencia artificial y profesionales empresariales que deseen implementar soluciones de Machine Learning. Domina métricas de rendimiento en clasificación, validación cruzada, el trade-off entre sesgo y varianza, así como los fundamentos del deep learning para construir modelos predictivos robustos.

Esta formación en vivo impartida por un instructor en Puebla (en línea o presencial) ofrece una introducción al campo del reconocimiento de patrones y el aprendizaje automático. Aborda 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 la resolución de problemas complejos.
• Mejorar la precisión de las predicciones combinando diferentes modelos.

Esta formación en vivo, impartida por un instructor, en Puebla (en línea o presencial), está dirigida a científicos de datos que deseen utilizar TensorFlow para analizar datos de posibles fraudes.

Al finalizar esta formación, los participantes serán capaces de:

• 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 de extremo a extremo para analizar datos de fraude.

El aprendizaje automático es una rama de la Inteligencia Artificial en la cual las computadoras tienen la capacidad de aprender sin estar programadas explícitamente.

El aprendizaje profundo es un subcampo del aprendizaje automático que utiliza métodos basados en el aprendizaje de representaciones y estructuras de datos, como las redes neuronales.

Python es un lenguaje de programación de alto nivel conocido por su sintaxis clara y la legibilidad de su código.

En esta formación en vivo guiada por un instructor, los participantes aprenderán a implementar modelos de aprendizaje profundo para telecomunicaciones utilizando Python, mientras avanza paso a paso en la creación de un modelo de riesgo crediticio basado en aprendizaje profundo.

Al final de esta capacitación, los participantes podrán:

• Comprender los conceptos fundamentales del aprendizaje profundo.
• Conocer las aplicaciones y usos del aprendizaje profundo en telecomunicaciones.
• Utilizar Python, Keras y TensorFlow para crear modelos de aprendizaje profundo para el sector de telecomunicaciones.
• Construir su propio modelo de predicción de abandono de clientes (churn) basado en aprendizaje profundo utilizando Python.

Formato del curso

• Conferencia interactiva y debate.
• Abundancia de ejercicios y práctica.
• Implementación práctica en un entorno de laboratorio en vivo.

Opciones de personalización del curso

• Para solicitar una formación personalizada para este curso, contáctenos para organizarla.

Esta práctica formación impartida por un instructor está diseñada como una continuación natural del curso Python para Análisis de Datos.

Introduce a los participantes en los conceptos fundamentales del Aprendizaje Automático y muestra cómo pueden aplicarse directamente a tareas de análisis de datos, como predicción, clasificación y segmentación.

El enfoque está en comprender cómo funciona el Aprendizaje Automático en la práctica, utilizando herramientas familiares como Python, Pandas y Jupyter Notebook, sin requerir una base matemática avanzada.

Esta formación práctica, impartida por un instructor en <ubicación> (en línea o presencial), está dirigida a ingenieros que desean evaluar los enfoques y herramientas disponibles actualmente para tomar una decisión informada sobre cómo avanzar hacia la adopción de MLOps en su organización.

Al final de esta formación, los participantes serán capaces de:

• Instalar y configurar diversos marcos de trabajo y herramientas de MLOps.
• Formar el equipo adecuado con las habilidades necesarias para construir y mantener un sistema de MLOps.
• Preparar, validar y versionar datos para su uso en modelos de aprendizaje automático.
• Comprender los componentes de una tubería (pipeline) de aprendizaje automático y las herramientas necesarias para construirla.
• Experimentar con distintos marcos de trabajo de aprendizaje automático y servidores para el despliegue en producción.
• Operacionalizar todo el proceso de aprendizaje automático para que sea reproducible y mantenible.

Esta formación en vivo dirigida por un instructor en Puebla (en línea o presencial) está dirigida a analistas de datos, desarrolladores o aspirantes a científicos de datos con un nivel intermedio que desean aplicar técnicas de aprendizaje automático en Python para extraer información valiosa, realizar predicciones y automatizar decisiones basadas en datos.

Al finalizar este curso, los participantes podrán:

• Comprender y diferenciar los principales paradigmas del aprendizaje automático.
• Explorar técnicas de preprocesamiento de datos y métricas de evaluación de modelos.
• Aplicar algoritmos de aprendizaje automático para resolver problemas reales de datos.
• Utilizar bibliotecas de Python y cuadernos Jupyter para el desarrollo práctico.
• Construir modelos para predicción, clasificación, recomendación y agrupamiento.

Esta formación en vivo impartida por un instructor en Puebla (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean utilizar Tensorflow 2.x para construir predictores, clasificadores, modelos generativos, redes neuronales, entre otros.

Al finalizar esta formación, los participantes serán capaces de:

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

Este curso comienza proporcionándote conocimientos conceptuales sobre redes neuronales y, en general, sobre algoritmos de aprendizaje automático, así como el aprendizaje profundo (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 aprendizaje profundo.

La parte 3 (40%) de la capacitación se basará extensamente en TensorFlow, la API de la biblioteca de software de código abierto de Google para el aprendizaje profundo. Los ejemplos y las prácticas se realizarán todo en TensorFlow.

Público objetivo

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de Aprendizaje Profundo.

Después de completar este curso, los participantes serán capaces de:

• comprender bien las redes neuronales profundas (DNN), CNN y RNN.
• entender la estructura y los mecanismos de implementación de TensorFlow.
• realizar tareas e instalación, configuración del entorno de producción y la arquitectura.
• evaluar la calidad del código, realizar depuración y monitoreo.
• implementar modelos de entrenamiento avanzados como los producidos, construcción de gráficos y registro (logging).