Cursos de Aprendizaje profundo en Ciudad de México

Esta formación en vivo (online o presencial) dirigida por un instructor está destinada a desarrolladores de nivel intermedio, científicos de datos y profesionales de IA que desean aprovechar TensorFlow Lite para aplicaciones de IA al borde.

Al finalizar esta capacitación, los participantes podrán:

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

Esta capacitación dirigida por un instructor (en línea o en sitio) está destinada a profesionales de nivel avanzado que deseen profundizar su comprensión de la visión por computadora y explorar las capacidades de TensorFlow para desarrollar modelos de visión sofisticados utilizando Google Colab.

Al final de esta capacitación, los participantes podrán:

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

Este curso en vivo y guiado por un instructor (en línea o presencial) está dirigido a científicos de datos y desarrolladores de nivel intermedio que desean entender y aplicar técnicas de aprendizaje profundo utilizando el entorno Google Colab.

Al finalizar este curso, 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 funciones avanzadas de TensorFlow para el aprendizaje profundo.

Esta capacitación en vivo dirigida por un instructor en Ciudad de México (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen especializarse en técnicas de aprendizaje profundo de vanguardia para NLU.

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

• Comprender las diferencias clave entre los modelos NLU y NLP.
• Aplique técnicas avanzadas de aprendizaje profundo a las tareas de NLU.
• Explora arquitecturas profundas como transformadores y mecanismos de atención.
• Aproveche las tendencias futuras de NLU para crear sistemas de IA sofisticados.

Esta capacitación en vivo dirigida por un instructor en Ciudad de México (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen explorar técnicas XAI de última generación para modelos de aprendizaje profundo, con un enfoque en la construcción de sistemas de IA interpretables.

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

• Comprenda los desafíos de la explicabilidad en el aprendizaje profundo.
• Implementar técnicas avanzadas de XAI para redes neuronales.
• Interprete las decisiones tomadas por los modelos de aprendizaje profundo.
• Evalúe las compensaciones entre el rendimiento y la transparencia.

Esta capacitación en vivo dirigida por un instructor en Ciudad de México (en línea o presencial) está dirigida a científicos de datos de nivel intermedio a avanzado, ingenieros de aprendizaje automático, investigadores de aprendizaje profundo y expertos en visión por computadora que deseen ampliar sus conocimientos y habilidades en aprendizaje profundo para la generación de texto a imagen.

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

• Comprenda las arquitecturas y técnicas avanzadas de aprendizaje profundo para la generación de texto a imagen.
• Implemente modelos complejos y optimizaciones para la síntesis de imágenes de alta calidad.
• Optimice el rendimiento y la escalabilidad de grandes conjuntos de datos y modelos complejos.
• Ajuste los hiperparámetros para mejorar el rendimiento y la generalización del modelo.
• Integración Stable Diffusion con otros marcos y herramientas de aprendizaje profundo

Esta formación en vivo dirigida por un instructor en Ciudad de México (en línea o presencial) está destinada a profesionales de alto nivel que deseen aprovechar las técnicas de IA para revolucionar los procesos de descubrimiento y desarrollo de fármacos.

Al finalizar esta formación, los participantes podrán:

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

Esta formación en vivo impartida por instructores en <ubicación> (en línea o presencial) está dirigida a biólogos que desean comprender cómo funciona AlphaFold y utilizar los modelos de AlphaFold 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 capacitación en vivo dirigida por un instructor en Ciudad de México (en línea o presencial) está dirigida a científicos de datos de nivel principiante a intermedio e ingenieros de aprendizaje automático que desean mejorar el rendimiento de sus modelos de aprendizaje profundo.

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

• Comprender los principios del aprendizaje profundo distribuido.
• Instale y configure DeepSpeed.
• Escale modelos de aprendizaje profundo en hardware distribuido con DeepSpeed.
• Implemente y experimente con las funciones de DeepSpeed para la optimización y la eficiencia de la memoria.

Esta capacitación en vivo dirigida por un instructor en Ciudad de México (en línea o presencial) está dirigida a desarrolladores de nivel principiante a intermedio que desean utilizar modelos de lenguaje grandes para diversas tareas de lenguaje natural.

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

• Configure un entorno de desarrollo que incluya una LLM popular.
• Cree un LLM básico y ajústelo en un conjunto de datos personalizado.
• Utilice los LLM para diferentes tareas de lenguaje natural, como el resumen de textos, la respuesta a preguntas, la generación de textos, etc.
• Depura y evalúa LLM con herramientas como TensorBoard, PyTorch Lightning y Hugging Face Datasets.

Esta formación impartida por un instructor, en vivo y disponible en línea o in situ, está dirigida a científicos de datos, ingenieros de aprendizaje automático e investigadores en visión por computadora que deseen aprovechar Stable Diffusion para generar imágenes de alta calidad en diversos casos de uso.

Al finalizar esta formación, los participantes podrán:

• Comprender los principios de Stable Diffusion y su funcionamiento en 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.

En este curso dirigido por un instructor y en vivo en Ciudad de México, los participantes aprenderán las técnicas de machine learning más relevantes y avanzadas en Python mientras construyen una serie de aplicaciones demo que involucran imágenes, música, texto y datos financieros.

Al finalizar este entrenamiento, los participantes serán capaces de:

• Implementar algoritmos y técnicas de machine learning para resolver problemas complejos.
• Aplicar deep learning y aprendizaje semi-supervisado a aplicaciones que involucran imágenes, música, texto y datos 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 proporciona a programadores y analistas de datos las técnicas fundamentales para construir soluciones de aprendizaje automático desde cero utilizando Python. Aborda los principios clave de la clasificación y regresión en el aprendizaje supervisado, el agrupamiento y la detección de anomalías en el aprendizaje no supervisado, así como arquitecturas avanzadas de redes neuronales. Examina métodos probados para trabajar con scikit-learn, Apache Spark MLlib y cuadernos Jupyter en 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 para la resolución de problemas del mundo real.

El Deep Reinforcement Learning (DRL) combina los principios del aprendizaje por refuerzo con las arquitecturas de aprendizaje profundo para permitir que los agentes tomen decisiones a través de la interacción con sus entornos. Subyace a muchos avances modernos en IA, como vehículos autónomos, control robótico, trading algorítmico y sistemas de recomendación adaptativos. El DRL permite que un agente artificial aprenda estrategias, optimice políticas y tome decisiones autónomas basadas en el ensayo y error mediante el aprendizaje basado en recompensas.

Este entrenamiento dirigido por un instructor (en línea o presencial) está destinado a desarrolladores intermedios y científicos de datos que deseen aprender y aplicar técnicas de Deep Reinforcement Learning para construir agentes inteligentes capaces de tomar decisiones autónomas en entornos complejos.

Al final de este entrenamiento, los participantes serán capaces de:

• Entender los fundamentos teóricos y principios matemáticos del Aprendizaje por Refuerzo.
• Implementar algoritmos clave de RL, incluyendo Q-Learning, Policy Gradients y métodos Actor-Critic.
• Construir y entrenar agentes de Deep Reinforcement Learning usando TensorFlow o PyTorch.
• Aplicar DRL a aplicaciones del mundo real, como juegos, robótica y optimización de decisiones.
• Solucionar problemas, visualizar y optimizar el rendimiento de entrenamiento usando herramientas modernas.

Formato del Curso

• Conferencia interactiva y discusión guiada.
• Ejercicios prácticos e implementaciones prácticas.
• 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), por favor contáctenos para arreglarlo.

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

Este curso cubre la IA (enfatizando Machine Learning y Deep Learning) en Automotive Industria. Ayuda a determinar qué tecnología se puede utilizar (potencialmente) en múltiples situaciones de un automóvil: desde la simple automatización, el reconocimiento de imágenes hasta la toma de decisiones autónoma.

La Red Neuronal Artificial es un modelo de datos computacional utilizado en el desarrollo de Artificial Intelligence (AI) sistemas capaces de realizar tareas "inteligentes". Neural Networks se utilizan comúnmente en aplicaciones Machine Learning (ML), que a su vez son una implementación de la IA. Deep Learning es un subconjunto de ML.

Esta capacitación en vivo dirigida por un instructor en Ciudad de México (en línea o presencial) está dirigida a investigadores y desarrolladores que desean usar Chainer para construir y entrenar redes neuronales en Python mientras hacen que el código sea fácil de depurar.

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

• Configure el entorno de desarrollo necesario para comenzar a desarrollar modelos de redes neuronales.
• Defina e implemente modelos de redes neuronales utilizando un código fuente comprensible.
• Ejecute ejemplos y modifique los algoritmos existentes para optimizar los modelos de entrenamiento de aprendizaje profundo mientras aprovecha los GPUs para un alto rendimiento.

Esta capacitación en vivo dirigida por un instructor en Ciudad de México (en línea o presencial) proporciona una introducción al campo del reconocimiento de patrones y el aprendizaje automático. Aborda aplicaciones prácticas en estadística, informática, procesamiento de señales, visión artificial, minería de datos y bioinformática.

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

• Aplicar métodos estadísticos básicos al reconocimiento de patrones.
• Utilice modelos clave como redes neuronales y métodos de kernel para el análisis de datos.
• Implementar técnicas avanzadas para la resolución de problemas complejos.
• Mejore la precisión de la predicción mediante la combinación de diferentes modelos.

Esta capacitación en vivo dirigida por un instructor en Ciudad de México (en línea o presencial) está dirigida a investigadores y desarrolladores que desean instalar, configurar, personalizar y utilizar la plataforma DeepMind Lab para desarrollar sistemas generales de inteligencia artificial y aprendizaje automático.

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

• Personalice DeepMind Lab para crear y ejecutar un entorno que se adapte a las necesidades de aprendizaje y formación.
• Utilice el entorno de simulación 3D de DeepMind Lab para entrenar a los agentes de aprendizaje en un punto de vista en primera persona.
• Facilite la evaluación de los agentes para desarrollar la inteligencia en un mundo similar a un juego en 3D.

Esta capacitación en vivo dirigida por un instructor en Ciudad de México (en línea o presencial) está dirigida a analistas de negocios, científicos de datos y desarrolladores que desean crear e implementar modelos de aprendizaje profundo para acelerar el crecimiento de los ingresos y resolver problemas en el mundo empresarial.

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

• Comprender los conceptos básicos del aprendizaje automático y el aprendizaje profundo.
• Obtenga información sobre el futuro de los negocios y la industria con ML y DL.
• Defina estrategias y soluciones de negocio con deep learning.
• Aprenda a aplicar la ciencia de datos y el aprendizaje profundo para resolver problemas empresariales.
• Construya modelos de aprendizaje profundo utilizando Python, Pandas, TensorFlow, CNTK, Torch, Keras, etcétera.

Esta formación dirigida por un instructor (en línea o presencial) está destinada a científicos de datos que deseen usar TensorFlow para analizar datos potencialmente fraudulentos.

Al final de 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 IA integral para analizar datos fraudulentos.

Esta formación impartida por un instructor, disponible en línea o presencialmente en Ciudad de México, está dirigida a desarrolladores o científicos de datos que deseen utilizar Horovod para ejecutar entrenamientos distribuidos de aprendizaje profundo y escalarlos para que se ejecuten en paralelo en múltiples GPUs.

Al finalizar esta formación, los participantes serán capaces de:

• Configurar el entorno de desarrollo necesario para comenzar a ejecutar entrenamientos de aprendizaje profundo.
• Instalar y configurar Horovod para entrenar modelos con TensorFlow, Keras, PyTorch y Apache MXNet.
• Escalar el entrenamiento de aprendizaje profundo con Horovod para que se ejecute en múltiples GPUs.

En esta capacitación en vivo con instrucción directa, los participantes aprenderán a utilizar Matlab para diseñar, construir y visualizar una red neuronal convolucional para el reconocimiento de imágenes.

Al finalizar esta capacitación, los participantes serán capaces de:

• Crear 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 clústeres

Audiencia

• Desarrolladores
• Ingenieros
• Expertos en dominio

Formato del curso

• Parte conferencia, parte discusión, ejercicios y práctica intensiva con el ordenador

Este curso dirigido por un instructor (en línea o presencial) está destinado a desarrolladores y científicos de datos que deseen usar Tensorflow 2.x para construir predictores, clasificadores, modelos generativos, redes neuronales y más.

Al final de este entrenamiento, los participantes serán capaces de:

• Instalar y configurar TensorFlow 2.x.
• Comprender las ventajas de TensorFlow 2.x sobre 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 sistemas IoT.

Este curso comienza con la entrega de conocimientos conceptuales en redes neuronales y, en general, en el algoritmo de aprendizaje automático, aprendizaje profundo (algoritmos y aplicaciones).

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 presenta Theano, una biblioteca de Python que hace que escribir modelos de aprendizaje profundo sea fácil.

Parte-3 (40%) de la capacitación estaría ampliamente basada en Tensorflow - 2nd Generation API de la biblioteca de software de código abierto de Google para Deep Learning. Los ejemplos y handson se harían todos en TensorFlow.

Audiencia

Este curso está dirigido a ingenieros que buscan utilizar TensorFlow para sus proyectos de aprendizaje profundo.

Después de completar este curso, los delegados:

• tener una buena comprensión de las redes neuronales profundas (DNN), CNN y RNN
• comprender la estructura y los mecanismos de despliegue de TensorFlow
• ser capaz de llevar a cabo las tareas y configuraciones de entorno / producción / arquitectura
• ser capaz de evaluar la calidad del código, realizar la depuración, el monitoreo
• ser capaz de implementar producción avanzada como modelos de entrenamiento, construcción de gráficos y registro