Aprendizaje de refuerzo profundo con Python

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.

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.

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.

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.

Esta formación en vivo impartida por un instructor en México (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 con instructor en México (en línea o presencial) está dirigida a ingenieros de aprendizaje automático y investigadores de IA de nivel avanzado que deseen aplicar RLHF para ajustar grandes modelos de IA, mejorando su rendimiento, seguridad y alineación.

Al finalizar esta capacitación, los participantes serán capaces de:

• Comprender las bases teóricas de RLHF y por qué es esencial en el desarrollo moderno de la IA.
• Implementar modelos de recompensa basados en la retroalimentación humana para guiar los procesos de aprendizaje por refuerzo.
• Realizar el ajuste fino de modelos de lenguaje grandes mediante técnicas de RLHF, alineando las salidas con las preferencias humanas.
• Aplicar las mejores prácticas para escalar flujos de trabajo de RLHF en sistemas de producción de nivel profesional.

Esta formación presencial, impartida por un instructor en México (en línea o in situ), está dirigida a científicos de datos de nivel intermedio que desean adquirir una comprensión integral y habilidades prácticas tanto en modelos de lenguaje grande (LLM) como en aprendizaje por refuerzo (RL).

Al finalizar esta formación, los participantes podrán:

• Comprender los componentes y la funcionalidad de los modelos de transformador.
• Optimizar y ajustar los LLM para tareas y aplicaciones específicas.
• Conocer los principios y metodologías centrales del aprendizaje por refuerzo.
• Aprender cómo las técnicas de aprendizaje por refuerzo pueden mejorar el rendimiento de los LLM.

Esta formación en vivo impartida por un instructor en México (en línea o presencial) está dirigida a profesionales de nivel avanzado que deseen profundizar su comprensión del aprendizaje por refuerzo y sus aplicaciones prácticas en el desarrollo de IA utilizando Google Colab.

Al finalizar esta formación, los participantes serán capaces de:

• Comprender los conceptos fundamentales de los algoritmos de aprendizaje por refuerzo.
• Implementar modelos de aprendizaje por refuerzo utilizando TensorFlow y OpenAI Gym.
• Desarrollar agentes inteligentes que aprendan mediante ensayo y error.
• Optimizar el rendimiento de los agentes mediante técnicas avanzadas como Q-learning y redes neuronales profundas Q (DQN).
• Entrenar agentes en entornos simulados utilizando OpenAI Gym.
• Desplegar modelos de aprendizaje por refuerzo para aplicaciones del mundo real.

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).

Esta formación en vivo con instructor en México (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.