Facilítanos tus datos de contacto y te informaremos de programas académicos similares a
Curso de Inteligencia Artificial de Alto Impacto con Certificación Azure y Tensorflow
en tu email.
Imprescindible tener conocimientos de programación en lenguaje PYTHON. Recomendable, nociones de SQL.
Comentarios:
OBJETIVOS:
Construir un sistema capaz de recomendar artículos, productos o contenidos personalizados según las preferencias de los usuarios.
Comparar modelos de Machine Learning locals con soluciones AutoML en Azure ML. Explorar técnicas de visualización para interpretar resultados. Leer más
Aprender a desplegar y monitorizar modelos en Azure AI Services.
Construir un sistema basado en redes neuronales avanzadas y Machine Learning en la nube utilizando TensorFlow.
Se trabajará en la creación, entrenamiento y evaluación de modelos de Deep Learning, explorando técnicas de optimización y ajuste de hiperparámetros para mejorar el rendimiento.
Aprenderán a implementar modelos en TensorFlow para tareas como clasificación de imágenes, procesamiento de lenguaje natural (NLP) y análisis de datos estructurados.
METODOLOGÍA:
Todos nuestros cursos emplean una metodología teórico-práctica, integrando los conceptos en un proyecto transversal aplicado desde el primer día. El formato de impartición es mixto, con sesiones presenciales en Barcelona y Aula Virtual en nuestra plataforma propia. Las tecnologías aplicadas en el curso incluyen Python 3.x como lenguaje de programación, TensorFlow y Keras para el desarrollo y entrenamiento de redes neuronales, Pandas y NumPy para manipulación de datos, Matplotlib y Seaborn para visualización de resultados, TensorFlow Serving para despliegue de modelos, y Flask o FastAPI para la integración con aplicaciones mediante APIs. También se explorarán soluciones cloud como Google Cloud AI Platform o Azure Machine Learning para entrenamiento y despliegue en la nube.
Lugar de impartición:
en Barcelona
- Presentación del curso miércoles día 07-05-2025 de 16:15 a 17:15 h.
- Jueves: Aula virtual de 16:30 a 20:30 h. - Viernes: Presencial de 17:00 a 20:00 h. - Sábado: Aula virtual-workshop de 10:00 a 13:00 h.
CONTENIDO: IA DEVELOPER + CERTIFICACIÓN MICROSOFT AZURE
1 - FUNDAMENTOS DE IA
HISTORIA Y EVOLUCIÓN DE LA IA TIPOS DE INTELIGENCIA ARTIFICIAL: IA DÉBIL VS. IA FUERTE APRENDIZAJE SUPERVISADO, NO SUPERVISADO Y POR REFUERZO ALGORITMOS MÁS USADOS (REGRESIÓN, KNN, RANDOM FOREST) FUNDAMENTOS MATEMÁTICOS: ÁLGEBRA LINEAL, CÁLCULO Y PROBABILIDAD Leer más PYTHON PARA IA: NUMPY, PANDAS, MATPLOTLIB INTRODUCCIÓN A LOS SERVICIOS DE AZURE AI SERVICE CONCEPTOS DE IA EN LA NUBE Y COMPARACIÓN CON ON-PREMISES DIFERENCIAS ENTRE MACHINE LEARNING ESTÁNDAR Y AUTOML EN CLOUD PRÁCTICA: IMPLEMENTACIÓN DE UN MODELO SIMPLE DE REGRESIÓN LINEAL EN PYTHON PRÁCTICA: DATOS CON MATPLOTLIB Y SEABORN PRÁCTICA: SIMULACIÓN DE UN PROBLEMA EVALUACIÓN TEÓRICO / PRÁCTICA
2 - EXPLORACIÓN DEL CONJUNTO DE DATOS
DATA SCIENCE Y EL PAPEL DEL DATA SCIENTIST TIPOS DE DATOS Y SU ESTRUCTURA PRE-PROCESAMIENTO Y LIMPIEZA DE DATOS GESTIÓN DE VALORES NULOS Y ATÍPICOS ESTANDARIZACIÓN Y NORMALIZACIÓN PRÁCTICA: ANÁLISIS Y LIMPIEZA DE UN DATASET CON PANDAS Y SCIKIT-LEARN PRÁCTICA: ELIMINACIÓN DE VALORES ATÍPICOS Y IMPUTACIÓN DE VALORES NULOS EVALUACIÓN TEÓRICO / PRÁCTICA
3 - ALGORITMOS DE MACHINE LEARNING
REGRESIÓN (LINEAL Y LOGÍSTICA) CLASIFICACIÓN: KNN, RANDOM FOREST, SVM CLUSTERING: K-MEANS, DBSCAN OVERFITTING Y TÉCNICAS DE VALIDACIÓN CRUZADA CÓMO ELEGIR MODELOS PARA ENTORNOS CLOUD COMPARACIÓN COSTES Y RENDIMIENTO EN AZURE ML PRÁCTICA: APLICACIÓN DE REGRESIÓN LINEAL PARA PREDECIR PRECIOS DE VIVIENDAS PRÁCTICA: CONSTRUCCIÓN DE UN MODELO DE CLASIFICACIÓN CON RANDOM FOREST PRÁCTICA: IMPLEMENTACIÓN DE CLUSTERING CON KMEANS EVALUACIÓN TEÓRICO / PRÁCTICA
4 - VISUALIZACIÓN DE RESULTADOS
HERRAMIENTAS DE VISUALIZACIÓN: MATPLOTLIB, SEABORN MÉTRICAS DE RENDIMIENTO: ACCURACY, PRECISION, RECALL OVERFITTING Y SESGOS EN LOS MODELOS PRÁCTICA: CREACIÓN DE GRÁFICOS DE ERROR Y PRECISIÓN PRÁCTICA: ANÁLISIS DE UN MODELO Y OPTIMIZACIÓN EVALUACIÓN TEÓRICO / PRÁCTICA
5 - BASES DE DATOS EN IA
SQL PARA MACHINE LEARNING BASES DE DATOS NOSQL Y APLICACIÓN A IA CRUD CON PYTHON Y BASES DE DATOS PRÁCTICA: CREACIÓN Y MANIPULACIÓN DE UNA BASE DE DATOS CON SQLITE Y MONGODB EVALUACIÓN TEÓRICO / PRÁCTICA
6 - IA Y CLOUD COMPUTING
INTRODUCCIÓN A AZURE AI SERVICES ¿QUÉ ES AZURE AI? PRINCIPALES HERRAMIENTAS DIFERENCIAS ENTRE INFERENCIA EN LOCAL Y EN LA NUBE AZURE MACHINE LEARNING ENTRENAMIENTOS DE MODELOS EN AML GESTIÓN DE DATASETS Y FEATURE ENGINEERING EN LA NUBE DESPLIEGUE Y MANTENIMIENTO DE MODELOS OPTIMIZACIÓN DE COSTOS EN CLOUD AI MONITORIZACIÓN Y DETECCIÓN DE SESGOS CON AZURE AI RESPONSIBLE ML INFRAESTRUCTURA DE IA EN CLOUD MACHINE LEARNING PIPELINES EN AZURE SEGURIDAD Y GOBERNANZA EN ENTORNOS DE IA PRÁCTICA: CREACIÓN DE UN MODELO EN AZURE MACHINE LEARNING PRÁCTICA: EXPERIMENTACIÓN CON INFERENCIA EN TIEMPO REAL PRÁCTICA: COMPARACIÓN ENTRE INFERENCIA LOCAL VS. INFERENCIA CLOUD PRÁCTICA: ANÁLISIS DE COSTOS E IMPACTO EN AUTOML EVALUACIÓN TEÓRICO / PRÁCTICA
7 - RESPONSIBLE AI Y ÉTICA
¿QUÉ ES AUTOML? PLATAFORMAS: GOOGLE AUTOML, H2O.AI, AUTOSKLEARN COMPARATIVA ENTRE AUTOML Y MODELOS MANUALES SEGURIDAD Y GOBERNANZA DE MODELOS EN PRODUCCIÓN RIESGOS DE SEGURIDAD Y SESGOS EN CLOUD AI PRÁCTICA: ANÁLISIS DE SESGOS EN UN DATASET REAL PRÁCTICA: ENTRENAMIENTO DE UN MODELO CON GOOGLE AUTOML PRÁCTICA: COMPARACIÓN CON UN MODELO HECHO A MANO EVALUACIÓN TEÓRICO / PRÁCTICA
8 - PREPARACIÓN CERTIFICACIÓN MICROSOFT AZURE
SIMULACIÓN DE EXAMEN REVISIÓN Y REPASO DE CONCEPTOS CLAVE CERTIFICACIÓN
CONTENIDO: IA OPTIMIZER + CERTIFICACIÓN TENSORFLOW
MÓDULO 1: REDES NEURONALES AVANZADAS CON TENSORFLOW
INTRODUCCIÓN A DEEP LEARNING Y TENSORFLOW. REDES NEURONALES ARTIFICIALES (ANN): PERCEPTRÓN MULTICAPA (MLP) Y RETROPROPAGACIÓN. REDES CONVOLUCIONALES (CNN) PARA CLASIFICACIÓN DE IMÁGENES. REDES RECURRENTES (RNN, LSTM, GRU) PARA PROCESAMIENTO SECUENCIAL. INTRODUCCIÓN A TRANSFORMERS Y SU APLICACIÓN EN NLP. OPTIMIZACIÓN DE MODELOS: BATCH NORMALIZATION, DROPOUT, REGULARIZACIÓN. AJUSTE DE HIPERPARÁMETROS EN TENSORFLOW. PRÁCTICA: IMPLEMENTACIÓN DE UNA CNN PARA CLASIFICACIÓN DE IMÁGENES CON TENSORFLOW. PRÁCTICA: APLICACIÓN DE RNN/LSTM PARA PREDICCIÓN DE SERIES TEMPORALES. PRÁCTICA: USO DE MODELOS TRANSFORMERS PARA NLP CON TENSORFLOW. EVALUACIÓN TEÓRICO / PRÁCTICA.
MÓDULO 2: OPTIMIZACIÓN Y AJUSTE DE MODELOS DEEP LEARNING
FUNDAMENTOS DE OPTIMIZACIÓN DE MODELOS DL. AJUSTE DE HIPERPARÁMETROS CON GRID SEARCH Y RANDOM SEARCH. OPTIMIZACIÓN BAYESIANA Y ESTRATEGIAS AVANZADAS. TRANSFER LEARNING Y FINE-TUNING CON MODELOS PREENTRENADOS (RESNET, BERT). DATA AUGMENTATION Y MEJORA DE GENERALIZACIÓN EN MODELOS. PRÁCTICA: OPTIMIZACIÓN DE HIPERPARÁMETROS EN MODELOS DE TENSORFLOW. PRÁCTICA: TRANSFER LEARNING CON MODELOS PREENTRENADOS. EVALUACIÓN TEÓRICO / PRÁCTICA.
MÓDULO 3: RESPONSIBLE AI Y EXPLICABILIDAD EN MODELOS DL
SESGOS EN DATOS Y ALGORITMOS DE DEEP LEARNING. TRANSPARENCIA Y EXPLICABILIDAD EN IA. INTERPRETABILIDAD DE MODELOS CON SHAP Y LIME. CONSIDERACIONES ÉTICAS EN LA IA MODERNA. PRÁCTICA: ANÁLISIS DE SESGOS EN MODELOS DE DEEP LEARNING. PRÁCTICA: IMPLEMENTACIÓN DE TÉCNICAS DE EXPLICABILIDAD EN MODELOS TENSORFLOW. EVALUACIÓN TEÓRICO / PRÁCTICA.
MÓDULO 4: IMPLEMENTACIÓN DE MODELOS CON TENSORFLOW
IMPLEMENTACIÓN DE MODELOS EN TENSORFLOW DESDE CERO. USO DE KERAS PARA SIMPLIFICAR LA CREACIÓN DE MODELOS DL. AJUSTE DE ARQUITECTURAS NEURONALES PARA MEJORAR EL RENDIMIENTO. USO DE TENSORFLOW SERVING PARA DESPLIEGUE DE MODELOS EN PRODUCCIÓN. INTEGRACIÓN DE MODELOS CON APIS Y APLICACIONES REALES. PRÁCTICA: IMPLEMENTACIÓN DE MODELOS CNN PARA CLASIFICACIÓN DE IMÁGENES. PRÁCTICA: CREACIÓN DE MODELOS DE NLP CON TRANSFORMERS EN TENSORFLOW. EVALUACIÓN TEÓRICO / PRÁCTICA.
MÓDULO 5: VISUALIZACIÓN E INTERPRETACIÓN DE MODELOS DL
INTRODUCCIÓN A HERRAMIENTAS DE VISUALIZACIÓN EN DEEP LEARNING. ANÁLISIS DE MÉTRICAS: MATRIZ DE CONFUSIÓN, PRECISION-RECALL, ROC. PRÁCTICA: CREACIÓN DE GRÁFICOS PARA ANÁLISIS DE MODELOS EN TENSORFLOW. EVALUACIÓN TEÓRICO / PRÁCTICA.
MÓDULO 6: DESPLIEGUE DE MODELOS EN ENTORNOS CLOUD Y EDGE
INTRODUCCIÓN A TENSORFLOW SERVING Y TENSORFLOW LITE. DESPLIEGUE DE MODELOS EN GOOGLE CLOUD AI PLATFORM. IMPLEMENTACIÓN DE MODELOS EN DISPOSITIVOS MÓVILES Y EDGE COMPUTING. OPTIMIZACIÓN DE MODELOS PARA ENTORNOS DE BAJA LATENCIA. PRÁCTICA: DESPLIEGUE DE MODELOS EN GOOGLE CLOUD AI. PRÁCTICA: CONVERSIÓN DE MODELOS PARA EJECUCIÓN EN DISPOSITIVOS MÓVILES. EVALUACIÓN TEÓRICO / PRÁCTICA.
MÓDULO 7: PREPARACIÓN CERTIFICACIÓN
SIMULACIÓN DE EXAMEN. REVISIÓN Y REPASO DE CONCEPTOS CLAVE. CERTIFICACIÓN.Leer menos
