Nivel Integrador

Bootcamp

Inteligencia Artificial

Inteligencia Artificial

En este bootcamp aprenderás acerca de las aplicaciones para análisis de polaridad y sentimientos las cuales proporcionan para el análisis y manejo de grandes volúmenes de datos.

Perfil de ingreso

  • Dominio de un lenguaje de programación de preferencia Python.
  • Comprensión de conceptos básicos de machine learning.
  • Conocimiento y manejo de matemáticas y estadística, algebra lineal y calculo.
  • Conocimiento en análisis de datos.
  • Contar con buenas habilidades de comprensión de lectura, matemáticas, razonamiento abstracto.

¿Por qué hacer este entrenamiento?

  • Utilizarás aplicaciones para análisis de polaridad y sentimientos, reconocimiento de entidades en texto y sistemas de clasificación de texto.
  • Reconocerás tecnologías de Big Data, que incluye Hadoop, Spark, NoSQL y bases de datos distribuidas (BDD) u otras tecnologías más utilizadas en el mercado.
  • Utilizarás librerías y recursos compartidos que apoyan el desarrollo de software de IA.

Qué aprenderás

Qué aprenderás

Your Title Goes Here

Your content goes here. Edit or remove this text inline or in the module Content settings. You can also style every aspect of this content in the module Design settings and even apply custom CSS to this text in the module Advanced settings.

Misión 1.
  • Introducción al Deep Learning y Redes Neuronales Multicapa (MLP):
    Clase teórica introductoria sobre conceptos básicos de Deep Learning y MLP.
  • Arquitectura y Capas de MLP:
    Estructura de una red neuronal multicapa.
    Diferentes tipos de capas (entrada, ocultas, salida).
    Conexiones y pesos sinápticos.
  • Funciones de Activación:
    Funciones lineales vs. no lineales.
    Funciones de activación comunes: Sigmoid, Tanh, ReLU.
    Impacto de las funciones de activación en el aprendizaje del modelo.
  • Entrenamiento y Retropropagación:
    Conceptos de entrenamiento supervisado.
    Algoritmo de retropropagación.
    Ajuste de pesos y minimización del error.
  • Regularización y Optimización:
    Técnicas de regularización: L1, L2, Dropout.
    Algoritmos de optimización: SGD, Adam.
    Prevención del sobreajuste.
Misión 2.
  • Redes Neuronales Convolucionales (CNN) – Convoluciones y Filtros:
    Concepto de convoluciones y su aplicación en el procesamiento de imágenes.
    Diseño y ajuste de filtros convolucionales.
    Implementación de capas convolucionales en modelos CNN.
  • Redes Neuronales Convolucionales (CNN) – Pooling, Transfer Learning:
    Técnicas de pooling (max pooling, average pooling) para la reducción de dimensionalidad.
    Concepto y aplicaciones del transfer learning.
    Uso de modelos preentrenados para nuevas tareas.
  • Redes Neuronales Convolucionales (CNN) – Segmentación, Detección de Objetos:
    Técnicas de segmentación de imágenes.
    Algoritmos y modelos para la detección de objetos.
    Implementación de modelos de segmentación y detección en proyectos reales.
  • Redes Neuronales Recurrentes (RNN) – Arquitectura de RNN, Desvanecimiento del Gradiente:
    Estructura y funcionamiento de las redes neuronales recurrentes.
    Problemas de desvanecimiento del gradiente y soluciones.
    Implementación de RNN básicas para tareas secuenciales.
  • Redes Neuronales Recurrentes (RNN) – Secuencias de Tiempo, Modelos Seq2Seq:
    Análisis y predicción de series temporales.
    Concepto y aplicaciones de los modelos Seq2Seq.
    Implementación de modelos secuenciales para la traducción de lenguaje y otras tareas.
  • Redes Neuronales Recurrentes (RNN) – Redes Neuronales de Memoria a Corto y Largo Plazo (LSTM):
    Estructura y funcionamiento de las redes LSTM.
    Diferencias y ventajas de LSTM sobre RNN básicas.
    Implementación de modelos LSTM para tareas avanzadas de secuencias.
Misión 3.
  • Introducción a Big Data y MLOps:
    Conceptos básicos de Big Data.
    Arquitectura y componentes de un sistema Big Data.
    Principios y prácticas de MLOps.
    Integración de MLOps en el ciclo de vida del desarrollo de modelos.»
  • Hadoop, Spark, NoSQL y Bases de Datos Distribuidas (BDD):
    Fundamentos de Hadoop y su ecosistema.
    Procesamiento de datos con Apache Spark.
    Bases de datos NoSQL (Cassandra, MongoDB).
    Diseño y gestión de bases de datos distribuidas.
  • Introducción a Nubes con Servicios de IA:
    Conceptos básicos de servicios en la nube.
    Uso de servicios de IA en AWS, Google Cloud y Azure.
    Implementación de modelos de IA en la nube.
    Gestión y escalabilidad de soluciones de IA en la nube.