Temas cubiertos

• Factores de negocio y tecnológicos de la IA predictiva
• Beneficios de la IA predictiva
• Riesgos y retos comunes del uso de la IA predictiva
• Categorías de problemas empresariales que aborda la IA
• Tipos de IA predictiva
• Enfoques de aprendizaje comunes de la IA predictiva
• Cómo entender el aprendizaje y el entrenamiento de modelos de IA predictiva
• Proceso del ciclo de entrenamiento paso a paso

• Aprendizaje supervisado, Aprendizaje no supervisado, Aprendizaje continuo
• Aprendizaje heurístico, Aprendizaje semisupervisado, Aprendizaje por refuerzo
• Diseños funcionales comunes de IA predictiva, Visión computarizada, Reconocimiento de patrones
• Robótica, Procesamiento del lenguaje natural (PLN)
• Reconocimiento del habla, Comprensión del lenguaje natural (CLN)
• Cómo entender los modelos de IA y las redes neuronales

Temas cubiertos

• Factores de negocio y tecnológicos de la IA generativa
• Beneficios de la IA generativa
• Riesgos y retos comunes del uso de la IA generativa
• Categorías de problemas empresariales que aborda la IA generativa
• Cómo entender los modelos, los algoritmos y las redes neuronales
• Tipos de IA generativa

• Entrenamiento de modelos generativos y cómo entender el ciclo de entrenamiento
• Cómo entender las Redes Generativas Adversariales (GANs)
• Cómo entender los Autocodificadores Variacionales (VAEs)
• Cómo entender los Transformadores
• Pasos para construir sistemas de IA
• Mejores prácticas de la IA generativa

Temas cubiertos

• Técnicas de evaluación y validación de modelos
• Técnicas de preprocesamiento de datos, sobreajuste y regularización
• Ética práctica de la IA y mitigación de sesgos
• Técnicas de optimización y algoritmos avanzados de aprendizaje
• Técnicas de manejo de conjuntos de datos desequilibrados
• Procesamiento del lenguaje natural (PLN) con Aprendizaje profundo (Deep Learning)
• Ingeniería de características avanzada, técnicas de aumento de datos
• Estrategias de ajuste fino, Aprendizaje por refuerzo
• Integración sin fricciones, Integración de modelos con tolerancia a errores
• Explicabilidad e interpretabilidad de modelos
• Despliegue, monitoreo y mantenimiento de modelos

• Cómo entender las redes neuronales y los modelos
• Tipos de redes neuronales, neuronas, capas, enlaces, pesos
• Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época
• Funciones de activación (Sigmoid, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
• Tipos de células neuronales (de entrada, retroalimentadas, ruidosas, ocultas, probabilísticas, en espiga, recurrentes, de memoria, de núcleo, de convolución, pool, de salida, de coincidencia de entrada/salida, etc.)
• Arquitecturas de redes neuronales para IA predictiva e IA generativa
• Cómo construir un sistema de IA (paso a paso)
• Principios comunes de diseño de sistemas de IA y mejores prácticas de proyectos de IA

Temas cubiertos

• Manipulación de datos para preparar datos de entrada de redes neuronales
• Codificación de características para convertir características categóricas
• Imputación de características para inferir valores de características
• Escalamiento de características para entrenar conjuntos de datos con características amplias
• Representación de textos para convertir datos conservando las propiedades semánticas y sintácticas
• Reducción de la dimensionalidad para reducir el espacio de características de las entradas de redes neuronales
• Aprendizaje supervisado para entrenar modelos de redes neuronales
• Configuración supervisada de redes para establecer el número de neuronas en las capas de red
• Identificación de imágenes para utilizar una red neuronal convolucional
• Identificación de secuencias para utilizar una red neuronal de Memoria de corto/largo plazo
• Patrones de aprendizaje no supervisado para entrenar modelos de redes neuronales

• Identificación de patrones para la identificación visual de patrones mediante un mapa autoorganizado
• Filtrado de contenidos para generar recomendaciones
• Patrones de evaluación de modelos para medir el rendimiento de las redes neuronales
• Evaluación del rendimiento del entrenamiento para evaluar el rendimiento de las redes neuronales
• Evaluación del rendimiento de predicción para predecir el rendimiento de las redes neuronales en producción
• Modelado de referencia para evaluar y comparar redes neuronales complejas
• Patrones de optimización de modelos para refinar y adaptar redes neuronales
• Prevención del sobreajuste para ajustar una red neuronal
• Reentrenamiento frecuente de modelos para mantener una red neuronal sincronizada con los datos actuales
• Aprendizaje por transferencia para acelerar el entrenamiento de redes neuronales

Temas cubiertos