Generación de Modelos de Inteligencia Artificial (IA): Machine Learning y Deep Learning

Objetivos

Objetivos de la formación en generación de modelos IA

Al final de esta formación será capaz de:

• Identificar los modelos pertinentes según los casos prácticos
• Identificar las herramientas y métodos para mejorar modelos existentes y crear nuevos modelos
• Describir los conceptos de Machine Learning y la evolución hacia el Deep Learning (redes neuronales profundas)
• Reconocer los bloques fundamentales del Deep Learning: redes neuronales simples, convolutivas y recurrentes
• Distinguir modelos más avanzados: auto-encoders, GANs y aprendizaje por refuerzo

Público objetivo de la formación en generación de modelos IA

Toda persona interesada en Data Science, en el uso de modelos performantes y en la adaptación o creación de modelos.

Requisitos previos de la formación en generación de modelos IA

Poseer nociones de probabilidades y estadística, así como bases de Machine Learning. Para validar los requisitos previos antes de la formación, está disponible un cuestionario; no dude en contactarnos.

Duración

Programa

Programa de la formación en generación de modelos IA

Definiciones y posicionamiento: IA, Deep Learning y Machine Learning

• Contribuciones del Deep Learning, estado del arte
• Herramientas disponibles
• Ejemplos de proyectos
• Dominios de aplicación
• Presentación de DeepMind

Herramientas de Deep Learning de alto nivel

• Keras / TensorFlow
• Caffe / PyTorch
• Lasagne

Ejemplos de ejercicios prácticos (a título indicativo)

• Implementación en cloud AutoML: lenguaje natural, traducción, reconocimiento de imágenes…

Convergencia de redes neuronales

• Comprender la retropropagación del error y la convergencia
• Comprender el descenso del gradiente
• Funciones de error:
  • MSE
  • BinaryCrossentropy
• Los optimizadores:
  • SGD
  • RMSprop
  • Adam
• Definiciones:
  • Capa
  • Epochs
  • Batch size
  • Iteraciones
  • Loss
  • Learning rate
  • Momentum
• Optimizar un entrenamiento mediante la división en entrenamientos poco profundos
• Comprender el principio de los hiperparámetros
• Elección de los hiperparámetros

Ejemplos de ejercicios prácticos (a título indicativo)

• Construir una red capaz de reconocer una curva

Modelos avanzados: Auto-encoders, GANs y Aprendizaje por refuerzo

• Representaciones de los datos
• Ruido
• Capas de codificación
• Codificación entera
• One-hot
• Embedding layer
• Noción de auto-encoder
• Auto-encoders apilados
• Convolutivos
• Recurrentes
• Comprender las redes generativas adversariales (GANs) y sus límites de convergencia
• Aprendizaje por transferencia
• Evoluciones hacia GRU (Gated Recurrent Units) y LSTM (Long Short Term Memory)
• Tratamiento NLP
• Codificación de caracteres y palabras
• Traducción

Ejemplos de ejercicios prácticos (a título indicativo)

• Entrenamiento de un auto-encoder variacional sobre un conjunto de imágenes

Exploración y creación de modelos

• Preparación de los datos
• Regularización
• Normalización
• Extracción de características
• Optimización de la política de aprendizaje
• Exploración de los modelos
• Puesta en producción de los modelos
• TensorFlow Hub
• Serving
• Visualizar las reconstrucciones

Ejemplos de ejercicios prácticos (a título indicativo)

• Implementación de un servidor de modelos y de una aplicación TF Lite

Comprender los puntos fuertes y los límites de estas herramientas

• Evidenciar problemas de convergencia y de vanishing gradient
• Errores de arquitectura
• Cómo distribuir una red neuronal
• Límites del Deep Learning: imitar / crear
• Casos concretos de utilización
• Introducción a las máquinas cuánticas

Nota: El contenido de este programa puede ser objeto de adaptación en función de los niveles, requisitos previos y necesidades de los participantes.

Metodología

Metodología de la formación en generación de modelos IA

Formación impartida presencialmente o a distancia (blended learning, e-learning, clase virtual o presencial a distancia).

El formador alterna entre método demostrativo, interrogativo y activo (mediante ejercicios prácticos y/o simulaciones).

Evaluación de los aprendizajes

• Análisis de los resultados individuales producidos por cada participante durante los ejercicios prácticos, con corrección a lo largo de la formación
• Realización de una prueba completa sobre un proyecto global de fin de formación, con análisis por el consultor formador
• Un QCM individual de evaluación de los aprendizajes se propone al final de cada sesión

Bonificación Fundae

Esta formación es bonificable a través de FUNDAE para todas las empresas que cuenten con trabajadores en régimen general de la Seguridad Social y dispongan de crédito formativo. SKOLAE Formación gestiona todo el proceso administrativo necesario para que tu empresa pueda recuperar el importe invertido en la formación, siempre que se cumplan los requisitos legales y de comunicación establecidos por FUNDAE.

Formador

Profesional especializado en Inteligencia Artificial (IA), Machine Learning y Deep Learning, con experiencia en el desarrollo, optimización y puesta en producción de modelos.

Cuenta con trayectoria en el uso de frameworks como TensorFlow, PyTorch y Keras, así como en la implementación de arquitecturas avanzadas como redes neuronales profundas, auto-encoders y GANs.

Ha participado en proyectos de Data Science orientados a la creación de modelos predictivos y sistemas de aprendizaje automático en entornos reales.

Combina experiencia técnica con enfoque práctico, facilitando la comprensión mediante ejercicios aplicados, simulaciones y casos reales.

¿Te gustó esta formación? Suscríbete a nuestra Newsletter pinchando aquí. También te animamos a seguirnos en LinkedIn, Instagram y Facebook y así estarás al día de todas nuestras novedades.