El programa de capacitación para desarrolladores AI+ ofrece un recorrido integral por los dominios clave de la inteligencia artificial, especialmente diseñado para desarrolladores. Desde el dominio de los fundamentos de Python hasta conceptos avanzados, matemáticas, estadísticas, técnicas de optimización y aprendizaje profundo, este programa equipa a los desarrolladores con habilidades indispensables. El plan de estudios abarca el preprocesamiento de datos, el análisis exploratorio de datos, la ingeniería de características, la selección y la reducción de dimensionalidad. Además, los participantes pueden especializarse en PNL, visión artificial o aprendizaje por refuerzo. El programa también cubre el análisis de series temporales, la explicabilidad de modelos y las complejidades de la implementación de modelos. Al completarlo con éxito, recibirá una certificación que reconoce su competencia en estas áreas fundamentales de inteligencia artificial, lo que lo posiciona como un desarrollador bien preparado y listo para enfrentar los desafíos e innovaciones de la IA del mundo real.
Objetivos
Comprenda los aspectos esenciales de la IA y adquiera competencia en Python para el desarrollo de IA.
• Aprenda las arquitecturas de aprendizaje profundo y redes neuronales y sus
aplicaciones.
• Explore varias aplicaciones de IA especializadas en diferentes sectores industriales.
• Adquiera conocimientos sobre modelos de lenguaje grandes, incluido GPT, y domine el
arte de la ingeniería rápida.
• Desarrolle las habilidades para utilizar herramientas de IA, administrar operaciones de IA e implementar de manera efectiva
modelos de IA en escenarios del mundo real.
Duración: 40 horas
Audiencia
• Ingeniero de IA
• Desarrollador de software
• Programador
Prerrequisitos
Experiencia en codificación, preferiblemente en lenguajes comunes como Python o
Java.
• Conocimientos básicos de aprendizaje automático y de cómo las computadoras procesan datos.
• Conocimientos introductorios de redes neuronales y sus conceptos fundamentales.
• Familiaridad con herramientas de procesamiento del lenguaje y conceptos introductorios de chatbot.
• Comprensión de cómo la IA procesa e interpreta imágenes.
• Conocimiento de técnicas de aprendizaje de IA y métodos de mejora continua.
• Experiencia o conocimiento en la implementación de soluciones de IA y su presentación a una audiencia.
Temario
Python Basics
• Data Types
• Variables and
Assignment
• Operators
• Control Flow
• Functions and
Arguments
• Strings and Methods
• Data Structures
• Modules and Importing
• File IO
• Exceptions and Error
Handling
Python Advanced
ObjectOriented
Programming
• Decorators
• Generators and
Iterators
• Lambda Functions
• Regular Expressions
• Debugging and
Testing
• MultiProcessing amp
MultiThreading
• Essential Libraries for
Data Science
• Working with
Databases
• API Development
• Package Creation and
Distribution
• Performance
Optimization and
Profiling
• Design Patterns
Mathematics for Machine Learning
• Linear Algebra
• Matrix Operations
• Vector Spaces
• Eigenvectors and
Eigenvalues
• Linear Transformations
in Python
• Matrix Factorization
• Introduction to Tensor
Operations in Linear
Algebra
Calculus
• Differential Calculus
• Integration in Python
Probability for Data science
Probability Basics
• Calculating Basic
Probabilities
• Probability
Distributions Normal
Binomial Poisson
• Conditional Probability
• Monte Carlo
Simulation
• Central Limit Theorem
• Statistical Inference in
Probability
• Probability in Machine
Learning Algorithms
• Decision Making Under
Uncertainty
• Realworld Applications
of Probability in Data
Science
Statictics for Data Science
• Introduction to Statistics for Data Science
• Descriptive Statistics
• Probability and Distributions
• Statistical Inference
Optimization Techniques
• Introduction to Optimization in Data Science
• Gradient Descent
• Stochastic Gradient Descent
• Adaptive Learning Rate Methods
Introduction to Machine Learning
• Machine Learning Basics
Introduction to deep learning
• Deep Learning Basics
Introduction ti reinforcement Learning
Reinforcement Learning Basics
Evaluation Metrics
• Introduction to Evaluation Metrics in Machine
Learning
• Classification Metrics
• Regression Metrics
• Importance of Multiple Metrics
• Choosing Metrics Based on Business Context
• Evaluating Metrics on Test Set
Data PreProcessing
• Explanation of the Topics
• Data Cleaning
• Data Transformation
• Feature Engineering
• Feature Selection
• Data Reduction
Exploratory Data Analysis
• Introduction to EDA in Python
• Importing and Loading Data
• Data Cleaning
• Univariate Analysis
• Bivariate and Multivariate Analysis
• Data Transformations and Encodings
• Identifying Outliers and Anomalies
• Tools for EDA in Python
• The Iterative Nature of EDA
Feature Engineering
• Introduction to Feature Engineering
• Feature Creation
• Feature Selection
• Feature Extraction
• Feature Scaling
• Missing Value Imputation
• Discretization
• Feature Encoding
Feature selection
• Filter Methods
• Wrapper Methods
• Embedded Methods
Dimensionality Reduction
Introduction to Dimensionality Reduction
• Problems with HighDimensional Data
• Benefits of Dimensionality Reduction
• Common Techniques
• Key Takeaways and Best Practices
Data Visualization
• Introduction to Data Visualization
• Types of Data Visualization
• Categories of Visualizations
• Popular Types of Visualizations
• Key Takeaways and Best Practices
Supervised Machine Learning
• Introduction to Supervised Learning Algorithms
• Common Tasks in Supervised Learning
• Popular Algorithms
Unsupervised Machine Learning
• Introduction to Unsupervised Learning
Algorithms
• Types of Unsupervised Learning Algorithms
Boosting
• AdaBoost Algorithm Explanation
• XGBoost Algorithm Explanation
• CatBoost Algorithm Explanation
• GradiendBoost Algorithm Explanation
Working with inbalanced Data
• Sampling Methods
• Algorithm Modification
Hyperparameter Tuning
Introduction to Hyperparameters
• Hyperparameter Tuning Techniques
• Challenges in Hyperparameter Tuning
• Strategies for Efficient Tuning
• Tools for Hyperparameter Tuning
Time series
• Introduction to Time Series Data
• Key Aspects of Time Series Analysis
• Stationarity and Autocorrelation
• Time Series Forecasting
• Time Series Models
• Visualization in Time Series Analysis
• Key Takeaways and Best Practices
Deep Learning
• Neural Networks
• Activation Function
• Loss Functions
• Optimizers
• Regularization
• Forward Propagation
• Backward Propagation
• Hyperparameter Tuning in Neural Networks
Specialization
• NLP
• Computer Vision
• Reinforcement Learning
Gen AI
• Introduction to Supervised Learning Algorithms
• Common Tasks in Supervised Learning
• Popular Algorithms
Explainable AI
Explanation of the Topics
• Explainable Modeling
• ModelAgnostic Methods
• Interactive Explanations
• Explainable Deep Learning
• Visual Explanations
• Natural Language Explanations
Model Deployment
• What is Model Deployment
• Key Steps in Deploying a Model
• Challenges with Model Deployment
• Best Practices