⛏ Muy Práctico!! (se toca código desde el primer día)
📆 4 jornadas (5 horas por jornada)
✅ 1 Mes de apoyo y tutorías para realización de Caso Práctico
🚀 Realizado por: Stratebi (se incluye plataforma cloud y herramientas ya configuradas y preparadas). Contacta
💻 Modalidad: Online o Presencial
🔎 Ejemplos con casos de proyectos reales
🙋♂️ Dirigido a: Equipos IT de empresas. Fechas 'adhoc' según empresa
🔗 Entrega de Documentación, Código y Certificado de Realización
TEMARIO:
Día 1: Introducción a la Inteligencia Artificial y el Aprendizaje Automático
A. CONCEPTOS BÁSICOS DE IA
·Panorama general de la IA: historia, evolución y estado actual
·Diferenciando IA, Aprendizaje Automático y Aprendizaje Profundo
·Aplicaciones e implicaciones de la IA en diversas industrias
B. FUNDAMENTOS DE APRENDIZAJE AUTOMÁTICO
·Tipos de Aprendizaje Automático: Aprendizaje supervisado, no supervisado y por refuerzo
·Conceptos clave: Preprocesamiento de datos, ingeniería de características, selección de modelos, entrenamiento y prueba, sobreajuste y sub ajuste
·Introducción a algoritmos populares de Aprendizaje Automático (por ejemplo, regresión lineal, árboles de decisión, agrupamiento, redes neuronales)
C. PROYECTO PRÁCTICO DE APRENDIZAJE AUTOMÁTICO
·Proyecto simple de Aprendizaje Automático (por ejemplo, utilizando scikit-learn)
·Exploración y visualización de datos·Construcción y evaluación de un modelo
Día 2: Aprendizaje Profundo y Redes Neuronales
A. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO
·Comprensión de las redes neuronales: Neuronas, pesos, funciones de activación y capas
·Visión general de redes neuronales profundas, redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN)
·Aplicaciones del Aprendizaje Profundo en reconocimiento de imágenes y de voz, procesamiento de lenguaje natural, etc.
B. CONSTRUCCIÓN DE UN MODELO DE APRENDIZAJE PROFUNDO
·Herramientas y marcos para el Aprendizaje Profundo (TensorFlow, Keras, PyTorch)
·Guía paso a paso para construir una red neuronal profunda básica
·Consejos para entrenar modelos de aprendizaje profundo de manera eficiente
·Reconocimiento de imágenes (ej. opencv)
C. PROYECTO DE APRENDIZAJE PROFUNDO
·Proyecto de reconocimiento de imágenes o procesamiento de lenguaje natural
·Discusión sobre optimización de modelos e interpretación de resultados
Día 3: Procesamiento de Lenguaje Natural (PLN)
A. FUNDAMENTOS DE PLN
·Visión general del PLN y sus desafíos
·Tareas clave del PLN: Tokenización, stemming, lematización, etiquetado de partes del habla, reconocimiento de entidades nombradas, análisis de sentimientos
·Introducción a los embeddings de palabras y embeddings contextuales
B. TÉCNICAS AVANZADAS DE PLN
·Visión general de los modelos secuencia a secuencia, mecanismos de atención y transformadores
·Introducción a modelos BERT y GPT
·Aplicaciones de PLN: Traducción automática, chatbots, resumen de texto, análisis de sentimientos
C. PROYECTO DE PLN
·Ejercicio práctico de PLN (por ejemplo, análisis de sentimientos)
·Uso de bibliotecas y herramientas de PLN (NLTK, spaCy, Transformers de Hugging Face)
Día 4: Modelos de Lenguaje de Gran Tamaño (Large Language Models) y Chatbots
A. INTRODUCCIÓN A LOS LLMs
·Evolución de los LLM: Desde RNN hasta modelos Transformadores
·Comprensión de la arquitectura y el proceso de entrenamiento de modelos LLM
·Consideraciones éticas y limitaciones de los LLM
B. IMPLEMENTACIÓN DE CHATBOTS CON LLMs
·Visión general del desarrollo de chatbots: Basados en reglas vs. basados en IA
·Integración de LLM en soluciones de chatbot
·Mejores prácticas para diseñar e implementar chatbots efectivos
C. CONSTRUCCIÓN DE UN CHATBOT
·Guía paso a paso para construir un chatbot utilizando LLM
·Pruebas y mejora de tu chatbot
