Masterclass en Inteligencia Artificial: con Proyectos Reales
- Descripción
- Currículum
- Reseñas
¡La revolución de la Inteligencia Artificial (IA) está aquí!
“El mercado de la Inteligencia Artificial en todo el mundo se proyecta que crezca en 284.6 Billones de dólares, impulsado por un crecimiento compuesto del 43,9%. El Deep Learning, uno de los segmentos analizados y dimensionados en este estudio, muestra el potencial para crecer a más de 42. 5%.” (FUENTE: globenewswire).
La IA es la ciencia que permite a los ordenadores imitar la inteligencia humana, como la toma de decisiones, el razonamiento, el procesamiento de textos y la percepción visual. La IA es un campo general más amplio que abarca varios sub campos como el aprendizaje automático, la robótica y la visión por computador.
Para que las empresas se vuelvan competitivas y aumenten su crecimiento, necesitan aprovechar el poder de la Inteligencia Artificial (IA) para mejorar los procesos, reducir los costes y aumentar los ingresos. Hoy en día, la IA se implementa ampliamente en muchos sectores y ha estado transformando todas las industrias, desde la banca hasta la salud, el transporte y la tecnología.
La demanda de talentos de IA ha aumentado exponencialmente en los últimos años y ya no se limita a Silicon Valley! Según Forbes, las habilidades de IA están entre las más demandadas para el 2020.
El propósito de este curso es proporcionarte conocimientos sobre aspectos clave de las aplicaciones modernas de la Inteligencia Artificial de una manera práctica, fácil y divertida.
El curso proporciona a los estudiantes una experiencia práctica utilizando conjuntos de datos del mundo real. El curso cubre muchos temas y aplicaciones nuevas como Emotion IA, la explicación clara de la caja negra detrás de la IA, la IA creativa y las aplicaciones de la IA en la salud, los negocios y las finanzas.
Una característica clave y única de este curso es que entrenaremos y desplegaremos modelos usando Tensorflow y AWS SageMaker. Además, cubriremos varios elementos del flujo de trabajo AI/ML que cubren la construcción de modelos, el entrenamiento, la sincronización de los hiper parámetros, y el despliegue. Además, el curso ha sido cuidadosamente diseñado para cubrir aspectos clave de la IA como el Aprendizaje automatizado, el Deep Learning, y la visión por computador.
AQUÍ HAY UN RESUMEN DE LOS PROYECTOS QUE ABARCAREMOS:
-
Proyecto #1 (Emotion AI): Clasificación de Emociones y Detección de Puntos Faciales Claves usando IA.
-
Proyecto #2 (AI en el Cuidado de la Salud): Detección y localización de tumores cerebrales mediante la IA.
-
Proyecto #3 (IA en Negocios/Marketing): Segmentación de clientes en centros comerciales usando auto encoders y algoritmos de aprendizaje automático no supervisados.
-
Proyecto #4: (AI en Negocios/Finanzas): Predicción y supervisión de la validez tarjetas de crédito usando el algoritmo XG-Boost de AWS SageMaker (AutoPilot).
-
Proyecto #5 (IA Creativa): Generación de obras de arte por la IA.
PARA QUIÉN ES ESTE CURSO:
El curso está dirigido a profesionales de la IA, aspirantes a científicos de datos, entusiastas de la tecnología y consultores que deseen obtener una comprensión fundamental de la ciencia de los datos y resolver problemas del mundo real. Aquí hay una lista de para quién es este curso:
-
Consultores experimentados que quieran transformar industrias aprovechando la IA.
-
Profesionales de la IA que quieran avanzar en sus carreras y construir su portfolio.
-
Propietarios de negocios visionarios que quieren aprovechar el poder de la IA para maximizar los ingresos, reducir los costes y optimizar su negocio.
-
Entusiastas de la tecnología que son apasionados de la IA y quieren ganar experiencia práctica en el mundo real.
PRE-REQUISITOS DEL CURSO:
Se recomiendan conocimientos básicos de programación. Sin embargo, estos temas se cubrirán ampliamente durante las primeras clases del curso; por lo tanto, el curso no tiene pre requisitos necesarios y está abierto a cualquier persona con conocimientos básicos de programación. Los estudiantes que se inscriban en este curso dominarán los fundamentos de la ciencia de datos y aplicarán directamente estos conocimientos para resolver desafiantes problemas empresariales del mundo real.
-
5Introducción al proyecto y mensaje de bienvenidaVideo lesson
-
6Tarea 1: Entender el enunciado del problema y el caso prácticoVideo lesson
-
7Tarea 2: Importar las librerías y datasetsVideo lesson
-
8Tarea 3: Visualización de los datosVideo lesson
-
9Tarea 4: Aumentación de las imágenesVideo lesson
-
10Nota: cambios en la versión de numpyText lesson
-
11Tarea 5: Normalización y escalado de los datosVideo lesson
-
12Tarea 6: Entender la teoría e intuición detrás de redes neuronales artificialesVideo lesson
-
13Tarea 7: Entender el entrenamiento en ANN y el gradiente descendenteVideo lesson
-
14Tarea 8: Entender las Redes Neuronales de Convolución y las ResNetsVideo lesson
-
15Tarea 9: Construir una ResNet para detectar los puntos clave de la caraVideo lesson
-
16Tarea 10: Compilar y entrenar el modelo detector de rasgos facialesVideo lesson
-
17Tarea 11: Evaluar el modelo ResNet entrenadoVideo lesson
-
18Tarea 12: Importar y explorar el dataset de expresiones faciales (emociones)Video lesson
-
19Tarea 13: Visualizar las imágenes de las expresiones facialesVideo lesson
-
20Tarea 14: Llevar a cabo la aumentación de las imágenesVideo lesson
-
21Tarea 15: Construir y entrenar un modelo clasificador de expresiones facialesVideo lesson
-
22Tarea 16: Entender los Indicadores para evaluar la clasificación (KPIs)Video lesson
-
23Tarea 17: Evaluar el modelo clasificador de expresiones facialesVideo lesson
-
24Tarea 18: Hacer predicciones con los dos modelos: puntos faciales y emociónVideo lesson
-
25Tarea 19: Guardar el modelo entrenado para subir a producciónVideo lesson
-
26Tarea 20: Subir el modelo entrenado a producción con TensorFlow 2.0 ServingVideo lesson
-
27Tarea 21: Desplegar ambos modelos y hacer predicciones en directoVideo lesson
-
28Introducción al proyecto y mensaje de bienvenidaVideo lesson
-
29Tarea 1: Entender el enunciado del problema y el caso prácticoVideo lesson
-
30Tarea 2: Importar las librerías y datasetsVideo lesson
-
31Tarea 3: Visualización de datosVideo lesson
-
32Tarea 4: Entender la intuición detrás de las ResNet y las RNCVideo lesson
-
33Tarea 5: Entender la teoría e intuición detrás del aprendizaje por transferenciaVideo lesson
-
34Tarea 6: Entrenar un modelo de clasificación para detectar tumores cerebralesVideo lesson
-
35Tarea 7: Evaluar la eficacia del modelo de clasificación entrenadoVideo lesson
-
36Tarea 8: Entender los modelos de segmentación con ResUnetVideo lesson
-
37Tarea 9: Construir un modelo de segmentación para localizar tumores cerebralesVideo lesson
-
38Tarea 10: Entrenar un modelo de segmentación ResUnetVideo lesson
-
39Tarea 11: Evaluar el modelo de segmentación ResUnet entrenadoVideo lesson
-
40Introducción al proyecto y mensaje de bienvenidaVideo lesson
-
41Tarea 1: Entender el enunciado del problema y el caso prácticoVideo lesson
-
42Tarea 2: Importar las librerías y datasetsVideo lesson
-
43Tarea 3: Análisis exploratorio de los datos (Parte 1)Video lesson
-
44Tarea 4: Análisis exploratorio de los datos (Parte 2)Video lesson
-
45Tarea 5: Entender la teoría e intuición detrás del clustering por K-MeansVideo lesson
-
46Tarea 6: Aplicar el método del codo para hallar el número óptimo de clustersVideo lesson
-
47Tarea 7: Aplicar el algoritmo del clústering por K-MeansVideo lesson
-
48Tarea 8: Entender la teoría e intuición del análisis de componentes principalesVideo lesson
-
49Tarea 9: Entender la teoría e intuición detrás de los auto encodersVideo lesson
-
50Tarea 10: Aplicar los auto encoders para hacer un clusteringVideo lesson
-
51Introducción al proyecto y mensaje de bienvenidaVideo lesson
-
52Notas acerca de Amazon Web Services (AWS)Text lesson
-
53Tarea 1: Entender el enunciado del problema y el caso prácticoVideo lesson
-
54Tarea 2: Importar las librerías y datasetsVideo lesson
-
55Tarea 3: Visualización y exploración de los datosVideo lesson
-
56Tarea 4: La limpieza de los datosVideo lesson
-
57Tarea 5: Entender la teoría e intuición detrás del algoritmo XG-BoostVideo lesson
-
58Tarea 6: Entender los pasos clave de XG-BoostVideo lesson
-
59Tarea 7: Entrenar el algoritmo de XG-Boost con Scikit-LearnVideo lesson
-
60Tarea 8: Utilizar grid search para la optimización de híper parámetrosVideo lesson
-
61Tarea 9: Entender XG-Boost en AWS SageMakerVideo lesson
-
62Tarea 10: Entrenar XG-Boost en AWS SageMakerVideo lesson
-
63Tarea 11: Desplegar un modelo y hacer prediccionesVideo lesson
-
64Tarea 12: Entrenar y desplegar un modelo con AWS Autopilot (programación mínima)Video lesson
-
65Introducción al proyecto y mensaje de bienvenidaVideo lesson
-
66Tarea 1: Entender el enunciado del problema y el caso prácticoVideo lesson
-
67Tarea 2: Importar el modelo con pesos pre entrenadosVideo lesson
-
68Tarea 3: Importar y mezclar imágenesVideo lesson
-
69Tarea 4: Ejecutar el modelo pre entrenado y explorar las activacionesVideo lesson
-
70Tarea 5: Entender la teoría e intuición detrás de Deep DreamVideo lesson
-
71Tarea 6: Entender las operaciones de gradiente en TF 2.0Video lesson
-
72Tarea 7: Implementar el algoritmo Deep Dream Parte 1Video lesson
-
73Tarea 8: Implementar el algoritmo Deep Dream Parte 2Video lesson
-
74Tarea 9: Aplicar el algoritmo Deep Dream para generar imágenesVideo lesson
-
75Tarea 10: Generar el video de Deep DreamVideo lesson
-
76¿Qué es AWS y el Cloud Computing?Video lesson
-
77Componentes clave de Machine Learning y un tour por AWSVideo lesson
-
78Regiones y zonas de disponibilidadVideo lesson
-
79Amazon S3Video lesson
-
80EC2 e Identity and Access Management (IAM)Video lesson
-
81Demostración de cómo usar la versión gratuita de AWSVideo lesson
-
82AWS SageMakerVideo lesson
-
83Guía Práctica de AWS SageMakerVideo lesson
-
84Descripción general de AWS SageMaker StudioVideo lesson
-
85Descripción de AWS SageMaker StudioVideo lesson
-
86Implementación del modelo de SageMakerVideo lesson
