Aprendizaje automático, Ciencia de datos e IA generativa con Python
Máster en IA y Ciencia de datos con Python
Certificado oficial emitido por la SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 144 h
16 unidades
Nivel intermedio
Qué aprenderás
Lo que serás capaz de hacer
Este curso incluye Coursera Coach Una forma más inteligente de aprender con conversaciones interactivas en tiempo real que le ayudan a poner a prueba sus conocimientos, desafiar suposiciones y profundizar su comprensión a medida que avanza en el curso. En este curso completo, los estudiantes explorarán el aprendizaje automático, la ciencia de datos y la IA generativa utilizando Python. Adquirirá una sólida comprensión de los principios del aprendizaje automático, incluidas las técnicas de aprendizaje supervisado y no supervisado, y aplicará algoritmos como la regresión lineal, los árboles de decisiones y las máquinas de vectores de asistencia. El curso profundiza en conceptos avanzados de IA como los GAN, los autocodificadores variacionales y la arquitectura de transformadores, que impulsa modelos como GPT. Desarrollará, entrenará y ajustará modelos para resolver problemas del mundo real, como sistemas de recomendación y análisis de opiniones. Al final del curso, tendrá experiencia práctica con herramientas como TensorFlow, Keras y Apache Spark para hacer frente a retos de datos a gran escala. También aprenderá a implementar modelos en sistemas en tiempo real y a tener en cuenta la ética de la IA. Este curso es ideal para quienes desean explorar la Ciencia de datos, el aprendizaje automático y la IA. Si usted es un científico de datos, desarrollador o entusiasta, obtendrá las habilidades prácticas necesarias para prosperar en el campo de la IA en rápida evolución.
- Adquiera competencia en algoritmos de Aprendizaje automático supervisado y no supervisado utilizando Python.
- Aprenda a construir y desplegar Modelos generativos como GANs y VAEs para la generación de imágenes y texto.
- Domine la arquitectura del transformador y ajuste modelos como GPT para tareas específicas.
- Explore las técnicas de big data mediante Apache Spark y cree modelos de aprendizaje automático escalables.
Habilidades que desarrollarás
Apache Spark
Generación aumentada por recuperación
API de OpenAI
IA generativa
Aplicaciones con LLM
Evaluación de modelos
Preprocesamiento de datos
Modelos de lenguaje extensos
Redes generativas adversarias (GANs)
Modelado predictivo
Matplotlib
Keras (biblioteca de redes neuronales)
Ajuste fino
Aprendizaje por transferencia
Aprendizaje profundo
Métodos de aprendizaje automático
Aprendizaje automático aplicado
Seaborn
Visualización de datos
Aprendizaje automático
Temario
UNIDAD 1 - Cómo empezar · 11 leccionesFundamentos de la ciencia de datos y el aprendizaje automático con Python - UNIDAD 1 - Cómo empezar
UNIDAD 1 - Cómo empezar · 11 lecciones
Fundamentos de la ciencia de datos y el aprendizaje automático con Python - UNIDAD 1 - Cómo empezar
- Introducción a las Specializations
- Introducción al Curso 'Fundamentos de Ciencia de datos y Aprendizaje automático con Python'
- Recurso de especialización completo
- [Actividad] Windows: Instalación y uso de Anaconda y materiales del curso
- [MAC: Instalación y uso de Anaconda y materiales del curso
- [Actividad] Linux: Instalación y uso de Anaconda y materiales del curso
- Conceptos básicos de Python, parte 1 [Optativo]
- [Actividad] Conceptos básicos de Python, Parte 2 [Opcional]
- [Actividad] Conceptos básicos de Python, Parte 3 [Opcional]
- [Actividad] Conceptos básicos de Python, Parte 4 [Opcional]
- Introducción a la biblioteca Pandas [Opcional]
UNIDAD 2 - Repaso de Estadística y Probabilidad, y Práctica de Python · 15 leccionesFundamentos de la ciencia de datos y el aprendizaje automático con Python - UNIDAD 2 - Repaso de Estadística y Probabilidad, y Práctica de Python
UNIDAD 2 - Repaso de Estadística y Probabilidad, y Práctica de Python · 15 lecciones
Fundamentos de la ciencia de datos y el aprendizaje automático con Python - UNIDAD 2 - Repaso de Estadística y Probabilidad, y Práctica de Python
- Tipos de datos (numéricos, categóricos, ordinales)
- Media, mediana, moda
- [Actividad] Uso de la media, mediana y moda en Python
- [Actividad] Variación y Desviación estándar
- Función de densidad de probabilidad; Función de probabilidad bruta
- Distribuciones de datos comunes (Normal, Binomial, Poisson, etc.)
- [Actividad] Percentiles y momentos
- [Actividad] Curso acelerado de Matplotlib
- [Actividad] Visualización avanzada con Seaborn
- [Actividad] Covarianza y correlación
- [Probabilidad condicional
- Solución del Ejercicio: Probabilidad condicional de compra por edad
- Teorema de Bayes
- Tipos de datos y clasificación
- Repaso de Estadística y Probabilidad, y Prácticas de Python - Evaluación
UNIDAD 3 - Modelos predictivos · 6 leccionesFundamentos de la ciencia de datos y el aprendizaje automático con Python - UNIDAD 3 - Modelos predictivos
UNIDAD 3 - Modelos predictivos · 6 lecciones
Fundamentos de la ciencia de datos y el aprendizaje automático con Python - UNIDAD 3 - Modelos predictivos
- [Actividad] Regresión lineal
- [Actividad] Regresión polinómica
- [Actividad] Regresión múltiple y predicción del precio de los coches
- Modelos multinivel
- Exploración de la Regresión lineal
- Modelos predictivos - Evaluación
UNIDAD 4 - Aprendizaje automático con Python · 18 leccionesFundamentos de la ciencia de datos y el aprendizaje automático con Python - UNIDAD 4 - Aprendizaje automático con Python
UNIDAD 4 - Aprendizaje automático con Python · 18 lecciones
Fundamentos de la ciencia de datos y el aprendizaje automático con Python - UNIDAD 4 - Aprendizaje automático con Python
- Aprendizaje supervisado frente a aprendizaje no supervisado, y formación/prueba
- [Actividad] Uso de entrenamiento/prueba para evitar el sobreajuste de una regresión polinómica
- Métodos Bayesianos: Conceptos
- [Actividad] Implementación de un clasificador de spam con Naive Bayes
- Agrupación K-Means
- [Actividad] Agrupación de personas por ingresos y edad
- Medir la entropía
- [Actividad] Windows: Instalando GraphViz
- [Actividad] MAC: Instalando GraphViz
- [Actividad] Linux: Instalando GraphViz
- Árboles de decisiones: Conceptos
- [Árboles de decisiones: Predicción de decisiones de contratación
- Aprendizaje por conjuntos
- [Actividad] XGBoost
- Máquinas de vectores de asistencia (SVM) Descripción general
- [Actividad] Uso de SVM para agrupar personas con Scikit-learn
- Comprensión de los modelos de aprendizaje automático y de entrenamiento/prueba
- Aprendizaje automático con Python - Evaluación
UNIDAD 5 - Sistemas de recomendación · 11 leccionesFundamentos de la ciencia de datos y el aprendizaje automático con Python - UNIDAD 5 - Sistemas de recomendación
UNIDAD 5 - Sistemas de recomendación · 11 lecciones
Fundamentos de la ciencia de datos y el aprendizaje automático con Python - UNIDAD 5 - Sistemas de recomendación
- Filtrado colaborativo basado en el usuario
- Filtrado colaborativo basado en elementos
- [Actividad] Búsqueda de similitudes entre películas mediante la similitud del coseno
- [Actividad] Mejorar los resultados de las similitudes entre películas
- [Actividad] Recomendaciones de películas con filtrado colaborativo basado en elementos
- [Ejercicio] Mejorar los resultados del recomendador
- Exploración de sistemas de recomendación con filtrado colaborativo
- Conclusión del Curso 'Fundamentos de Ciencia de datos y Aprendizaje automático con Python'
- Sistemas de recomendación - Evaluación
- Evaluación práctica del curso completo
- Evaluación completa del curso
UNIDAD 6 - Más técnicas de Minería de datos y Aprendizaje automático · 13 leccionesAprendizaje automático avanzado, Big data y Aprendizaje profundo - UNIDAD 6 - Más técnicas de Minería de datos y Aprendizaje automático
UNIDAD 6 - Más técnicas de Minería de datos y Aprendizaje automático · 13 lecciones
Aprendizaje automático avanzado, Big data y Aprendizaje profundo - UNIDAD 6 - Más técnicas de Minería de datos y Aprendizaje automático
- Introducción al Curso 'Aprendizaje automático avanzado, Big data y Aprendizaje profundo'
- Recurso de especialización completo
- K vecinos más cercanos: Conceptos
- [Actividad] Uso de KNN para predecir la calificación de una película
- Reducción de dimensionalidad; Análisis de componentes principales (PCA)
- [Actividad] Ejemplo de PCA con el conjunto de datos Iris
- Almacén de datos: ETL y ELT
- Aprendizaje por refuerzo
- [Actividad] Aprendizaje de refuerzo y Q-Learning con Gimnasio
- Comprender una Matriz de confusión
- Medición de clasificadores (Precisión, Recall, F1, ROC, AUC)
- Introducción a los vecinos más próximos K
- Más técnicas de Minería de datos y Aprendizaje automático - Evaluación
UNIDAD 7 - Datos del mundo real · 12 leccionesAprendizaje automático avanzado, Big data y Aprendizaje profundo - UNIDAD 7 - Datos del mundo real
UNIDAD 7 - Datos del mundo real · 12 lecciones
Aprendizaje automático avanzado, Big data y Aprendizaje profundo - UNIDAD 7 - Datos del mundo real
- Compensación entre sesgo y varianza
- [Actividad] Validación cruzada K-Fold para evitar el sobreajuste
- Limpieza de datos y normalización
- [Actividad] Limpieza de datos de registro web
- Normalización de datos numéricos
- [Actividad] Detección de valores atípicos
- Ingeniería de características y la maldición de la dimensionalidad
- Técnicas de imputación de datos ausentes
- Tratamiento de datos desequilibrados: Sobremuestreo, submuestreo y SMOTE
- Binning, Transformación, Codificación, Escalado y Barajado
- Comprender el equilibrio entre sesgo y varianza
- Tratamiento de datos reales - Evaluación
UNIDAD 8 - Apache Spark: Aprendizaje automático en Big data · 12 leccionesAprendizaje automático avanzado, Big data y Aprendizaje profundo - UNIDAD 8 - Apache Spark: Aprendizaje automático en Big data
UNIDAD 8 - Apache Spark: Aprendizaje automático en Big data · 12 lecciones
Aprendizaje automático avanzado, Big data y Aprendizaje profundo - UNIDAD 8 - Apache Spark: Aprendizaje automático en Big data
- [Actividad] Instalación de Spark - Parte 1
- [Actividad] Instalación de Spark - Parte 2
- Introducción a Spark
- Spark y el conjunto de datos distribuidos resilientes (RDD)
- Presentación de MLLib
- Introducción a los Árboles de decisiones en Spark
- [Actividad] K-Means Clustering en Spark
- TF / IDF
- [Actividad] Búsqueda en Wikipedia con Spark
- [Actividad] Uso de la API DataFrame de Spark para MLLib
- Configuración de Apache Spark
- Apache Spark: Aprendizaje automático en Big data - Evaluación
UNIDAD 9 - Diseño experimental / ML en el mundo real · 8 leccionesAprendizaje automático avanzado, Big data y Aprendizaje profundo - UNIDAD 9 - Diseño experimental / ML en el mundo real
UNIDAD 9 - Diseño experimental / ML en el mundo real · 8 lecciones
Aprendizaje automático avanzado, Big data y Aprendizaje profundo - UNIDAD 9 - Diseño experimental / ML en el mundo real
- Implantación de modelos en sistemas de tiempo real
- Conceptos de Pruebas A/B
- Pruebas T y Valores P
- [Actividad] Prácticas con pruebas T
- Determinar la duración de un experimento
- Pruebas A/B Gotchas
- Implantación a gran escala de modelos de Aprendizaje automático
- Diseño experimental / ML en el mundo real - Evaluación
UNIDAD 10 - Aprendizaje profundo y redes neuronales · 22 leccionesAprendizaje automático avanzado, Big data y Aprendizaje profundo - UNIDAD 10 - Aprendizaje profundo y redes neuronales
UNIDAD 10 - Aprendizaje profundo y redes neuronales · 22 lecciones
Aprendizaje automático avanzado, Big data y Aprendizaje profundo - UNIDAD 10 - Aprendizaje profundo y redes neuronales
- Requisitos previos del Aprendizaje profundo
- Historia de las redes neuronales artificiales
- [Actividad] Aprendizaje profundo en el patio de recreo de TensorFlow
- Detalles del Aprendizaje profundo
- Presentación de TensorFlow
- [Actividad] Uso de TensorFlow, Parte 1
- [Actividad] Uso de TensorFlow, Parte 2
- [Actividad] Presentación de Keras
- [Actividad] Uso de Keras para predecir afiliaciones políticas
- Redes neuronales convolucionales (CNN)
- [Actividad] Uso de CNN para el reconocimiento de escritura a mano
- Redes neuronales recurrentes (RNN)
- [Actividad] Uso de una RNN para el Análisis de sentimientos
- [Actividad] Aprendizaje por transferencia
- Ajuste de redes neuronales: Tasa de aprendizaje y Tamaño de lote Hiperparámetros
- Regularización del Aprendizaje profundo con abandono e Interrupción anticipada
- Ética del Aprendizaje profundo
- Aprendizaje profundo: Redes neuronales, CNN y RNN
- Conclusión del Curso 'Aprendizaje automático avanzado, Big data y Aprendizaje profundo'
- Aprendizaje profundo y redes neuronales - Evaluación
- Evaluación práctica del curso completo
- Evaluación completa del curso
UNIDAD 11 - Modelos generativos · 10 leccionesIA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 11 - Modelos generativos
UNIDAD 11 - Modelos generativos · 10 lecciones
IA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 11 - Modelos generativos
- Introducción al curso 'IA generativa, LLM y aplicaciones avanzadas con Python'
- Recurso de especialización completo
- Autocodificadores variacionales (VAE): cómo funcionan
- Autocodificadores variacionales (VAE) - Práctica con Fashion MNIST
- Redes generativas adversarias (GAN) - Cómo funcionan
- Redes generativas adversarias (GAN) - Jugando con algunas demos
- Redes generativas adversarias (GAN) - Prácticas con Fashion MNIST
- Aprendizaje profundo
- Comprender los autocodificadores y los autocodificadores variacionales
- Modelos generativos - Evaluación
UNIDAD 12 - IA generativa: GPT, ChatGPT, Transformadores, Redes neuronales basadas en la autoatención · 15 leccionesIA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 12 - IA generativa: GPT, ChatGPT, Transformadores, Redes neuronales basadas en la autoatención
UNIDAD 12 - IA generativa: GPT, ChatGPT, Transformadores, Redes neuronales basadas en la autoatención · 15 lecciones
IA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 12 - IA generativa: GPT, ChatGPT, Transformadores, Redes neuronales basadas en la autoatención
- La arquitectura de los transformadores (codificadores, descodificadores y autoatención)
- Autoatención, autoatención enmascarada y autoatención múltiple en profundidad
- Aplicaciones de los transformadores (GPT)
- Cómo funciona GPT, Parte 1: La arquitectura del transformador GPT
- Cómo funciona GPT, Parte 2: Tokenización, codificación posicional, incrustación
- Ajuste fino / Aprendizaje por transferencia con transformadores
- [Actividad] Tokenización con Google CoLab y HuggingFace
- [Actividad] Codificación posicional
- [Actividad] Autoatención enmascarada y multicabezal con BERT, BERTViz y exBERT
- [Actividad] Uso de modelos GPT pequeños y grandes en Google CoLab y HuggingFace
- [Actividad] Ajuste fino de GPT con el conjunto de datos IMDb
- FROM GPT to ChatGPT: Aprendizaje de refuerzo profundo, gradientes de política proximal
- FROM GPT to ChatGPT: Aprendizaje de refuerzo a partir de la retroalimentación humana y la moderación
- Transformadores
- IA generativa: GPT, ChatGPT, Transformadores, Redes neuronales basadas en la autoatención - Evaluación
UNIDAD 13 - La API de OpenAI (Desarrollo con GPT y ChatGPT) · 12 leccionesIA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 13 - La API de OpenAI (Desarrollo con GPT y ChatGPT)
UNIDAD 13 - La API de OpenAI (Desarrollo con GPT y ChatGPT) · 12 lecciones
IA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 13 - La API de OpenAI (Desarrollo con GPT y ChatGPT)
- [Actividad] La API de finalización de chat de OpenAI
- [Actividad] Uso de funciones en la API de finalización de chat de OpenAI
- [Actividad] La API de imágenes (DALL-E) en OpenAI
- [Actividad] La API Embeddings en OpenAI: encontrar similitudes entre palabras
- [Actividad] La API de finalización de OpenAI
- La API heredada de ajuste fino para modelos GPT en OpenAI
- [Demo] Ajuste del modelo Davinci de OpenAI para simular datos de Star Trek
- La nueva API de ajuste fino de OpenAI; ¡ajuste fino de GPT-3.5 para simular Commander Data!
- [Actividad] La API de moderación de OpenAI
- [Actividad] La API de audio de OpenAI (voz a texto)
- La API de OpenAI (Desarrollo con GPT y ChatGPT) - Evaluación
- Integración de la API de finalización de chat de OpenAI
UNIDAD 14 - Generación aumentada de recuperación (RAG), RAG avanzada y agentes LLM · 12 leccionesIA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 14 - Generación aumentada de recuperación (RAG), RAG avanzada y agentes LLM
UNIDAD 14 - Generación aumentada de recuperación (RAG), RAG avanzada y agentes LLM · 12 lecciones
IA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 14 - Generación aumentada de recuperación (RAG), RAG avanzada y agentes LLM
- Generación aumentada de recuperación (RAG): cómo funciona, con algunos ejemplos
- Demostración: Utilización de la Generación aumentada de recuperación (RAG) para simular datos de Star Trek
- Métricas RAG: La tríada RAG, relevancia, recuerdo, precisión, exactitud, etc
- [Actividad] Evaluación de nuestros datos Cdr. basados en RAG utilizando RAGAS y langchain
- GAR avanzado: prerrecuperación; fragmentación; fragmentación semántica; extracción de datos
- RAG avanzada: Reescritura de consultas
- RAG avanzado: compresión de avisos y más posibilidades de ajuste
- [Actividad] Simulación de datos Cdr. con RAG avanzado y langchain
- Agentes LLM y enjambres de agentes
- [Actividad] Creación de un chatbot de Cdr. Data con agentes LLM, búsqueda web y herramientas matemáticas
- Comprensión de la Generación aumentada de recuperación (RAG)
- Generación aumentada de recuperación (RAG), RAG avanzada y agentes LLM - Evaluación
UNIDAD 15 - Proyecto final · 4 leccionesIA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 15 - Proyecto final
UNIDAD 15 - Proyecto final · 4 lecciones
IA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 15 - Proyecto final
- Su Proyecto Final de Carrera: Clasificación de mamografías
- Revisión del proyecto final
- Aplicación de técnicas de Aprendizaje automático supervisado
- Proyecto final - Evaluación
UNIDAD 16 - ¡Lo ha conseguido! · 4 leccionesIA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 16 - ¡Lo ha conseguido!
UNIDAD 16 - ¡Lo ha conseguido! · 4 lecciones
IA generativa, LLM y aplicaciones avanzadas con Python - UNIDAD 16 - ¡Lo ha conseguido!
- Más por explorar
- Conclusión del Curso 'IA generativa, LLMs y aplicaciones avanzadas con Python'
- Evaluación práctica del curso completo
- Evaluación completa del curso
Certificado oficial
Tu certificado lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Cómo funciona
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $4,990 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
16 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
20 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Lo que obtienes
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por Packt.
- Folio y QR verificables para compartirlo con quien te contrate.
Medios que necesitas
Equipo de cómputo
Conexión estable a internet
Pago único
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 16 unidades · 185 lecciones · 144 h
- 12 meses de acceso
- 20 cuestionarios de evaluación
- Certificado emitido por la SEP (Gob. del Estado de México) con folio verificable
Preguntas frecuentes
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $4,990 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por Packt; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
