Ingeniero asociado de IA
Dominar la IA, el aprendizaje automático y el aprendizaje profundo
Certificado oficial emitido por la SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 144 h
9 unidades
Nivel intermedio
Qué aprenderás
Lo que serás capaz de hacer
¡Esta Especialización cuenta con 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 a través de la Especialización. La Especialización AI Engineer Associate le proporcionará las habilidades esenciales para una carrera en ingeniería de IA. Empezará dominando la ingeniería de características, la evaluación de modelos y los algoritmos avanzados de aprendizaje automático. La Especialización profundiza en el aprendizaje ensemble, boosting, XGBoost y técnicas para optimizar modelos como la validación cruzada y el ajuste de hiperparámetros. A continuación, explorará los fundamentos del aprendizaje profundo, incluidas las redes neuronales, la propagación hacia adelante y las funciones de pérdida. También obtendrá experiencia práctica con marcos de aprendizaje profundo como TensorFlow y PyTorch, con aplicaciones como la clasificación de imágenes y el procesamiento del lenguaje natural. La Especialización concluye con una introducción a los agentes de IA y sus aplicaciones prácticas en industrias como la salud, la robótica y los negocios. Esta Especialización es ideal para estudiantes con conocimientos básicos de programación y aprendizaje automático. Al final de la Especialización, serás capaz de implementar algoritmos de aprendizaje automático, construir redes neuronales y desarrollar agentes de IA para casos de uso en el mundo real.
- Domina algoritmos avanzados de aprendizaje automático, como el aprendizaje por conjuntos, el boosting y XGBoost.
- Implementa modelos de aprendizaje profundo con TensorFlow y PyTorch para resolver problemas del mundo real.
- Desarrollar e implementar agentes de inteligencia artificial en diversos sectores, entre ellos la sanidad, las finanzas y la robótica.
- Adquiere experiencia práctica con redes neuronales, ingeniería de características y técnicas de evaluación de modelos.
Habilidades que desarrollarás
Implementación de modelos
Evaluación de modelos
Aprendizaje no supervisado
Aprendizaje por transferencia
Tensorflow
Keras (biblioteca de redes neuronales)
Ajuste fino
Métodos de aprendizaje automático
Reducción de dimensionalidad
Aprendizaje profundo
Redes neuronales recurrentes (RNNs)
Aprendizaje automático aplicado
BeeAI
Preprocesamiento de datos
Inteligencia artificial y aprendizaje automático (AI/ML)
Redes neuronales convolucionales
PyTorch (biblioteca de aprendizaje automático)
Redes neuronales artificiales
Programación en Python
Ingeniería de características
Temario
UNIDAD 1 - Introducción al curso y al instructor · 2 leccionesFundamentos del aprendizaje automático - UNIDAD 1 - Introducción al curso y al instructor
UNIDAD 1 - Introducción al curso y al instructor · 2 lecciones
Fundamentos del aprendizaje automático - UNIDAD 1 - Introducción al curso y al instructor
- Introducción a la Especialización
- Introduction to the Course 'Machine Learning Foundations'
UNIDAD 2 - Ingeniería de características y evaluación de modelos · 9 leccionesFundamentos del aprendizaje automático - UNIDAD 2 - Ingeniería de características y evaluación de modelos
UNIDAD 2 - Ingeniería de características y evaluación de modelos · 9 lecciones
Fundamentos del aprendizaje automático - UNIDAD 2 - Ingeniería de características y evaluación de modelos
- Día 1: Introducción a la ingeniería de funciones
- Día 2: Escalado y normalización de datos
- Día 3: Codificación de variables categóricas
- Día 4: Técnicas de selección de características
- Día 5: Crear y transformar características
- Día 6: Técnicas de evaluación de modelos
- Día 7: Validación cruzada y ajuste de hiperparámetros
- Evaluación del rendimiento de los modelos: métricas para la regresión y la clasificación
- Ingeniería de características y evaluación de modelos: valoración
UNIDAD 3 - Machine Learning Algorithms and Implementations · 33 leccionesFundamentos del aprendizaje automático - UNIDAD 3 - Machine Learning Algorithms and Implementations
UNIDAD 3 - Machine Learning Algorithms and Implementations · 33 lecciones
Fundamentos del aprendizaje automático - UNIDAD 3 - Machine Learning Algorithms and Implementations
- Introducción a los algoritmos de aprendizaje automático
- Implementación de la regresión lineal en Python
- Ridge and Lasso Regression Implementation in Python
- Polynomial Regression Implementation in Python
- Implementación de la regresión logística en Python
- K-Nearest Neighbors (KNN) Implementation in Python
- Support Vector Machines (SVM) Implementation in Python
- Decision Trees Implementation in Python
- Random Forests Implementation in Python
- Gradient Boosting Implementation in Python
- Implementación de Naive Bayes en Python
- K-Means Clustering Implementation in Python
- Hierarchical Clustering Implementation in Python
- DBSCAN Implementation in Python
- Gaussian Mixture Models Implementation in Python
- Principal Component Analysis (PCA) Implementation in Python
- t-SNE Implementation in Python
- Implementación de autocodificadores en Python
- Autoformación en Python
- Implementación de Q-Learning en Python
- Implementación de redes Q profundas (DQN) en Python
- Policy Gradient Methods Implementation in Python
- One-Class SVM Implementation in Python
- Isolation Forest Implementation in Python
- Convolutional Neural Networks (CNNs) Implementation in Python
- Recurrent Neural Networks (RNNs) Implementation in Python
- Long Short-Term Memory (LSTM) Implementation in Python
- Transformers Implementation in Python
- Algoritmos esenciales de aprendizaje automático: análisis de casos prácticos
- Conclusion to the Course 'Machine Learning Foundations'
- Algoritmos e implementaciones de aprendizaje automático - Evaluación
- Evaluación práctica del curso completo
- Evaluación completa del curso
UNIDAD 4 - Algoritmos avanzados de aprendizaje automático · 10 leccionesAprendizaje profundo y técnicas avanzadas - UNIDAD 4 - Algoritmos avanzados de aprendizaje automático
UNIDAD 4 - Algoritmos avanzados de aprendizaje automático · 10 lecciones
Aprendizaje profundo y técnicas avanzadas - UNIDAD 4 - Algoritmos avanzados de aprendizaje automático
- Introducción al curso "Aprendizaje profundo y técnicas avanzadas
- Día 1: Introducción al aprendizaje por conjuntos
- Día 2: Bagging y bosques aleatorios
- Día 3: Refuerzo y refuerzo de gradiente
- Día 4: Introducción a XGBoost
- Día 5: LightGBM y CatBoost
- Día 6: Tratamiento de datos desequilibrados
- Día 7: Proyecto de aprendizaje por conjuntos - Comparación de modelos en un conjunto de datos real
- Comparing Ensemble Learning Models on Real-World Data
- Algoritmos avanzados de Aprendizaje automático - Evaluación
UNIDAD 5 - Fundamentos de redes neuronales y aprendizaje profundo · 9 leccionesAprendizaje profundo y técnicas avanzadas - UNIDAD 5 - Fundamentos de redes neuronales y aprendizaje profundo
UNIDAD 5 - Fundamentos de redes neuronales y aprendizaje profundo · 9 lecciones
Aprendizaje profundo y técnicas avanzadas - UNIDAD 5 - Fundamentos de redes neuronales y aprendizaje profundo
- Día 1: Introducción al aprendizaje profundo y las redes neuronales
- Día 2: Propagación hacia delante y funciones de activación
- Día 3: Funciones de pérdida y retropropagación
- Día 4: Descenso gradiente y técnicas de optimización
- Día 5: Creación de redes neuronales con TensorFlow y Keras
- Día 6: Creación de redes neuronales con PyTorch
- Día 7: Proyecto de red neuronal - Clasificación de imágenes en CIFAR-10
- Fundamentos de Aprendizaje profundo y Redes neuronales
- Fundamentos de redes neuronales y aprendizaje profundo - Evaluación
UNIDAD 6 - Introducción al aprendizaje de PyTorch · 23 leccionesAprendizaje profundo y técnicas avanzadas - UNIDAD 6 - Introducción al aprendizaje de PyTorch
UNIDAD 6 - Introducción al aprendizaje de PyTorch · 23 lecciones
Aprendizaje profundo y técnicas avanzadas - UNIDAD 6 - Introducción al aprendizaje de PyTorch
- Introducción
- Introducción a PyTorch
- Primeros pasos con PyTorch
- Trabajar con Tensores
- Autograd y gráficos de cálculo dinámico
- Construcción de redes neuronales sencillas
- Carga y preprocesamiento de datos
- Evaluación y validación del modelo
- Arquitecturas avanzadas de redes neuronales
- Aprendizaje por transferencia y ajuste fino
- Tratamiento de datos complejos
- Despliegue y producción de modelos
- Depuración y resolución de problemas
- Formación distribuida y optimización del rendimiento
- Capas personalizadas y funciones de pérdida
- Técnicas orientadas a la investigación
- Integración con otras bibliotecas
- Contribución a PyTorch y participación de la comunidad
- Introducción a PyTorch: Fundamentos y primeros pasos
- Conclusión del curso "Aprendizaje profundo y técnicas avanzadas
- Introducción al aprendizaje de PyTorch - Evaluación
- Evaluación práctica del curso completo
- Evaluación completa del curso
UNIDAD 7 - Introducción al aprendizaje automático y TensorFlow · 52 leccionesIngeniería e implantación de IA - UNIDAD 7 - Introducción al aprendizaje automático y TensorFlow
UNIDAD 7 - Introducción al aprendizaje automático y TensorFlow · 52 lecciones
Ingeniería e implantación de IA - UNIDAD 7 - Introducción al aprendizaje automático y TensorFlow
- Introducción al curso "Ingeniería e implantación de la IA
- ¿Qué es el aprendizaje automático?
- Introducción a TensorFlow
- TensorFlow frente a otros marcos de aprendizaje automático
- Instalación de TensorFlow
- Configuración de su entorno de desarrollo
- Verificación de la instalación
- Introducción a los tensores
- Operaciones tensoriales
- Constantes, variables y marcadores de posición
- Gráfico computacional TensorFlow
- Creación y ejecución de una sesión de TensorFlow
- Gestión de gráficos y sesiones
- Construcción de una red neuronal simple
- Funciones de activación
- Funciones de pérdida y optimizadores
- Introducción a la API Keras
- Creación de modelos complejos con Keras
- Formación y evaluación de modelos
- Introducción a las CNN
- Construir y entrenar CNNs con TensorFlow
- Aprendizaje por transferencia con CNN preentrenadas
- Introducción a las RNN
- Construir y entrenar RNNs con TensorFlow
- Aplicaciones de las RNN: Modelización lingüística, predicción de series temporales
- Guardar y cargar modelos
- TensorFlow Serving para el despliegue de modelos
- TensorFlow Lite para dispositivos móviles e integrados
- Introducción a la computación distribuida con TensorFlow
- Marco de ejecución distribuida de TensorFlow
- Escalado de TensorFlow con TensorFlow Serving y Kubernetes
- Introducción al TFX
- Creación de canalizaciones ML integrales con TFX
- Validación, transformación y servicio de modelos con TFX
- Clasificación de imágenes
- Procesamiento del lenguaje natural
- Sistemas de recomendación
- Detección de objetos
- Creación de un modelo de análisis de sentimiento
- Creación de un sistema de reconocimiento de imágenes
- Desarrollo de un modelo de predicción de series temporales
- Implantación de un chatbot
- Redes generativas adversariales (GAN)
- Aprendizaje por refuerzo con TensorFlow
- Aprendizaje automático cuántico con TensorFlow Quantum
- Documentación y tutoriales de TensorFlow
- Cursos y libros en línea
- Comunidad y foros de TensorFlow
- Resumen de conceptos clave
- Próximos pasos en su viaje a TensorFlow
- Creación de un modelo de análisis de sentimientos con TensorFlow
- Introducción al Aprendizaje Automático y TensorFlow - Evaluación
UNIDAD 8 - Agentes de IA para principiantes · 25 leccionesIngeniería e implantación de IA - UNIDAD 8 - Agentes de IA para principiantes
UNIDAD 8 - Agentes de IA para principiantes · 25 lecciones
Ingeniería e implantación de IA - UNIDAD 8 - Agentes de IA para principiantes
- Entender los agentes de IA - Cómo funcionan los agentes de IA
- Introducción a los agentes de IA
- Tipos de agentes de IA
- Tecnologías detrás de los agentes de IA - Aprendizaje automático y agentes de IA
- Procesamiento del lenguaje natural en agentes de IA
- Agentes de IA en robótica
- Marcos y arquitecturas de agentes de IA - Marcos de desarrollo de agentes de IA
- Visión general de AutoGPT para agentes de IA
- Marco IBM Bee para agentes de IA
- LangGraph para agentes de IA con estado
- CrewAI para agentes de IA colaborativos
- Aplicaciones de los agentes de IA - Agentes de IA en operaciones empresariales
- Agentes de IA en la sanidad
- Agentes de IA en sistemas financieros
- Agentes de IA en el entretenimiento
- Agentes de IA en hogares inteligentes e IoT
- Tendencias futuras e implicaciones éticas - El futuro de los agentes de IA
- Ética en el desarrollo de agentes de IA
- Retos jurídicos y normativos para los agentes de IA
- Impacto más amplio de los agentes de IA - Impacto social y económico de los agentes de IA
- Agentes de IA y colaboración humana
- El papel de los agentes de IA en la investigación científica
- Agentes de IA en seguridad pública y defensa nacional
- Tipos de agentes de IA: reactivos, deliberativos, híbridos y de aprendizaje
- Agentes de IA para principiantes - Evaluación
UNIDAD 9 - Enhorabuena · 4 leccionesIngeniería e implantación de IA - UNIDAD 9 - Enhorabuena
UNIDAD 9 - Enhorabuena · 4 lecciones
Ingeniería e implantación de IA - UNIDAD 9 - Enhorabuena
- Enhorabuena y mucha suerte
- Conclusión del curso "Ingeniería e implantación de la IA
- 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
9 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
13 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.
- 9 unidades · 167 lecciones · 144 h
- 12 meses de acceso
- 13 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.
