Ingeniería de IA
Certificado profesional de 6 cursos para dominar deep learning con Keras/TensorFlow y PyTorch, y fundamentos de LLMs y GenAI.
Certificado con validez SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 222 h
100% autodidacta
66 unidades
Nivel intermedio
Modalidad
Así estudias: curso autodidacta
- Autodidacta y 100% en línea: contenido disponible 24/7.
- Avanzas a tu ritmo: la plataforma guarda tu progreso.
- Sin tutor ni clases en vivo: el curso está diseñado para estudiarse por tu cuenta.
- Te evalúas con actividades automáticas, sin entregas a un tutor.
Qué aprenderás
Lo que serás capaz de hacer
Aprenderás a diseñar, entrenar y evaluar modelos de aprendizaje profundo con Keras, TensorFlow y PyTorch. También explorarás visión por computadora, procesamiento de lenguaje natural, LLMs y aplicaciones de IA generativa.
- Construir modelos de regresión, clasificación y redes neuronales con Keras y PyTorch.
- Desarrollar soluciones de visión por computadora con redes convolucionales y vision transformers.
- Aplicar arquitecturas generativas, transformers y LLMs para tareas de NLP.
- Realizar ajuste fino eficiente de LLMs y crear aplicaciones con RAG, LangChain, Gradio y bases de datos vectoriales.
Habilidades que desarrollarás
Aprendizaje no supervisado
Supervised Learning
Model Evaluation
Regression Analysis
Scikit Learn (Machine Learning Library)
Machine Learning Methods
Applied Machine Learning
Model Training
Predictive Modeling
Machine Learning Algorithms
Statistical Methods
Aprendizaje automático
Temario
UNIDAD 1 - Introducción al aprendizaje automático · 17 leccionesAprendizaje automático con Python - UNIDAD 1 - Introducción al aprendizaje automático
UNIDAD 1 - Introducción al aprendizaje automático · 17 lecciones
Aprendizaje automático con Python - UNIDAD 1 - Introducción al aprendizaje automático
- Introducción al curso
- Resumen del curso
- Visión general del PC de ingeniería de IA de IBM
- Consejos útiles para completar el curso
- Conecte sus habilidades pasadas con su futuro en ML
- Una visión general del Aprendizaje automático
- Ciclo de vida del modelo de aprendizaje automático
- Cuestionario práctico: Exploración de conceptos de aprendizaje automático
- Un día en la vida de un ingeniero de aprendizaje automático
- Científico de datos vs. Ingeniero de IA
- Cuestionario práctico: Comprender las diferencias entre la ingeniería de ML y la IA
- Herramientas para el aprendizaje automático
- Ecosistema de Aprendizaje automático Scikit-learn
- Cuestionario práctico: Herramientas y ecosistemas esenciales para el ML
- Resumen y aspectos destacados del módulo 1
- Conectando los puntos: Prepárese para su evaluación
- Cuestionario graduado: Introducción al Aprendizaje automático
UNIDAD 2 - Regresión lineal y logística · 14 leccionesAprendizaje automático con Python - UNIDAD 2 - Regresión lineal y logística
UNIDAD 2 - Regresión lineal y logística · 14 lecciones
Aprendizaje automático con Python - UNIDAD 2 - Regresión lineal y logística
- Introducción a la regresión
- Introducción a la regresión lineal simple
- Laboratorio: Regresión lineal simple
- Introducción a la regresión lineal múltiple
- Laboratorio: Regresión lineal múltiple
- Regresión polinómica y no lineal
- Prueba de práctica: Regresión lineal
- Introducción a la regresión logística
- Entrenamiento de un modelo de regresión logística
- Laboratorio Regresión logística
- Prueba de práctica: Regresión logística
- Resumen y aspectos destacados del Módulo 2
- Hoja de trucos: Regresión lineal y regresión logística
- Cuestionario graduado: Regresión lineal y logística
UNIDAD 3 - Construcción de modelos de Aprendizaje supervisado · 18 leccionesAprendizaje automático con Python - UNIDAD 3 - Construcción de modelos de Aprendizaje supervisado
UNIDAD 3 - Construcción de modelos de Aprendizaje supervisado · 18 lecciones
Aprendizaje automático con Python - UNIDAD 3 - Construcción de modelos de Aprendizaje supervisado
- Clasificación
- Laboratorio Clasificación multiclase
- Árboles de decisión
- Laboratorio Árboles de decisión
- Árboles de regresión
- Errata: Vídeo sobre árboles de regresión
- Laboratorio Árboles de regresión
- Cuestionario práctico: Clasificación y Regresión
- Aprendizaje supervisado con SVM
- Laboratorio: Detección de fraudes con tarjetas de crédito mediante árboles de decisiones y SVM
- Aprendizaje supervisado con KNN
- Laboratorio Clasificador K vecinos más cercanos
- Sesgo, varianza y modelos ensemble
- Laboratorio: Random Forest y XGBoost
- Cuestionario práctico: Otros modelos de Aprendizaje supervisado
- Resumen y aspectos destacados del Módulo 3
- Hoja de trucos: Construcción de modelos de Aprendizaje supervisado
- Cuestionario graduado: Construcción de modelos de Aprendizaje supervisado
UNIDAD 4 - Construcción de modelos de Aprendizaje no supervisado · 14 leccionesAprendizaje automático con Python - UNIDAD 4 - Construcción de modelos de Aprendizaje no supervisado
UNIDAD 4 - Construcción de modelos de Aprendizaje no supervisado · 14 lecciones
Aprendizaje automático con Python - UNIDAD 4 - Construcción de modelos de Aprendizaje no supervisado
- Estrategias de agrupación y aplicaciones reales
- K-means y más sobre K-means
- Laboratorio K-Means
- Agrupación DBSCAN y HDBSCAN
- Laboratorio: Comparación de DBSCAN y HDBSCAN
- Cuestionario práctico: Agrupación
- Agrupación, reducción de dimensiones e ingeniería de características
- Algoritmos de reducción dimensional
- Laboratorio: Aplicaciones del Análisis de componentes principales (PCA)
- Laboratorio: t-SNE y UMAP
- Cuestionario práctico: Reducción de dimensiones e Ingeniería de características
- Resumen y aspectos destacados del módulo 4
- Hoja de trucos: Creación de modelos de aprendizaje no supervisado
- Cuestionario graduado: Construcción de modelos de Aprendizaje no supervisado
UNIDAD 5 - Evaluación y validación de modelos de aprendizaje automático · 16 leccionesAprendizaje automático con Python - UNIDAD 5 - Evaluación y validación de modelos de aprendizaje automático
UNIDAD 5 - Evaluación y validación de modelos de aprendizaje automático · 16 lecciones
Aprendizaje automático con Python - UNIDAD 5 - Evaluación y validación de modelos de aprendizaje automático
- Métricas de clasificación y técnicas de evaluación
- Práctica: Evaluación de modelos de clasificación
- Métricas de regresión y técnicas de evaluación
- Práctica: Evaluación del rendimiento de Random Forest
- Evaluación de modelos de aprendizaje no supervisado: heurísticas y técnicas
- Práctica: Evaluación del método de agrupamiento K-means
- Prueba de práctica: Evaluación de modelos de aprendizaje automático
- Validación cruzada y técnicas avanzadas de validación de modelos
- Regularización en regresión y clasificación
- Práctica: Regularización en la regresión lineal
- Fugas de datos y otros riesgos
- Práctica: Pipelines de aprendizaje automático y GridSearchCV
- Cuestionario práctico: buenas prácticas para garantizar la generalizabilidad de los modelos
- Resumen y aspectos destacados del módulo 5
- Hoja de trucos: Evaluación y validación de modelos de Aprendizaje automático
- Cuestionario graduado: Evaluación y validación de modelos de Aprendizaje automático
UNIDAD 6 - Proyecto final y examen · 8 leccionesAprendizaje automático con Python - UNIDAD 6 - Proyecto final y examen
UNIDAD 6 - Proyecto final y examen · 8 lecciones
Aprendizaje automático con Python - UNIDAD 6 - Proyecto final y examen
- Proyecto práctico: Predicción de supervivencia en el Titanic
- Escenario del proyecto final
- Proyecto final: Construcción de un clasificador de predicción de precipitaciones
- Presentación y evaluación del proyecto final
- Resumen del curso
- Examen final
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
UNIDAD 7 - Introducción al aprendizaje profundo y las redes neuronales · 10 leccionesIntroducción al aprendizaje profundo y las redes neuronales con Keras - UNIDAD 7 - Introducción al aprendizaje profundo y las redes neuronales
UNIDAD 7 - Introducción al aprendizaje profundo y las redes neuronales · 10 lecciones
Introducción al aprendizaje profundo y las redes neuronales con Keras - UNIDAD 7 - Introducción al aprendizaje profundo y las redes neuronales
- Introducción al curso
- Resumen del curso
- Consejos útiles para completar el curso
- Introducción al aprendizaje profundo
- Neuronas y redes neuronales
- Redes neuronales artificiales
- Redes neuronales artificiales - Propagación hacia delante
- Cuestionario práctico: Introducción a las redes neuronales y el aprendizaje profundo
- Resumen del módulo: Introducción a las redes neuronales y el aprendizaje profundo
- Módulo 1 Cuestionario graduado: Introducción a las redes neuronales y el aprendizaje profundo
UNIDAD 8 - Conceptos básicos del Aprendizaje profundo · 9 leccionesIntroducción al aprendizaje profundo y las redes neuronales con Keras - UNIDAD 8 - Conceptos básicos del Aprendizaje profundo
UNIDAD 8 - Conceptos básicos del Aprendizaje profundo · 9 lecciones
Introducción al aprendizaje profundo y las redes neuronales con Keras - UNIDAD 8 - Conceptos básicos del Aprendizaje profundo
- Descenso gradual
- Retropropagación
- Laboratorio Backpropagation
- Gradiente evanescente
- Funciones de activación
- Laboratorio: Gradiente de fuga y funciones de activación
- Cuestionario práctico: Fundamentos del Aprendizaje profundo
- Resumen del módulo 2: Conceptos básicos del Aprendizaje profundo
- Módulo 2 Cuestionario graduado: Fundamentos del Aprendizaje profundo
UNIDAD 9 - Keras y bibliotecas de aprendizaje profundo · 8 leccionesIntroducción al aprendizaje profundo y las redes neuronales con Keras - UNIDAD 9 - Keras y bibliotecas de aprendizaje profundo
UNIDAD 9 - Keras y bibliotecas de aprendizaje profundo · 8 lecciones
Introducción al aprendizaje profundo y las redes neuronales con Keras - UNIDAD 9 - Keras y bibliotecas de aprendizaje profundo
- Bibliotecas de aprendizaje profundo
- Modelos de regresión con Keras
- Modelos de regresión con Keras
- Modelos de clasificación con Keras
- Clasificación con Keras
- Cuestionario práctico: Modelado con Keras
- Resumen del módulo 3: Keras y bibliotecas de aprendizaje profundo
- Módulo 3 Cuestionario Graduado: Keras y Librerías de Aprendizaje profundo
UNIDAD 10 - Modelos de aprendizaje profundo · 11 leccionesIntroducción al aprendizaje profundo y las redes neuronales con Keras - UNIDAD 10 - Modelos de aprendizaje profundo
UNIDAD 10 - Modelos de aprendizaje profundo · 11 lecciones
Introducción al aprendizaje profundo y las redes neuronales con Keras - UNIDAD 10 - Modelos de aprendizaje profundo
- Redes neuronales superficiales frente a profundas
- Redes neuronales convolucionales
- Redes neuronales convolucionales con Keras
- Redes neuronales recurrentes
- Transformers
- Laboratorio: Transformadores con Keras
- Autocodificadores
- Uso de modelos preentrenados
- Cuestionario práctico: Redes neuronales supervisadas y no supervisadas
- Resumen del módulo 4: Modelos de aprendizaje profundo
- Módulo 4 Cuestionario graduado: Modelos de Aprendizaje profundo
UNIDAD 11 - Proyecto final y recapitulación del curso · 5 leccionesIntroducción al aprendizaje profundo y las redes neuronales con Keras - UNIDAD 11 - Proyecto final y recapitulación del curso
UNIDAD 11 - Proyecto final y recapitulación del curso · 5 lecciones
Introducción al aprendizaje profundo y las redes neuronales con Keras - UNIDAD 11 - Proyecto final y recapitulación del curso
- Proyecto final: Clasificación y subtitulación
- Presentación y evaluación del proyecto final
- Resumen del curso
- Felicitaciones y próximos pasos
- Equipo y agradecimientos
UNIDAD 12 - Funcionalidades avanzadas de Keras · 14 leccionesAprendizaje profundo con Keras y Tensorflow - UNIDAD 12 - Funcionalidades avanzadas de Keras
UNIDAD 12 - Funcionalidades avanzadas de Keras · 14 lecciones
Aprendizaje profundo con Keras y Tensorflow - UNIDAD 12 - Funcionalidades avanzadas de Keras
- Introducción al curso
- Resumen del curso
- Consejos útiles para completar el curso
- Introducción a Keras avanzado
- API funcional de Keras y API de subclases
- Laboratorio: Implementación de la API funcional en Keras
- Cuestionario práctico: API Funcional Avanzada de Keras
- Creación de capas personalizadas en Keras
- Visión general de TensorFlow 2.x
- Laboratorio: Creación de capas y modelos personalizados
- Cuestionario de Práctica: Capas personalizadas con Keras
- Resumen y aspectos destacados: Funcionalidades avanzadas de Keras
- Glosario: Funcionalidades avanzadas de Keras
- Cuestionario graduado: Funcionalidades avanzadas de Keras
UNIDAD 13 - CNN avanzadas en Keras · 16 leccionesAprendizaje profundo con Keras y Tensorflow - UNIDAD 13 - CNN avanzadas en Keras
UNIDAD 13 - CNN avanzadas en Keras · 16 lecciones
Aprendizaje profundo con Keras y Tensorflow - UNIDAD 13 - CNN avanzadas en Keras
- CNN avanzadas en Keras
- Técnicas de Aumento de datos
- Aumento de datos avanzado con Keras
- Cuestionario práctico: CNN avanzadas y Aumento de datos
- Aprendizaje por transferencia en Keras
- Uso de modelos preentrenados
- Laboratorio: Aprendizaje por transferencia
- TensorFlow para el procesamiento de imágenes
- Lectura: Consejos para la aplicación del Aprendizaje por transferencia
- Cuestionario práctico: Aprendizaje por transferencia en modelos preentrenados y procesamiento de imágenes
- Convolución transpuesta
- Laboratorio: Aplicación práctica de la convolución transpuesta
- Práctica: Introducción a la convolución transpuesta
- Resumen y aspectos destacados: CNN avanzadas en Keras
- Glosario: CNN avanzadas en Keras
- Cuestionario graduado: CNN avanzadas en Keras
UNIDAD 14 - Transformadores en Keras · 12 leccionesAprendizaje profundo con Keras y Tensorflow - UNIDAD 14 - Transformadores en Keras
UNIDAD 14 - Transformadores en Keras · 12 lecciones
Aprendizaje profundo con Keras y Tensorflow - UNIDAD 14 - Transformadores en Keras
- Introducción a los Transformadores en Keras
- Creación de transformadores para datos secuenciales
- Laboratorio Construcción de transformadores avanzados
- Cuestionario práctico: Transformadores en Keras
- Aplicaciones avanzadas de transformadores
- Transformadores para la predicción de series temporales
- TensorFlow para datos secuenciales
- Laboratorio: Implementación de transformadores para la generación de texto
- Cuestionario de Práctica: Transformadores Avanzados y Datos Secuenciales usando TensorFlow
- Resumen y aspectos destacados: Transformadores en Keras
- Glosario: Transformadores en Keras
- Cuestionario graduado: Transformadores en Keras
UNIDAD 15 - Aprendizaje no supervisado y modelos generativos en Keras · 13 leccionesAprendizaje profundo con Keras y Tensorflow - UNIDAD 15 - Aprendizaje no supervisado y modelos generativos en Keras
UNIDAD 15 - Aprendizaje no supervisado y modelos generativos en Keras · 13 lecciones
Aprendizaje profundo con Keras y Tensorflow - UNIDAD 15 - Aprendizaje no supervisado y modelos generativos en Keras
- Introducción al aprendizaje no supervisado en Keras
- Construyendo Autoencoders en Keras
- Laboratorio: Construcción de autocodificadores
- Modelos de difusión
- Laboratorio Aplicación de modelos de difusión
- Cuestionario práctico: Aprendizaje no supervisado, autocodificadores y modelos de difusión
- Redes generativas adversariales (GAN)
- TensorFlow para el aprendizaje no supervisado
- Laboratorio: Desarrollar GANs usando Keras
- Cuestionario práctico: GANs y TensorFlow
- Resumen y aspectos destacados: Aprendizaje no supervisado y modelos generativos en Keras
- Glosario: Aprendizaje no supervisado y modelos generativos en Keras
- Cuestionario graduado: Aprendizaje no supervisado y Modelos generativos en Keras
UNIDAD 16 - Técnicas avanzadas de Keras · 12 leccionesAprendizaje profundo con Keras y Tensorflow - UNIDAD 16 - Técnicas avanzadas de Keras
UNIDAD 16 - Técnicas avanzadas de Keras · 12 lecciones
Aprendizaje profundo con Keras y Tensorflow - UNIDAD 16 - Técnicas avanzadas de Keras
- Técnicas avanzadas de Keras
- Bucles de entrenamiento personalizados en Keras
- Laboratorio: Bucles de entrenamiento personalizados en Keras
- Cuestionario de Práctica: Técnicas avanzadas de Keras y bucles de entrenamiento personalizados
- Ajuste de hiperparámetros con Keras Tuner
- Laboratorio: Ajuste de hiperparámetros con Keras Tuner
- Optimización de modelos
- TensorFlow para la optimización de modelos
- Práctica: Optimización de hiperparámetros y modelos
- Resumen y aspectos destacados: Técnicas avanzadas de Keras
- Glosario: Técnicas avanzadas de Keras
- Técnicas avanzadas de Keras
UNIDAD 17 - Introducción al Aprendizaje de refuerzo con Keras · 9 leccionesAprendizaje profundo con Keras y Tensorflow - UNIDAD 17 - Introducción al Aprendizaje de refuerzo con Keras
UNIDAD 17 - Introducción al Aprendizaje de refuerzo con Keras · 9 lecciones
Aprendizaje profundo con Keras y Tensorflow - UNIDAD 17 - Introducción al Aprendizaje de refuerzo con Keras
- Aprendizaje por refuerzo (RL)
- Aprendizaje Q con Keras
- Laboratorio: Implementación de Q-Learning en Keras
- Redes Q profundas (DQN) con Keras
- Laboratorio: Creación de una red Q profunda con Keras
- Cuestionario práctico: Aprendizaje de refuerzo, Q-Learning, Q-Networks (DQNs)
- Resumen y aspectos destacados: Introducción al Aprendizaje de refuerzo con Keras
- Glosario: Introducción al Aprendizaje de Refuerzo con Keras
- Cuestionario graduado: Introducción al Aprendizaje de refuerzo con Keras
UNIDAD 18 - Presentación del proyecto final · 10 leccionesAprendizaje profundo con Keras y Tensorflow - UNIDAD 18 - Presentación del proyecto final
UNIDAD 18 - Presentación del proyecto final · 10 lecciones
Aprendizaje profundo con Keras y Tensorflow - UNIDAD 18 - Presentación del proyecto final
- Resumen del proyecto de prácticas: Clasificación de frutas mediante Aprendizaje por transferencia
- Proyecto práctico: Clasificación de frutas mediante Aprendizaje por transferencia
- Resumen del proyecto final
- Lectura: Directrices y entregables para la presentación del proyecto final
- Proyecto Final: Clasificación de residuos mediante Aprendizaje por transferencia
- Opción 1: AI Graded - Proyecto final: Presentación y evaluación
- Opción 2: Calificación por pares - Presentación y evaluación del proyecto final
- Resumen del curso
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
UNIDAD 19 - Explorar los tensores · 19 leccionesIntroducción a las redes neuronales y PyTorch - UNIDAD 19 - Explorar los tensores
UNIDAD 19 - Explorar los tensores · 19 lecciones
Introducción a las redes neuronales y PyTorch - UNIDAD 19 - Explorar los tensores
- Introducción al curso
- Resumen del curso
- Lectura: Consejos útiles para completar el curso
- Introducción a las redes neuronales modernas
- Introducción a las matrices y vectores
- Introducción a Tensores y Conjuntos de Datos en PyTorch
- Conceptos básicos de PyTorch Tensors
- Comprender los Tensores 1D en PyTorch
- Operaciones comunes en Tensores 1D usando PyTorch
- Laboratorio: Comprensión de los tensores 1D en PyTorch
- Cuestionario de Práctica: Tensores unidimensionales
- Introducción a los Tensores 2D en PyTorch
- operaciones con Tensores 2D en PyTorch
- Laboratorio: Tensores bidimensionales
- Diferenciación en PyTorch
- Laboratorio Diferenciación en PyTorch
- Cuestionario práctico: Tensores bidimensionales
- Podcast: Resumen y aspectos destacados: Tensores
- Cuestionario graduado: Tensores
UNIDAD 20 - Creación de conjuntos de datos en PyTorch · 7 leccionesIntroducción a las redes neuronales y PyTorch - UNIDAD 20 - Creación de conjuntos de datos en PyTorch
UNIDAD 20 - Creación de conjuntos de datos en PyTorch · 7 lecciones
Introducción a las redes neuronales y PyTorch - UNIDAD 20 - Creación de conjuntos de datos en PyTorch
- Creación de conjuntos de datos sencillos en PyTorch
- Laboratorio Conjunto de datos simple
- Creación de conjuntos de datos de imágenes en PyTorch
- Laboratorio Conjuntos de datos de Torch Vision
- Cuestionario práctico: Conjuntos de datos
- Podcast: Resumen y aspectos destacados: Conjuntos de datos
- Cuestionario graduado: Conjuntos de datos
UNIDAD 21 - Aplicación de la regresión lineal y el descenso gradiente · 16 leccionesIntroducción a las redes neuronales y PyTorch - UNIDAD 21 - Aplicación de la regresión lineal y el descenso gradiente
UNIDAD 21 - Aplicación de la regresión lineal y el descenso gradiente · 16 lecciones
Introducción a las redes neuronales y PyTorch - UNIDAD 21 - Aplicación de la regresión lineal y el descenso gradiente
- Regresión lineal en PyTorch
- Laboratorio: Regresión lineal 1D: Predicción
- Predicción por regresión lineal
- Lectura: Mejores prácticas para entrenar modelos de regresión lineal en PyTorch
- Entrenamiento de modelos de regresión lineal
- Funciones de pérdida
- Cuestionario de Práctica: Predicción y entrenamiento de regresión lineal
- Conceptos básicos del descenso de gradiente
- Lectura: Tipos de descenso gradiente
- Funciones de coste y descenso gradual por lotes
- Lectura: Funciones de costes
- Pendiente y sesgo del entrenamiento de regresión lineal de PyTorch
- Regresión lineal de laboratorio: Predicción
- Cuestionario práctico: Descenso Gradiente
- Podcast: Resumen y aspectos destacados: Regresión lineal y descenso gradiente
- Cuestionario graduado: Regresión lineal y descenso gradiente
UNIDAD 22 - Entrenamiento de modelos de regresión lineal con PyTorch · 12 leccionesIntroducción a las redes neuronales y PyTorch - UNIDAD 22 - Entrenamiento de modelos de regresión lineal con PyTorch
UNIDAD 22 - Entrenamiento de modelos de regresión lineal con PyTorch · 12 lecciones
Introducción a las redes neuronales y PyTorch - UNIDAD 22 - Entrenamiento de modelos de regresión lineal con PyTorch
- Descenso Gradiente Estocástico
- Laboratorio: Descenso gradiente estocástico y cargador de datos
- Mini-lote de descenso gradual
- Mini-lote de descenso gradual
- Optimización en PyTorch
- Laboratorio: Optimización en PyTorch
- Formación, validación y prueba
- Partición de entrenamiento, validación y prueba en PyTorch
- Laboratorio: Formación, validación y prueba de división en PyTorch
- Cuestionario práctico: Métodos de Descenso Gradiente y Flujos de Trabajo de Entrenamiento en PyTorch
- Resumen y aspectos destacados: Regresión lineal al estilo PyTorch
- Cuestionario graduado: Regresión Lineal PyTorch Way
UNIDAD 23 - Extensión de la regresión lineal a múltiples entradas y salidas · 12 leccionesIntroducción a las redes neuronales y PyTorch - UNIDAD 23 - Extensión de la regresión lineal a múltiples entradas y salidas
UNIDAD 23 - Extensión de la regresión lineal a múltiples entradas y salidas · 12 lecciones
Introducción a las redes neuronales y PyTorch - UNIDAD 23 - Extensión de la regresión lineal a múltiples entradas y salidas
- Entrenamiento en regresión lineal múltiple
- Laboratorio: Entrenamiento en regresión lineal múltiple
- Predicción por regresión lineal múltiple
- Laboratorio: Predicción de regresión lineal múltiple
- Regresión lineal Salidas múltiples
- Laboratorio: Regresión lineal con salidas múltiples
- Vídeo: Entrenamiento de regresión lineal con múltiples salidas
- Laboratorio: Entrenamiento de regresión lineal con salidas múltiples
- Tendencias actuales en PyTorch
- Cuestionario práctico: Regresión Lineal Múltiple Input-Output
- Resumen y aspectos destacados: Regresión lineal múltiple insumo-producto
- Cuestionario graduado: Regresión lineal de múltiples entradas y salidas
UNIDAD 24 - Aplicación de la regresión logística a la clasificación · 15 leccionesIntroducción a las redes neuronales y PyTorch - UNIDAD 24 - Aplicación de la regresión logística a la clasificación
UNIDAD 24 - Aplicación de la regresión logística a la clasificación · 15 lecciones
Introducción a las redes neuronales y PyTorch - UNIDAD 24 - Aplicación de la regresión logística a la clasificación
- Introducción a los clasificadores lineales
- Función sigmoidea y umbral de probabilidad
- Regresión logística Predicción
- Regresión logística Predicción
- Cuestionario práctico: Regresión logística para la clasificación
- Distribución Bernoulli y estimación de máxima verosimilitud
- Vídeo: Pérdida de entropía cruzada en regresión logística
- Aplicación de la pérdida de entropía cruzada en la regresión logística de PyTorch
- Laboratorio: Regresión logística Error cuadrático medio
- Laboratorio Regresión logística Entropía cruzada
- Técnicas avanzadas de optimización y formación
- Regularización y generalización
- Cuestionario práctico: Regresión logística y entropía cruzada
- Resumen y aspectos destacados: Regresión logística para la clasificación
- Cuestionario graduado: Regresión logística para la clasificación
UNIDAD 25 - Proyecto final, examen final y resumen del curso · 10 leccionesIntroducción a las redes neuronales y PyTorch - UNIDAD 25 - Proyecto final, examen final y resumen del curso
UNIDAD 25 - Proyecto final, examen final y resumen del curso · 10 lecciones
Introducción a las redes neuronales y PyTorch - UNIDAD 25 - Proyecto final, examen final y resumen del curso
- Proyecto de prácticas: Red neuronal para la clasificación del cáncer de mama
- Resumen del proyecto final
- Lectura: Directrices y entregables para la presentación del proyecto final
- Proyecto Final: Pronosticador de partidos de League of Legends
- Opción 1: AI Graded - Proyecto final: Presentación y evaluación
- Opción 2: Calificación por pares - Presentación y evaluación del proyecto final
- Examen final
- Podcast: Resumen del curso
- Felicitaciones y próximos pasos
- Equipo y agradecimientos
UNIDAD 26 - Módulo 1. Regresión logística Regresión logística Pérdida de entropía cruzada · 11 leccionesAprendizaje profundo con PyTorch - UNIDAD 26 - Módulo 1. Regresión logística Regresión logística Pérdida de entropía cruzada
UNIDAD 26 - Módulo 1. Regresión logística Regresión logística Pérdida de entropía cruzada · 11 lecciones
Aprendizaje profundo con PyTorch - UNIDAD 26 - Módulo 1. Regresión logística Regresión logística Pérdida de entropía cruzada
- Introducción al curso
- Resumen del curso
- Lectura: Consejos útiles para completar el curso
- Regresión logística Pérdida de entropía cruzada
- Optimización mediante pérdida de entropía cruzada
- Regresión logística con entropía cruzada en PyTorch
- Laboratorio: Regresión logística Error cuadrático medio
- Laboratorio Regresión logística Entropía cruzada
- Cuestionario práctico: Entrenamiento de regresión logística con pérdida de entropía cruzada
- Podcast: Resumen y aspectos destacados: Pérdida de entropía cruzada por regresión logística
- Cuestionario graduado: Regresión Logística Pérdida de Entropía Cruzada
UNIDAD 27 - Módulo 2: Construcción de modelos de regresión Softmax con funciones de activación · 12 leccionesAprendizaje profundo con PyTorch - UNIDAD 27 - Módulo 2: Construcción de modelos de regresión Softmax con funciones de activación
UNIDAD 27 - Módulo 2: Construcción de modelos de regresión Softmax con funciones de activación · 12 lecciones
Aprendizaje profundo con PyTorch - UNIDAD 27 - Módulo 2: Construcción de modelos de regresión Softmax con funciones de activación
- Introducción a la función Softmax
- Función Softmax: Uso de líneas para clasificar la predicción de datos
- Flujo de trabajo de clasificación Softmax en PyTorch
- Explicación de la clasificación multiclase con Softmax en PyTorch
- Clasificador Softmax 1
- Clasificación Softmax para MNIST en PyTorch
- Clasificador Softmax 2
- Funciones de activación
- Funciones de activación
- Práctica: Construcción de Modelos de Regresión Softmax con Funciones de Activación
- Podcast: Resumen y aspectos destacados: Creación de modelos de regresión Softmax con funciones de activación
- Cuestionario graduado: Construcción de Modelos de Regresión Softmax con Funciones de Activación
UNIDAD 28 - Módulo 3: Desarrollo de redes neuronales poco profundas · 14 leccionesAprendizaje profundo con PyTorch - UNIDAD 28 - Módulo 3: Desarrollo de redes neuronales poco profundas
UNIDAD 28 - Módulo 3: Desarrollo de redes neuronales poco profundas · 14 lecciones
Aprendizaje profundo con PyTorch - UNIDAD 28 - Módulo 3: Desarrollo de redes neuronales poco profundas
- Estructura de la red neuronal y capas ocultas
- Propagación hacia delante en las redes neuronales
- Redes neuronales en una dimensión
- Red neuronal con diferentes funciones de activación
- Más neuronas ocultas
- Más neuronas ocultas
- Redes neuronales con entrada multidimensional
- Red neuronal multidimensional
- Redes neuronales multiclase
- Redes neuronales multiclase con MNIST
- Retropropagación
- Cuestionario práctico: Redes neuronales superficiales
- Podcast: Redes neuronales superficiales
- Cuestionario graduado: Desarrollo de redes neuronales superficiales
UNIDAD 29 - Módulo 4: Optimización de redes profundas · 25 leccionesAprendizaje profundo con PyTorch - UNIDAD 29 - Módulo 4: Optimización de redes profundas
UNIDAD 29 - Módulo 4: Optimización de redes profundas · 25 lecciones
Aprendizaje profundo con PyTorch - UNIDAD 29 - Módulo 4: Optimización de redes profundas
- Redes neuronales profundas
- Redes neuronales profundas
- Redes neuronales más profundas: nn.ModuleList()
- Redes neuronales más profundas: nn.ModuleList()
- Cómo el abandono reduce el sobreajuste
- Uso del abandono en la regresión
- Uso del abandono en modelos PyTorch
- Uso del abandono para la clasificación
- Lectura: El papel del abandono en la regularización y la generalización de modelos
- Tendencias actuales en PyTorch
- Cuestionario práctico: Construcción de redes neuronales profundas
- Pesos de inicialización de la red neuronal
- Explicación de la inicialización de pesos y la estabilidad del gradiente en redes profundas
- Inicialización con los mismos pesos
- Prueba de Inicialización Predeterminada, Xavier y Uniforme en el conjunto de datos MNIST con Activación Tanh
- Prueba de Inicialización Predeterminada, He, y Uniforme en el Conjunto de Datos MNIST con Activación ReLU
- Descenso Gradiente con Momentum: Fallos de inicialización y gradientes evanescentes
- Descenso Gradiente con Momento: Métodos de inicialización de Xavier y He
- Momento con diferentes polinomios
- Redes neuronales con impulso
- Normalización por lotes
- Normalización por lotes con el conjunto de datos MNIST
- Cuestionario práctico: Pesos de Inicialización de Redes Neuronales
- Podcast: Resumen y aspectos destacados: Optimización de redes profundas
- Cuestionario graduado: Optimización de redes profundas
UNIDAD 30 - Módulo 5: Construcción de redes neuronales convolucionales · 19 leccionesAprendizaje profundo con PyTorch - UNIDAD 30 - Módulo 5: Construcción de redes neuronales convolucionales
UNIDAD 30 - Módulo 5: Construcción de redes neuronales convolucionales · 19 lecciones
Aprendizaje profundo con PyTorch - UNIDAD 30 - Módulo 5: Construcción de redes neuronales convolucionales
- Fundamentos de la convolución y mapas de activación
- Lectura: Stride, Padding y Convolución en PyTorch
- Laboratorio: Qué es la convolución
- Vídeo: Funciones de activación y Max Pooling
- Laboratorio: Función de activación y Max Pooling
- Múltiples canales de entrada y salida
- Múltiples canales de entrada y salida
- Red neuronal convolucional
- Red neuronal convolucional para MNIST
- Red neuronal convolucional Ejemplo sencillo
- Red neuronal convolucional MNIST
- Redes neuronales convolucionales con normalización por lotes
- Introducción a las redes residuales (ResNet)
- Lectura: ResNet18 y clasificación de imágenes
- Modelos TorchVision
- Unidad de procesamiento gráfico
- Cuestionario práctico: Construcción de redes neuronales convolucionales
- Podcast: Resumen y aspectos destacados: Creación de redes neuronales convolucionales
- Cuestionario graduado: Construcción de redes neuronales convolucionales
UNIDAD 31 - Módulo 6: Proyecto final y evaluación final · 9 leccionesAprendizaje profundo con PyTorch - UNIDAD 31 - Módulo 6: Proyecto final y evaluación final
UNIDAD 31 - Módulo 6: Proyecto final y evaluación final · 9 lecciones
Aprendizaje profundo con PyTorch - UNIDAD 31 - Módulo 6: Proyecto final y evaluación final
- Proyecto de prácticas: Red neuronal convolucional para la clasificación de imágenes de anime
- Lectura: Directrices y entregables para la presentación del proyecto final
- Proyecto Final: Clasificación MNIST de la moda
- Opción 1: AI Graded - Proyecto final: Presentación y evaluación
- Opción 2: Calificación por pares - Presentación y evaluación del proyecto final
- Examen final
- Resumen del curso
- Felicitaciones y próximos pasos
- Equipo y agradecimientos
UNIDAD 32 - Tratamiento de datos · 14 leccionesProyecto final de IA con aprendizaje profundo - UNIDAD 32 - Tratamiento de datos
UNIDAD 32 - Tratamiento de datos · 14 lecciones
Proyecto final de IA con aprendizaje profundo - UNIDAD 32 - Tratamiento de datos
- Introducción al curso
- Proyecto Capstone
- Visión general del proyecto Capstone
- Lectura: Visión general de la carga de datos
- Lectura: Resumen de la tarea: Comparación de la carga de datos basada en memoria frente a la basada en generador
- Laboratorio: Comparación de la carga de datos basada en memoria frente a la basada en generador
- Cuestionario graduado: Lista de control: Carga de datos
- Lectura: Resumen de la Asignación: Carga y Aumento de datos usando Keras
- Laboratorio: Carga y Aumento de datos usando Keras
- Cuestionario graduado: Lista de control: Carga y Aumento de datos usando Keras
- Lectura: Resumen de la Asignación: Carga y Aumento de datos usando PyTorch
- Laboratorio: Carga y Aumento de datos con PyTorch
- Cuestionario graduado: Lista de control: Carga y Aumento de datos con PyTorch
- Cuestionario graduado: Tratamiento de datos
UNIDAD 33 - Desarrollo de modelos de redes neuronales convolucionales · 13 leccionesProyecto final de IA con aprendizaje profundo - UNIDAD 33 - Desarrollo de modelos de redes neuronales convolucionales
UNIDAD 33 - Desarrollo de modelos de redes neuronales convolucionales · 13 lecciones
Proyecto final de IA con aprendizaje profundo - UNIDAD 33 - Desarrollo de modelos de redes neuronales convolucionales
- Lectura: Resumen de la asignación: Clasificador de tierras agrícolas
- Creación de un clasificador CNN
- Lectura: Resumen de la Asignación: Clasificador de tierras agrícolas basado en Keras
- Laboratorio: Entrenar y evaluar un clasificador basado en Keras
- Cuestionario graduado: Lista de control: Clasificador de tierras agrícolas basado en Keras
- Lectura: Resumen de la tarea: Clasificador de tierras agrícolas basado en PyTorch
- Laboratorio: Implementación y prueba de un clasificador basado en PyTorch
- Cuestionario graduado: Lista de control: Clasificador de tierras agrícolas basado en PyTorch
- Lectura: Assignment Overview: Análisis comparativo de modelos Keras y PyTorch
- Lectura: Análisis comparativo de los modelos de Keras y PyTorch
- Laboratorio: Análisis comparativo de modelos Keras y PyTorch
- Cuestionario graduado: Lista de control: Carga y evaluación del modelo preentrenado
- Cuestionario graduado: Desarrollo de la Red neuronal convolucional
UNIDAD 34 - CNN - Integración del transformador de visión · 12 leccionesProyecto final de IA con aprendizaje profundo - UNIDAD 34 - CNN - Integración del transformador de visión
UNIDAD 34 - CNN - Integración del transformador de visión · 12 lecciones
Proyecto final de IA con aprendizaje profundo - UNIDAD 34 - CNN - Integración del transformador de visión
- Lectura: Resumen de la asignación: Transformadores de visión y Aprendizaje por transferencia
- Aprendizaje por transferencia y transformadores de visión
- Lectura: Assignment Overview: Transformadores de Visión en Keras
- Laboratorio: Transformadores de visión con Keras
- Cuestionario graduado: Lista de control: Transformadores de Visión con Keras
- Lectura: Resumen de la tarea: Transformadores de Visión con PyTorch
- Laboratorio: Transformadores de visión en PyTorch
- Cuestionario graduado: Lista de control: Transformadores de Visión usando PyTorch
- Lectura: Resumen de la tarea: Comparación de ViTs: Keras frente a PyTorch
- Lab: Clasificación de Tierras: Evaluación de la integración CNN-transformador
- Cuestionario práctico: Lista de control: Evaluación de la integración CNN-transformador
- Cuestionario graduado: CNN - Integración del transformador de visión
UNIDAD 35 - Presentación del proyecto final y conclusión del curso · 6 leccionesProyecto final de IA con aprendizaje profundo - UNIDAD 35 - Presentación del proyecto final y conclusión del curso
UNIDAD 35 - Presentación del proyecto final y conclusión del curso · 6 lecciones
Proyecto final de IA con aprendizaje profundo - UNIDAD 35 - Presentación del proyecto final y conclusión del curso
- Lectura: Resumen del proyecto
- Recapitulación: CNNs y Transformadores de Visión en Keras y PyTorch
- Preparar la presentación de su proyecto
- Proyecto final: Presentación y evaluación
- Felicitaciones y próximos pasos
- Equipo y agradecimientos
UNIDAD 36 - Arquitectura de IA generativa · 14 leccionesIA Generativa y LLMs: Arquitectura y preparación de datos - UNIDAD 36 - Arquitectura de IA generativa
UNIDAD 36 - Arquitectura de IA generativa · 14 lecciones
IA Generativa y LLMs: Arquitectura y preparación de datos - UNIDAD 36 - Arquitectura de IA generativa
- Productos IBM destacados: watsonx.governance
- Panorama de la ingeniería de IA con LLM
- Introducción al curso
- Resumen del curso
- Consejos útiles para completar el curso
- Importancia de la IA generativa
- Arquitecturas y modelos de IA generativa
- IA generativa para NLP
- Lectura: Fundamentos de las alucinaciones de la IA
- Lectura: Panorama de bibliotecas y herramientas
- Laboratorio: Exploración de bibliotecas de IA generativa
- Resumen y aspectos destacados
- Cuestionario práctico: Visión general y arquitectura de la IA generativa
- Cuestionario graduado: Arquitectura de IA generativa
UNIDAD 37 - Preparación de datos para LLM · 14 leccionesIA Generativa y LLMs: Arquitectura y preparación de datos - UNIDAD 37 - Preparación de datos para LLM
UNIDAD 37 - Preparación de datos para LLM · 14 lecciones
IA Generativa y LLMs: Arquitectura y preparación de datos - UNIDAD 37 - Preparación de datos para LLM
- Tokenización
- Laboratorio: Implementación de la tokenización
- Visión general de los cargadores de datos
- Calidad y diversidad de datos para un LLM eficaz
- Laboratorio: Creación de un cargador de datos NLP
- Resumen y aspectos destacados
- Cuestionario práctico: Preparación de datos
- Cuestionario graduado: Preparación de datos para LLM
- Hoja de trucos: IA generativa y LLM: Arquitectura y preparación de datos
- Glosario del curso: IA generativa y LLM: Arquitectura y preparación de datos
- Próximos pasos: Explore IBM watsonx.governance
- Conclusión del curso
- Felicitaciones y próximos pasos
- Equipo y agradecimientos
UNIDAD 38 - Fundamentos de la comprensión lingüística · 18 leccionesModelos fundacionales de Gen AI para PNL y comprensión del lenguaje - UNIDAD 38 - Fundamentos de la comprensión lingüística
UNIDAD 38 - Fundamentos de la comprensión lingüística · 18 lecciones
Modelos fundacionales de Gen AI para PNL y comprensión del lenguaje - UNIDAD 38 - Fundamentos de la comprensión lingüística
- Introducción al curso
- Resumen del curso
- Panorama de las Specializations
- Consejos útiles para completar el curso
- Convertir palabras en características
- Predicción de categorización de documentos con Torchtext
- Formación en categorización de documentos con Torchtext
- Entrenamiento del modelo en PyTorch
- Laboratorio: Clasificación de documentos
- Resumen y aspectos destacados
- Cuestionario práctico: Comprensión del lenguaje con redes neuronales
- Modelado lingüístico con N-Grams
- N-Gramas como Redes neuronales con PyTorch
- Laboratorio: Construcción de un Modelo de lenguaje mediante el análisis de histogramas de N-gramas
- Laboratorio: Construcción y entrenamiento de una red neuronal para el modelado del lenguaje
- Resumen y aspectos destacados
- Cuestionario práctico: Modelo de N-Gramas
- Cuestionario graduado: Fundamentos de la comprensión lingüística
UNIDAD 39 - Modelos de secuencia a secuencia y Word2Vec · 19 leccionesModelos fundacionales de Gen AI para PNL y comprensión del lenguaje - UNIDAD 39 - Modelos de secuencia a secuencia y Word2Vec
UNIDAD 39 - Modelos de secuencia a secuencia y Word2Vec · 19 lecciones
Modelos fundacionales de Gen AI para PNL y comprensión del lenguaje - UNIDAD 39 - Modelos de secuencia a secuencia y Word2Vec
- Word2Vec: Introducción y modelos CBOW
- Laboratorio: Integración de Word2Vec Parte 1
- Word2Vec: Skip-Gram y modelos preformados
- Laboratorio: Integración de Word2Vec Parte 2
- Introducción a los Modelos Secuencia a Secuencia y a las Redes Neuronales Recurrentes
- Modelos RNN codificador-decodificador: Entrenamiento e inferencia
- Modelos RNN codificador-decodificador: Traducción
- Laboratorio: Desarrollo de un Modelo de secuencia a secuencia
- Implicaciones éticas de las incrustaciones de palabras y los modelos de lenguaje
- Métricas para evaluar la calidad del texto generado
- Métricas de evaluación de modelos de NLP
- Resumen y aspectos destacados
- Cuestionario práctico: Word2Vec, Modelos de secuencia a secuencia y Evaluación
- Cuestionario graduado: Word2Vec y Modelos de secuencia a secuencia
- Hoja de trucos: Modelos de IA para NLP y comprensión del lenguaje
- Glosario del curso: Modelos de IA para NLP y comprensión del lenguaje
- Conclusión del curso
- Felicitaciones y próximos pasos
- Equipo y agradecimientos
UNIDAD 40 - Conceptos fundamentales de la arquitectura de transformadores · 16 leccionesModelado Generativo del Lenguaje AI con Transformadores - UNIDAD 40 - Conceptos fundamentales de la arquitectura de transformadores
UNIDAD 40 - Conceptos fundamentales de la arquitectura de transformadores · 16 lecciones
Modelado Generativo del Lenguaje AI con Transformadores - UNIDAD 40 - Conceptos fundamentales de la arquitectura de transformadores
- Introducción al curso
- Resumen del curso
- Panorama de las Specializations
- Consejos útiles para completar el curso
- Lectura: Guía para principiantes sobre los fundamentos del Modelo transformador
- Codificación posicional
- Mecanismo de atención
- Mecanismo de autoatención
- DE LA ATENCIÓN A LOS TRANSFORMADORES
- Laboratorio práctico: Mecanismo de atención y codificación posicional
- Transformadores para clasificación: Codificador
- Laboratorio práctico: Aplicación de transformadores para la clasificación
- Técnicas de optimización para la formación eficiente de transformadores
- Resumen y aspectos destacados
- Cuestionario práctico: Codificación posicional, atención y aplicación en la clasificación
- Cuestionario Graduado: Conceptos fundamentales de la arquitectura de los transformadores
UNIDAD 41 - Conceptos avanzados de arquitectura de transformadores · 27 leccionesModelado Generativo del Lenguaje AI con Transformadores - UNIDAD 41 - Conceptos avanzados de arquitectura de transformadores
UNIDAD 41 - Conceptos avanzados de arquitectura de transformadores · 27 lecciones
Modelado Generativo del Lenguaje AI con Transformadores - UNIDAD 41 - Conceptos avanzados de arquitectura de transformadores
- Lectura: Introducción a los conceptos avanzados de los modelos transformadores
- Modelo de lenguaje con los descodificadores y los modelos tipo GPT
- Entrenamiento de modelos decodificadores
- Modelos de descodificación - Implementación de PyTorch - LM causal
- Modelos decodificadores: Implementación de PyTorch mediante entrenamiento e inferencia
- Laboratorio práctico: Decodificador GPT-like Models
- Resumen y aspectos destacados
- Cuestionario práctico: Modelos de descodificador
- Modelos de codificador con BERT: preentrenamiento mediante MLM
- Modelos de codificador con BERT: preentrenamiento con NSP
- Preparación de datos para BERT con PyTorch
- Preentrenamiento de modelos BERT con PyTorch
- Laboratorio práctico: Preentrenamiento de modelos BERT
- Laboratorio práctico: Preparación de datos para BERT
- Resumen y aspectos destacados
- Cuestionario práctico: Modelos de codificador
- Arquitectura de transformadores para la traducción de idiomas
- Arquitectura de transformadores para traducción: Implementación de PyTorch
- Laboratorio: Transformadores para la traducción
- Resumen y aspectos destacados
- Cuestionario de Práctica: Aplicación de los Transformadores para la Traducción
- Cuestionario Graduado: Conceptos avanzados de arquitectura de transformadores
- Hoja de trucos: Modelo de lenguaje con transformadores
- Glosario del curso: Modelo de lenguaje con transformadores
- Conclusión del curso
- Gracias de parte del equipo del curso
- Felicitaciones y próximos pasos
UNIDAD 42 - Transformadores y puesta a punto · 15 leccionesIngeniería Generativa de IA y Transformadores de Ajuste Fino - UNIDAD 42 - Transformadores y puesta a punto
UNIDAD 42 - Transformadores y puesta a punto · 15 lecciones
Ingeniería Generativa de IA y Transformadores de Ajuste Fino - UNIDAD 42 - Transformadores y puesta a punto
- Introducción al curso
- Resumen del curso
- Panorama de las Specializations
- Consejos útiles para completar el curso
- Cara de abrazo vs. PyTorch
- Laboratorio: Modelos de carga e inferencia con Hugging Face
- Transformadores preformados y ajuste fino
- [Opcional] LLM de preentrenamiento con cara de abrazo
- Ajuste fino con PyTorch
- Afinar con la cara abrazada
- Laboratorio: Pre-entrenamiento y puesta a punto con PyTorch
- Laboratorio: Perfeccionamiento de transformadores con PyTorch y Hugging Face
- Lectura: Resumen y aspectos destacados
- Cuestionario práctico: Aprendizaje por transferencia en PNL
- Cuestionario graduado: Transformadores y puesta a punto
UNIDAD 43 - Ajuste fino eficiente de parámetros (PEFT) · 17 leccionesIngeniería Generativa de IA y Transformadores de Ajuste Fino - UNIDAD 43 - Ajuste fino eficiente de parámetros (PEFT)
UNIDAD 43 - Ajuste fino eficiente de parámetros (PEFT) · 17 lecciones
Ingeniería Generativa de IA y Transformadores de Ajuste Fino - UNIDAD 43 - Ajuste fino eficiente de parámetros (PEFT)
- Vídeo: Introducción al PEFT
- Laboratorio Adaptadores con PyTorch
- Adaptación de bajo rango (LoRA)
- LoRA con Hugging Face y PyTorch
- Laboratorio: LoRA con PyTorch
- DE LA CUANTIZACIÓN A QLoRA
- laboratorio [Opcional]: QLoRA con cara abrazada
- Sugerencias suaves
- Consideraciones éticas en el ajuste de modelos de lenguaje grandes
- Resumen y aspectos destacados
- Cuestionario práctico: Ajuste fino eficiente de parámetros (PEFT)
- Cuestionario graduado: Ajuste fino eficiente de parámetros (PEFT)
- Hoja de trucos: Ingeniería de IA generativa y transformadores de sintonía fina
- Glosario: Ingeniería de IA generativa y transformadores de sintonía fina
- Conclusión del curso
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
UNIDAD 44 - Diferentes enfoques del ajuste fino · 17 leccionesAjuste fino avanzado de IA generativa para LLM - UNIDAD 44 - Diferentes enfoques del ajuste fino
UNIDAD 44 - Diferentes enfoques del ajuste fino · 17 lecciones
Ajuste fino avanzado de IA generativa para LLM - UNIDAD 44 - Diferentes enfoques del ajuste fino
- Introducción al curso
- Resumen del curso
- Panorama de las Specializations
- Consejos útiles para completar el curso
- Fundamentos de la sintonización de instrucciones
- Instrucción-Sintonización con Cara de Abrazo
- Ajuste de las instrucciones
- Ajuste de instrucciones LLM
- Buenas prácticas para ajustar modelos de lenguaje grandes a la enseñanza
- Modelización de recompensas: Evaluación de respuestas
- Formación en modelos de recompensa
- Recompensar el modelado con un abrazo en la cara
- Modelización de recompensas y evaluación de respuestas
- Laboratorio Modelización de recompensas
- Cuestionario práctico: Modelado de instrucción-sintonización y recompensa
- Resumen y aspectos destacados
- Diferentes enfoques de la sintonización de instrucciones
UNIDAD 45 - Ajuste fino de los LLM causales con retroalimentación humana y preferencia directa · 24 leccionesAjuste fino avanzado de IA generativa para LLM - UNIDAD 45 - Ajuste fino de los LLM causales con retroalimentación humana y preferencia directa
UNIDAD 45 - Ajuste fino de los LLM causales con retroalimentación humana y preferencia directa · 24 lecciones
Ajuste fino avanzado de IA generativa para LLM - UNIDAD 45 - Ajuste fino de los LLM causales con retroalimentación humana y preferencia directa
- Grandes modelos lingüísticos (LLM) como distribuciones
- De las distribuciones a las políticas
- Aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF)
- Optimización de la Política Proximal (PPO)
- PPO con cara de abrazo
- Formador PPO
- Truco de la derivada logarítmica
- Laboratorio: Aprendizaje por refuerzo a partir del feedback humano utilizando PPO
- Resumen y aspectos destacados
- Cuestionario práctico: Optimización de la Política Proximal (PPO)
- RPD: Función de partición
- OPD: Solución óptima
- De la política óptima a la RPD
- DPO con cara de abrazo
- Laboratorio: Optimización Directa de Preferencias (OPD) mediante Cara de Abrazo
- Perfeccione los LLM localmente con InstructLab
- Resumen y aspectos destacados
- Cuestionario práctico: Optimización de Preferencia Directa (OPD)
- Ajuste fino de los LLM causales con retroalimentación humana y preferencia directa
- Hoja de trucos: Perfeccionamiento avanzado de IA generativa para LLMs
- Glosario: Perfeccionamiento de la IA generativa para los LLM
- Conclusión del curso
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
UNIDAD 46 - Fundamentos de los agentes de IA · 17 leccionesFundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 46 - Fundamentos de los agentes de IA
UNIDAD 46 - Fundamentos de los agentes de IA · 17 lecciones
Fundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 46 - Fundamentos de los agentes de IA
- Panorama de las Specializations
- Introducción al curso
- Resumen del curso
- ¿Qué son los agentes de IA?
- Comparación de diseños de sistemas de IA
- Exploración de los fundamentos de los agentes de IA
- Cuándo utilizar agentes de IA (y cuándo no)
- Práctica: Introducción a los agentes de IA
- Llamamiento de herramientas para LLM
- Por qué la IA necesita herramientas: De la suposición a la acción en el mundo real
- Métodos de creación de agentes de IA
- Laboratorio: Creación de agentes de IA desde cero con Python
- Ventajas y desventajas de los marcos de agentes de IA frente a la creación desde cero
- Cuestionario práctico: Introducción a la llamada a herramientas
- Resumen del módulo: Fundamentos de los agentes de IA
- Hoja de trucos: Agentes de IA El tiempo y el plato del día
- Cuestionario graduado: Fundamentos de los agentes de IA
UNIDAD 47 - Marco RAG · 8 leccionesFundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 47 - Marco RAG
UNIDAD 47 - Marco RAG · 8 lecciones
Fundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 47 - Marco RAG
- RAG
- RAG, codificadores y FAISS
- Lab: RAG con cara de abrazo
- Laboratorio: RAG con PyTorch
- Cuestionario práctico: Introducción al GAR
- Lectura: Resumen y aspectos destacados
- Hoja de trucos: Retrieval-Augmented Generation (RAG) con Hugging Face y PyTorch
- Cuestionario graduado: Marco RAG
UNIDAD 48 - Prompt Engineering y LangChain · 17 leccionesFundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 48 - Prompt Engineering y LangChain
UNIDAD 48 - Prompt Engineering y LangChain · 17 lecciones
Fundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 48 - Prompt Engineering y LangChain
- Introducción a LangChain
- Introducción a la ingeniería de avisos y al aprendizaje en contexto
- Métodos Avanzados de Ingeniería Prompt
- Laboratorio: Ingeniería en contexto y plantillas de instrucciones
- Cadena Lingüística: Conceptos básicos
- Documentos LangChain para crear aplicaciones RAG
- Cadenas LangChain y agentes para aplicaciones de construcción
- Laboratorio LangChain
- Resumir documentos privados con RAG, LangChain y LLM
- Cuestionario práctico: Prompt Ingeniería y LangChain
- Resumen y aspectos destacados
- Cuestionario graduado: Ingeniería de indicaciones y LangChain
- Hoja de trucos: Fundamentos de la creación de agentes de IA con RAG y LangChain
- Glosario: Fundamentos de la creación de agentes de IA con RAG y LangChain
- Conclusión del curso
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
UNIDAD 49 - Cargador de documentos con LangChain · 13 leccionesProyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 49 - Cargador de documentos con LangChain
UNIDAD 49 - Cargador de documentos con LangChain · 13 lecciones
Proyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 49 - Cargador de documentos con LangChain
- Introducción al curso
- Resumen del curso
- Especialización
- Consejos útiles para completar el curso
- Cargue su documento desde distintas fuentes
- Laboratorio: Carga de documentos mediante LangChain para distintas fuentes
- Buenas prácticas para cargar documentos en aplicaciones LangChain
- Laboratorio: Poner todo el documento en Prompt y preguntar al modelo
- Cuestionario práctico: Diferentes cargadores de documentos de LangChain
- Estrategias de división del texto para un tratamiento óptimo
- Laboratorio: Aplicar técnicas de división de texto para mejorar la capacidad de respuesta del modelo
- Prueba práctica: Dividir texto
- Lectura: Resumen y aspectos destacados
UNIDAD 50 - RAG con LangChain · 11 leccionesProyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 50 - RAG con LangChain
UNIDAD 50 - RAG con LangChain · 11 lecciones
Proyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 50 - RAG con LangChain
- Incrustar documentos con el modelo de incrustación de watsonx
- Laboratorio: Incrustación de documentos mediante el modelo de incrustación de watsonx
- Introducción a las bases de datos vectoriales para almacenar incrustaciones
- Laboratorio: Creación y configuración de una base de datos vectorial para almacenar incrustaciones de documentos
- Cuestionario práctico: Incrustación del documento
- Explore Retrievers avanzados en Langchain: Parte 1
- Explore Retrievers avanzados en Langchain - Parte 2
- Laboratorio: Desarrollo de un recuperador para obtener segmentos de documentos a partir de consultas
- Lectura: Comparar el ajuste fino utilizando InstructLab con RAG
- Cuestionario práctico: Retriever
- Resumen del módulo: RAG utilizando LangChain
UNIDAD 51 - Cree un robot de control de calidad para leer su documento · 17 leccionesProyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 51 - Cree un robot de control de calidad para leer su documento
UNIDAD 51 - Cree un robot de control de calidad para leer su documento · 17 lecciones
Proyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 51 - Cree un robot de control de calidad para leer su documento
- Primeros pasos con Gradio
- Laboratorio: Configuración de una interfaz Gradio sencilla para interactuar con tus modelos
- Práctica: Introducción a Gradio
- Lectura: Visión general del proyecto
- Lectura: Construir un robot de control de calidad que aproveche LangChain y LLM para responder preguntas de un documento cargado
- Laboratorio: Construir un robot de control de calidad que aproveche LangChain y LLM para responder preguntas a partir de un documento cargado
- Prueba práctica: Construir una aplicación web QA Bot
- Resumen del módulo: Crear un robot de control de calidad para leer su documento
- Lectura: Directrices y resultados de la presentación final
- Opción 1: AI Graded - Proyecto final: Presentación y evaluación
- Opción 2: Calificación por pares - Presentación y evaluación del proyecto final
- Hoja de trucos: Proyecto: Aplicaciones de IA generativa con RAG y LangChain
- Glosario del curso: Proyecto: Aplicaciones de IA generativa con RAG y LangChain
- Cuestionario del curso: Proyecto: Aplicaciones de IA generativa con RAG y LangChain
- Conclusión del curso
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
UNIDAD 52 - Conceptos básicos de Python · 21 leccionesPython para ciencia de datos, IA y desarrollo - UNIDAD 52 - Conceptos básicos de Python
UNIDAD 52 - Conceptos básicos de Python · 21 lecciones
Python para ciencia de datos, IA y desarrollo - UNIDAD 52 - Conceptos básicos de Python
- Introducción al curso
- Sobre este curso
- Explorando Python: Sus primeros pasos en la programación
- Introducción a Python
- Introducción a Jupyter
- Primeros pasos con Jupyter
- Laboratorio práctico: Escriba su primer programa
- Tipos
- Laboratorio práctico: Tipos
- Cuestionario práctico: Tipos
- Expresiones y Variables
- Laboratorio práctico: Expresiones y variables
- Cuestionario de práctica: Expresiones y Variables
- Operaciones con cadenas
- lectura (opcional): Formato de Cadenas en Python
- Laboratorio práctico: Operaciones con cadenas
- Cuestionario de práctica: Operaciones con cadenas
- Resumen del módulo 1: Conceptos básicos de Python
- Hoja de trucos: Conceptos básicos de Python
- Módulo 1 Cuestionario graduado: Conceptos básicos de Python
- Módulo 1 Glosario: Conceptos básicos de Python
UNIDAD 53 - Estructuras de datos en Python · 15 leccionesPython para ciencia de datos, IA y desarrollo - UNIDAD 53 - Estructuras de datos en Python
UNIDAD 53 - Estructuras de datos en Python · 15 lecciones
Python para ciencia de datos, IA y desarrollo - UNIDAD 53 - Estructuras de datos en Python
- Listas y tuplas
- Laboratorio práctico: Listas
- Laboratorio práctico: Tuplas
- Hoja de trucos: Listas y tuplas
- Cuestionario práctico: Listas y Tuplas
- Diccionarios
- Laboratorio práctico: Diccionarios
- Cuestionario práctico: Diccionarios
- Establece
- Laboratorio práctico: Conjuntos
- Cuestionario práctico: Conjuntos
- Resumen del módulo 2: Estructuras de datos de Python
- Hoja de trucos: Diccionarios y conjuntos
- Módulo 2 Cuestionario graduado: Estructuras de datos en Python
- Módulo 2 Glosario: Estructuras de datos en Python
UNIDAD 54 - Fundamentos de programación en Python · 25 leccionesPython para ciencia de datos, IA y desarrollo - UNIDAD 54 - Fundamentos de programación en Python
UNIDAD 54 - Fundamentos de programación en Python · 25 lecciones
Python para ciencia de datos, IA y desarrollo - UNIDAD 54 - Fundamentos de programación en Python
- Condiciones y ramificación
- Laboratorio práctico: Condiciones y ramificación
- Condiciones y ramificación
- Cuestionario práctico: Condiciones y ramificación
- Bucles
- Introducción a los bucles en Python
- Laboratorio práctico: Bucles
- Cuestionario práctico: Bucles
- Funciones
- Explorar las funciones de Python
- Laboratorio práctico: Funciones
- Cuestionario práctico: Funciones
- Gestión de excepciones
- Gestión de excepciones
- Laboratorio práctico: Manejo de excepciones
- Cuestionario práctico: Manejo de excepciones
- Objetos y clases
- Objetos y clases
- Laboratorio práctico: Objetos y clases
- Cuestionario de Práctica: Objetos y clases
- Práctica de laboratorio: Análisis de textos
- Resumen del módulo 3: Fundamentos de programación en Python
- Hoja de trucos: Fundamentos de programación en Python
- Módulo 3 Cuestionario graduado: Fundamentos de programación en Python
- Módulo 3 Glosario: Fundamentos de la programación en Python
UNIDAD 55 - Trabajar con datos en Python · 24 leccionesPython para ciencia de datos, IA y desarrollo - UNIDAD 55 - Trabajar con datos en Python
UNIDAD 55 - Trabajar con datos en Python · 24 lecciones
Python para ciencia de datos, IA y desarrollo - UNIDAD 55 - Trabajar con datos en Python
- Lectura de archivos con Open
- Lectura de archivos con Open
- Laboratorio práctico: Lectura de archivos con Open
- Escribir archivos con Open
- Escribir archivos con Open
- Laboratorio práctico: Escribir archivos con Open
- Cuestionario práctico: Lectura y Redacción de Archivos con Open
- Pandas: Carga de datos
- Pandas: Trabajar y guardar datos
- Pandas
- Práctica de laboratorio: Selección de datos en un DataFrame
- Laboratorio práctico: Carga de datos con Pandas
- Cuestionario práctico: Pandas
- Numpy unidimensional
- Laboratorio práctico: Numpy unidimensional
- Matemáticas matriciales
- Numpy bidimensional
- Laboratorio práctico: Numpy bidimensional
- Guía de NumPy para principiantes
- Cuestionario práctico: Numpy en Python
- Resumen del módulo 4: Trabajar con datos en Python
- Hoja de trucos: Trabajar con datos en Python
- Módulo 4 Cuestionario graduado: Trabajar con datos en Python
- Módulo 4 Glosario: Trabajar con datos en Python
UNIDAD 56 - API y recogida de datos · 25 leccionesPython para ciencia de datos, IA y desarrollo - UNIDAD 56 - API y recogida de datos
UNIDAD 56 - API y recogida de datos · 25 lecciones
Python para ciencia de datos, IA y desarrollo - UNIDAD 56 - API y recogida de datos
- Interfaz de programa de aplicación
- Algo de contexto sobre las API
- Laboratorio práctico: Introducción a la API
- Cuestionario práctico: API simples
- API REST y solicitudes HTTP - Parte 1
- API REST y solicitudes HTTP - Parte 2
- Web Scraping y HTML Básico
- Laboratorio práctico: Acceso a API REST y solicitud HTTP
- Laboratorio práctico: Ejemplos de API
- (Opcional) HTML para Web Scraping
- (Opcional) Web Scraping
- Web Scraping: una herramienta clave en la ciencia de datos
- Tablas de Web Scraping usando Pandas
- Laboratorio práctico: Web Scraping
- Trabajar con distintos formatos de archivo
- Laboratorio práctico: Trabajar con diferentes formatos de archivo
- Cuestionario práctico: API REST, Web Scraping y Trabajo con Archivos
- Proyecto Práctico: Extracción y tratamiento de datos del PIB
- Resumen del Módulo 5: APIs y recogida de datos
- Hoja de trucos: API y recogida de datos
- Módulo 5 Cuestionario graduado: API y recogida de datos
- Glosario del Módulo 5: API y recopilación de datos
- Examen final del curso
- Felicitaciones y próximos pasos
- Hoja de trucos de Python: Conceptos básicos
UNIDAD 57 - Definición de la ciencia de datos y qué hacen los científicos de datos · 29 lecciones¿Qué es la ciencia de datos? - UNIDAD 57 - Definición de la ciencia de datos y qué hacen los científicos de datos
UNIDAD 57 - Definición de la ciencia de datos y qué hacen los científicos de datos · 29 lecciones
¿Qué es la ciencia de datos? - UNIDAD 57 - Definición de la ciencia de datos y qué hacen los científicos de datos
- Introducción al curso
- Una nota rápida para la mejor experiencia de aprendizaje
- Programa del curso
- Professional Certificates Apoyo a la carrera profesional
- Consejos útiles para completar el curso
- Resumen de la lección: Definición de la ciencia de datos
- ¿Qué es la ciencia de datos?
- Fundamentos de la ciencia de datos
- Los muchos caminos hacia la ciencia de datos
- Ciencia de datos: El trabajo más sexy del siglo XXI
- Cuestionario práctico: Ciencia de datos: El trabajo más sexy del siglo XXI
- Descubra su camino en la ciencia de datos
- Consejos para los nuevos científicos de datos
- Resumen de la lección: Definir la ciencia de datos
- Cuestionario práctico: Definición de la ciencia de datos
- Glosario Definición de ciencia de datos
- Cuestionario graduado: Definición de la ciencia de datos
- Resumen de la lección: ¿Qué hacen los científicos de datos?
- Un día en la vida de un científico de datos
- Habilidades en ciencia de datos y Big Data
- Comprender los distintos tipos de formatos de archivo
- Temas y algoritmos de la ciencia de datos
- ¿Qué convierte a alguien en un científico de datos?
- Resumen de la lección: ¿Qué hacen los científicos de datos?
- ¿Qué se necesita realmente para ser un científico de datos?
- Cuestionario de práctica: ¿Qué convierte a alguien en un científico de datos?
- Glosario: ¿Qué hacen los científicos de datos?
- Cuestionario graduado: Qué hacen los científicos de datos
- Resumen: ¿Qué hacen los científicos de datos?
UNIDAD 58 - Temas de ciencia de datos · 27 lecciones¿Qué es la ciencia de datos? - UNIDAD 58 - Temas de ciencia de datos
UNIDAD 58 - Temas de ciencia de datos · 27 lecciones
¿Qué es la ciencia de datos? - UNIDAD 58 - Temas de ciencia de datos
- Resumen de la lección: Big Data y minería de datos
- Cómo los macrodatos impulsan la transformación digital
- Introducción a la nube
- Nube para la ciencia de datos
- Fundamentos de los macrodatos
- Ciencia de datos y Big Data
- ¿Qué es Hadoop?
- Herramientas de procesamiento de Big Data: Hadoop, HDFS, Hive y Spark
- Minería de datos
- Cuestionario práctico: Minería de datos
- Resumen de la lección: Big Data y minería de datos
- Cuestionario práctico: Big Data y minería de datos
- Glosario: Big Data y minería de datos
- Cuestionario graduado: Big Data y minería de datos
- Visión general de la lección: Aprendizaje profundo y aprendizaje automático
- Inteligencia artificial y ciencia de datos
- Inteligencia artificial generativa y ciencia de datos
- Redes neuronales y aprendizaje profundo
- Aplicaciones del aprendizaje automático
- Regresión
- Cuestionario práctico: Regresión
- Laboratorio: Exploración de datos mediante IBM Cloud Gallery
- Resumen de la lección: Aprendizaje profundo y aprendizaje automático
- Cuestionario práctico: Aprendizaje profundo y aprendizaje automático
- Glosario: Aprendizaje profundo y aprendizaje automático
- Cuestionario graduado: Aprendizaje profundo y aprendizaje automático
- Resumen: Aprendizaje profundo y aprendizaje automático
UNIDAD 59 - Aplicaciones y carreras en la ciencia de datos · 32 lecciones¿Qué es la ciencia de datos? - UNIDAD 59 - Aplicaciones y carreras en la ciencia de datos
UNIDAD 59 - Aplicaciones y carreras en la ciencia de datos · 32 lecciones
¿Qué es la ciencia de datos? - UNIDAD 59 - Aplicaciones y carreras en la ciencia de datos
- Resumen de la lección: Dominios de aplicación de la ciencia de datos
- ¿Cómo deben iniciarse las empresas en la ciencia de datos?
- Viejos problemas, nuevas soluciones en ciencia de datos
- Aplicaciones de la ciencia de datos
- Cómo la Ciencia de Datos está salvando vidas
- La entrega final
- Cuestionario práctico: La entrega final
- Resumen de la lección: Dominio de las aplicaciones de la ciencia de datos
- Cuestionario práctico: Dominios de aplicación de la ciencia de datos
- Glosario Dominios de aplicación de la ciencia de datos
- Cuestionario graduado: Dominios de aplicación de la ciencia de datos
- Resumen de la lección: Carreras y contratación en la ciencia de datos
- ¿Cómo puede alguien convertirse en científico de datos?
- Reclutamiento para la ciencia de datos
- Carreras en ciencia de datos
- Importancia de las matemáticas y la estadística para la ciencia de datos
- La estructura del informe
- Cuestionario práctico: La estructura del informe
- Resumen de la lección: Carreras y contratación en la ciencia de datos
- Cuestionario de práctica: Carreras y contratación en la ciencia de datos
- Glosario Carreras y contratación en la ciencia de datos
- Cuestionario graduado: Carreras y contratación en la ciencia de datos
- Resumen: Carreras y contratación en ciencia de datos
- Una hoja de ruta para su viaje a la ciencia de datos
- Estudio de caso: Tarea final
- Cuestionario basado en un estudio de caso
- Explore las ofertas de empleo en ciencia de datos
- Examen final
- Resumen del curso
- Felicitaciones y próximos pasos
- Equipo del curso y agradecimientos
- Insignia digital de IBM
UNIDAD 60 - Conocimientos básicos para la ciencia de datos (Optativo) · 21 lecciones¿Qué es la ciencia de datos? - UNIDAD 60 - Conocimientos básicos para la ciencia de datos (Optativo)
UNIDAD 60 - Conocimientos básicos para la ciencia de datos (Optativo) · 21 lecciones
¿Qué es la ciencia de datos? - UNIDAD 60 - Conocimientos básicos para la ciencia de datos (Optativo)
- Resumen de la lección: Comprender los datos
- Comprender los datos
- Fuentes de datos
- Puntos de vista: Trabajar con fuentes y tipos de datos variados
- Lectura: Metadatos
- Cuestionario práctico: Metadatos
- Resumen de la lección: Comprender los datos
- Glosario Comprender los datos
- Cuestionario práctico - Comprender los datos
- Resumen de la lección: Alfabetización informática
- Recogida y organización de datos
- Sistema de administración de bases de datos relacionales
- NoSQL
- Data Marts, Data Lakes, ETL y Data Pipelines
- Puntos de vista: Consideraciones para la elección del repositorio de datos
- Plataformas de integración de datos
- Cuestionario práctico: Plataformas de integración de datos
- Resumen de la lección: Bienvenido a la alfabetización informática
- Cuestionario práctico: Alfabetización informática
- Glosario: Alfabetización informática para la ciencia de datos
- Resumen: Alfabetización informática para la ciencia de datos
UNIDAD 61 - El ciclo de vida del desarrollo de software · 22 leccionesIntroducción a la ingeniería de software - UNIDAD 61 - El ciclo de vida del desarrollo de software
UNIDAD 61 - El ciclo de vida del desarrollo de software · 22 lecciones
Introducción a la ingeniería de software - UNIDAD 61 - El ciclo de vida del desarrollo de software
- Introducción al curso
- Conozca a los expertos
- ¿Qué es la ingeniería de software?
- El punto de vista de los expertos: ¿Qué es la ingeniería de software?
- Introducción al SDLC
- Fases del SDLC
- Actividad: Fases en el SDLC
- Creación de software de calidad
- La calidad no es magia: es proceso
- Requisitos
- Visión general de la ingeniería de software
- Metodologías de desarrollo de software
- Elección del enfoque de desarrollo: Exploración de escenarios
- Versiones de software
- Pruebas de software
- Documentación de software
- Pruebas de software y documentación de software
- Funciones en los proyectos de ingeniería de software
- El punto de vista de los iniciados: Roles laborales en los equipos de ingeniería de software
- El proceso de creación de software y las funciones asociadas
- Resumen y aspectos destacados
- Cuestionario graduado: El ciclo de vida del desarrollo de software
UNIDAD 62 - Introducción al desarrollo de software · 17 leccionesIntroducción a la ingeniería de software - UNIDAD 62 - Introducción al desarrollo de software
UNIDAD 62 - Introducción al desarrollo de software · 17 lecciones
Introducción a la ingeniería de software - UNIDAD 62 - Introducción al desarrollo de software
- Visión general del desarrollo web y en la nube
- Aprendizaje del desarrollo front-end
- La importancia del desarrollo del back-end
- Trabajo en equipo y escuadras
- El punto de vista de los iniciados: El trabajo en equipo en la ingeniería del software
- Programación en pareja
- El punto de vista de los iniciados: Programación en parejas
- Actividad: Categorización de las tecnologías frontales y posteriores
- Introducción al desarrollo
- Presentación de las herramientas de desarrollo de aplicaciones
- Más herramientas de desarrollo de aplicaciones
- Introducción a las pilas de software
- Laboratorio práctico: Primeros pasos con un IDE
- Punto de vista de los iniciados: Herramientas y tecnologías
- Herramientas de desarrollo de software
- Resumen y aspectos destacados
- Cuestionario graduado: Introducción al desarrollo de software
UNIDAD 63 - Fundamentos de la programación · 14 leccionesIntroducción a la ingeniería de software - UNIDAD 63 - Fundamentos de la programación
UNIDAD 63 - Fundamentos de la programación · 14 lecciones
Introducción a la ingeniería de software - UNIDAD 63 - Fundamentos de la programación
- Lenguajes de programación interpretados y compilados
- Lenguajes de programación de consulta y ensamblaje
- Comprender los métodos de organización del código
- Laboratorio práctico: Hello World en 11 lenguajes de programación
- Punto de vista de los iniciados: Tipos de lenguas
- Actividad: Lógica de programación y métodos organizativos
- Lenguajes de programación y organización
- Lógica de programación de bifurcaciones y bucles
- Introducción a los conceptos de programación Parte 1
- Introducción a los conceptos de programación Parte 2
- Laboratorio práctico: Fundamentos de programación con Python
- Introducción a los conceptos de programación
- Resumen y aspectos destacados
- Cuestionario graduado: Fundamentos de la programación
UNIDAD 64 - Arquitectura, diseño y patrones de software · 14 leccionesIntroducción a la ingeniería de software - UNIDAD 64 - Arquitectura, diseño y patrones de software
UNIDAD 64 - Arquitectura, diseño y patrones de software · 14 lecciones
Introducción a la ingeniería de software - UNIDAD 64 - Arquitectura, diseño y patrones de software
- Introducción a la arquitectura de software
- Diseño y modelado de software
- Análisis y diseño orientados a objetos
- Punto de vista de los expertos: importancia del diseño y la arquitectura de software
- Actividad: Crear un diagrama arquitectónico
- Arquitectura y diseño de software
- Enfoques de la arquitectura de aplicaciones
- Patrones arquitectónicos de software
- Entornos de implantación de aplicaciones
- Componentes del despliegue de producción
- Punto de vista de los expertos: Arquitectura de despliegue
- Patrones de arquitectura de software y topologías de despliegue
- Resumen y aspectos destacados
- Cuestionario graduado: Topologías de arquitectura, diseño y despliegue de software
UNIDAD 65 - Oportunidades de empleo y competencias en ingeniería de software · 15 leccionesIntroducción a la ingeniería de software - UNIDAD 65 - Oportunidades de empleo y competencias en ingeniería de software
UNIDAD 65 - Oportunidades de empleo y competencias en ingeniería de software · 15 lecciones
Introducción a la ingeniería de software - UNIDAD 65 - Oportunidades de empleo y competencias en ingeniería de software
- ¿Qué hace un ingeniero de software?
- Un día en la vida de un ingeniero de software
- Habilidades necesarias para la ingeniería de software
- El punto de vista de los iniciados: Consejos a los futuros ingenieros de software
- Punto de vista de los iniciados: Las mujeres en la ingeniería de software
- Acerca de los ingenieros de software
- Perspectivas laborales de los ingenieros de software
- Trayectorias profesionales en ingeniería de software
- Títulos de empleo en ingeniería de software
- Punto de vista de los iniciados: Trayectorias profesionales
- Actividad: Adecuar las funciones a las responsabilidades
- Código ético
- Carreras en ingeniería de software
- Resumen y aspectos destacados
- Cuestionario graduado: Oportunidades laborales y competencias en ingeniería de software
UNIDAD 66 - Prueba final y proyecto final · 5 leccionesIntroducción a la ingeniería de software - UNIDAD 66 - Prueba final y proyecto final
UNIDAD 66 - Prueba final y proyecto final · 5 lecciones
Introducción a la ingeniería de software - UNIDAD 66 - Prueba final y proyecto final
- Cuestionario graduado: Cuestionario final
- Presentación y evaluación del proyecto final
- Glosario de ingeniería de software
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
Al terminar
Lo que harás al terminar
Podrás diseñar, entrenar y evaluar modelos de aprendizaje profundo, además de optimizar LLMs mediante técnicas como LoRA y QLoRA. También podrás desarrollar aplicaciones de IA generativa con recuperación aumentada y aspirar a participar en proyectos de ingeniería de IA.
Perfil
¿Para quién es este curso?
Está dirigido a personas con conocimientos intermedios que desean desarrollar habilidades prácticas en aprendizaje profundo, visión por computadora, NLP y aplicaciones con LLMs. Se recomienda contar con bases de Python, cuadernos Jupyter y matemáticas de nivel bachillerato.
Python, Jupyter y matemáticas de bachillerato
Certificado oficial
Certificado con validez SEP: 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
66 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
183 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
- Certificado SEP incluido (sin costo). 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 IBM.
- 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.
- 66 unidades · 1012 lecciones · 222 h
- 12 meses de acceso
- 183 cuestionarios de evaluación
- Certificado SEP incluido (sin costo), 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 IBM; 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.
¿El curso tiene validez SEP?
Sí, incluido sin costo. Al completar el curso recibes un certificado emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
¿El curso tiene tutor o clases en vivo?
No. Es un curso autodidacta: estudias por tu cuenta, a tu ritmo, sin tutor ni sesiones en vivo.
¿Cómo se evalúa?
Te evalúas con actividades automáticas, sin entregas a un tutor.
