0

  • No hay productos en el carrito.

Microsoft – Ingeniería de IA y ML

Prepárate para una carrera en ingeniería de IA y ML: diseña infraestructura, domina algoritmos y crea agentes inteligentes en Azure.

Imagen de perfil

INEC

Estudiantes

0

  (

)

Actualizado:

agosto 15, 2025

Especialización

Membresía Educativa

El curso que te interesa es parte de nuestra membresía educativa con acceso anual por $1,200.

Es decir, no solo adquieres ese curso. También accedes a 650 cursos en muchas categorías.

Adquirir Membresía Educativa Haz clic aquí para abrir el enlace de compra

✅ Lo que obtienes:

  • Acceso Total: 650 cursos disponibles las 24 horas, los 7 días de la semana.
  • Estudia a tu ritmo, desde cualquier lugar, durante todo un año.

Certificado del Programa

Los usuarios que se suscriban a este curso, tienen la oportunidad de obtener un Certificado de estudios con validez SEP emitido por el Instituto Nacional de Estandarización y certificación, verificable, imprimible y descargable (PDF) . 

Este tiene un costo de emisión de MXN $1,950

Excepto para programas de SALUD

      • Introducción al programa de certificación profesional avanzada en ingeniería de IA/ML 00:03:35
      • Introducción a los fundamentos de la infraestructura IA/ML 00:04:02
      • Un día en la vida de un ingeniero de IA/ML 00:03:57
      • Bienvenido a la Comunidad Coursera 00:02:00
      • Debate: Responsabilidades de los ingenieros de IA/ML 00:10:00
      • Actualizaciones de Microsoft 00:02:00
      • Primeros pasos con Jupyter Notebooks en Azure Machine Learning Studio 00:06:17
      • Actividad práctica: Configuración del entorno en Microsoft Azure 00:30:00
      • Reflexión: Configuración de su entorno en Microsoft Azure 00:20:00
      • Tutorial: Configuración del entorno en Microsoft Azure (opcional) 00:00:00
      • Selección de la estrategia adecuada de despliegue de modelos en Microsoft Azure 00:15:00
      • Actividad práctica: Selección de la estrategia de despliegue de modelos adecuada en Microsoft Azure 00:45:00
      • Reflexión: Selección de la estrategia correcta de despliegue de modelos en Microsoft Azure 00:20:00
      • Recorrido: Justificación de la elección del modelo (Opcional) 00:00:00
      • Programa del curso: Fundamentos de IA e Infraestructura de Aprendizaje automático 00:15:00
      • Construir la columna vertebral de los sistemas IA/ML 00:15:00
      • Introducción a la infraestructura IA/ML 00:05:42
      • Fuentes y canalizaciones de datos, marcos y plataformas 00:05:23
      • Actividad práctica: Emparejar componentes con funciones 00:20:00
      • Comprobación de conocimientos: Componentes de la infraestructura IA/ML 00:20:00
      • Introducción a las fuentes y canalizaciones de datos 00:04:44
      • Explicación de la estructura y la función de las fuentes y canalizaciones de datos 00:10:00
      • Exploración en profundidad de fuentes y conductos de datos 00:10:00
      • Ejemplos de fuentes y canalizaciones de datos 00:05:49
      • Comprobación de conocimientos: Fuentes de datos y canalizaciones 00:20:00
      • Introducción a los enfoques y marcos de desarrollo de modelos 00:04:51
      • Explicación de los marcos de desarrollo de modelos y sus aplicaciones 00:10:00
      • Consideraciones clave para seleccionar un marco de desarrollo de modelos 00:10:00
      • Actividad práctica: Selección de un marco adecuado para un problema empresarial complejo 00:45:00
      • Explicación de la selección de marcos 00:10:00
      • Reflexión: Marco de selección 00:20:00
      • Introducción a las plataformas de despliegue 00:05:15
      • Importancia de las plataformas de despliegue 00:05:20
      • Características y requisitos para un despliegue eficaz 00:05:59
      • Comprobación de conocimientos: Plataformas de despliegue 00:20:00
      • Resumen: Aplicaciones IA/ML 00:03:49
      • Guía práctica: Implantación de modelos de IA/ML 00:15:00
      • Actividad práctica: Plataformas de despliegue 00:30:00
      • Reflexión: Plataformas de despliegue 00:20:00
      • Recorrido: El problema empresarial del mantenimiento predictivo (Opcional) 00:00:00
      • Ejemplar del sector: Despliegue de modelos 00:03:39
      • Cuestionario graduado: Aplicaciones IA/ML 00:20:00
      • Panorama de las fuentes de datos 00:05:32
      • Métodos de adquisición de datos 00:06:27
      • Herramientas y bibliotecas para la adquisición de datos: especial atención a SQL 00:15:00
      • Actividad práctica: Configuración de un raspador de datos básico en Python 00:45:00
      • Reflexión: Configuración local de scraper básico en Python 00:20:00
      • Tutorial: Configuración de un raspador de datos python local (Opcional) 00:00:00
      • Actividad práctica: Obtención de un documento mediante un raspador web de Python 00:25:00
      • Reflexión: Obtención de un documento mediante el raspador web de Python 00:20:00
      • Tutorial: Obtención de un documento mediante Python Web Scraper (opcional) 00:00:00
      • Importancia de la limpieza y el preprocesamiento de datos 00:04:45
      • Gestión de valores perdidos, valores atípicos, normalización y transformación de datos 00:15:00
      • Actividad práctica: Configurar una herramienta local de limpieza y preprocesamiento de datos 00:45:00
      • Reflexión: Creación de una herramienta local de limpieza y preprocesamiento de datos 00:20:00
      • Recorrido: Configuración de una herramienta de preprocesamiento de datos (opcional) 00:00:00
      • Actividad práctica: Aplicar la herramienta de preprocesamiento a un conjunto de datos ficticio para la aplicación de ML 00:30:00
      • Reflexión: Limpieza y preprocesamiento de datos 00:20:00
      • Recorrido: Limpieza y preprocesamiento de datos (opcional) 00:00:00
      • Discusión: Limpieza de datos y preprocesamiento de valores atípicos 00:10:00
      • Escuche a un experto: el valor de una taxonomía coherente 00:02:55
      • Introducción a RAG 00:05:07
      • Comparación de las fuentes de datos para RAG y las canalizaciones de ML tradicionales 00:20:00
      • Mejores prácticas para mantener fuentes de datos eficientes para el GAR 00:05:22
      • Identificación de errores en la recogida de datos 00:20:00
      • Cómo identificar errores en la recogida de datos (Optativo) 00:00:00
      • La importancia de la seguridad de los datos en el desarrollo de la IA 00:10:00
      • Prácticas comunes de seguridad de datos 00:10:00
      • Casos reales de filtración de datos 00:10:00
      • Comprobación de conocimientos: Buenas prácticas en seguridad de datos 00:20:00
      • Escuche a un experto: Consideraciones de seguridad al trabajar con datos 00:06:10
      • Resumen: Gestión de datos en IA/ML 00:06:21
      • Actividad práctica: Auditoría de código ML en busca de vulnerabilidades de seguridad 00:55:00
      • Reflexión: Auditoría del código ML en busca de vulnerabilidades de seguridad 00:20:00
      • Tutorial: Auditoría del código ML en busca de vulnerabilidades de seguridad (Opcional) 00:00:00
      • Escuche a un experto: Ejemplar de la industria 00:04:47
      • Cuestionario graduado: Administración de datos en IA/ML 00:20:00
      • Introducción a los marcos de ML más conocidos 00:10:00
      • Visión general de los LLM preentrenados 00:10:00
      • Características principales y casos de uso de marcos y modelos 00:06:05
      • Actividad práctica: Selección y justificación de un marco de trabajo 01:00:00
      • Reflexión: Selección y justificación de un marco de trabajo 00:20:00
      • Recorrido: Selección y justificación de un marco (Opcional) 00:00:00
      • Puntos fuertes y débiles de los distintos marcos de ML 00:15:00
      • Comparación de marcos de ML 00:10:00
      • Aplicabilidad de los LLM preentrenados 00:05:25
      • Estudios de caso reales de marcos de ML 00:10:00
      • Debate: Puntos fuertes y débiles del marco seleccionado 00:10:00
      • Introducción a la aplicación de modelos 00:10:00
      • Guía para implementar un modelo simple en TensorFlow 00:06:22
      • Guía para implementar un modelo sencillo en PyTorch 00:06:17
      • Aplicar LLM preentrenados a tareas específicas 00:10:00
      • Actividad práctica: Aplicación de un modelo 01:30:00
      • Reflexión: Aplicación de un modelo 00:20:00
      • Tutorial: Implementación de un modelo (Opcional) 00:00:00
      • Criterios de selección de marcos en función de las necesidades del proyecto 00:05:59
      • Buenas prácticas para adaptar los marcos a los proyectos 00:10:00
      • Estudios de caso reales sobre la selección de marcos y su repercusión en los proyectos industriales 00:10:00
      • Actividad práctica: Selección de un marco para un proyecto fantasma 01:25:00
      • Reflexión: Selección del marco en función de las necesidades del proyecto 00:20:00
      • Recorrido: Selección del marco en función de las necesidades del proyecto (Opcional) 00:00:00
      • Resumen: Selección de un marco de trabajo 00:05:16
      • Actividad práctica: Implantación de un modelo de implantación empresarial 01:30:00
      • Reflexión: Aplicación del modelo a la empresa 00:20:00
      • Recorrido: Implementación del modelo para la empresa (Opcional) 00:00:00
      • Escuche a un experto: Ejemplar de la industria 00:05:48
      • Cuestionario graduado: Selección de un marco de trabajo 00:20:00
      • Principales características a tener en cuenta en las plataformas de despliegue 00:06:24
      • Introducción a Microsoft Azure 00:07:54
      • Comprobación de conocimientos: Plataformas de despliegue 00:20:00
      • Preparación de los modelos para su despliegue 00:04:36
      • Pasos adicionales para preparar un modelo para su despliegue en producción 00:06:26
      • Mejores prácticas para empaquetar y contenerizar modelos 00:10:00
      • Herramientas y marcos para el despliegue de modelos 00:10:00
      • Instrucciones: Preparación de un modelo para su despliegue 00:10:00
      • Actividad práctica: Preparación de un modelo para su despliegue 01:00:00
      • Reflexión: Preparar un modelo para su despliegue 00:20:00
      • Recorrido: Preparación de un modelo para su despliegue (Opcional) 00:00:00
      • Importancia del control de versiones 00:04:37
      • Herramientas y prácticas para el control de versiones (Git, DVC) 00:20:00
      • Garantizar la reproducibilidad 00:04:52
      • Control de versiones para la reproducibilidad 00:30:00
      • Actividad práctica: Aplicación del control de versiones para la reproducibilidad 00:30:00
      • Reflexión: Control de versiones para la reproducibilidad 00:20:00
      • Tutorial: Aplicación del control de versiones para la reproducibilidad (opcional) 00:00:00
      • Criterios de evaluación de las plataformas de despliegue 00:10:00
      • Casos prácticos reales de implantación con éxito de IA/ML 00:10:00
      • Consejos prácticos para elegir la plataforma adecuada a las necesidades específicas de cada proyecto 00:10:00
      • Actividad práctica: Selección de una plataforma de despliegue para un proyecto ficticio 01:00:00
      • Reflexión: Evaluación de las plataformas de despliegue 00:20:00
      • Recorrido: Evaluación de las plataformas de implantación (opcional) 00:00:00
      • Resumen: Despliegue de la plataforma 00:08:00
      • Actividad práctica: Justificar la elección de una plataforma en una presentación ante un ejecutivo de alto nivel 01:10:00
      • Reflexión: Apoyar su elección de plataforma 00:20:00
      • Recorrido: Justificar la elección de una plataforma en una presentación (Opcional) 00:00:00
      • Cuestionario graduado: Despliegue de plataformas 00:20:00
      • Responsabilidades del ingeniero de IA/ML 00:06:07
      • Capacidades y competencias necesarias 00:10:00
      • Tareas y proyectos típicos 00:07:23
      • Actividad práctica: Representación de un jefe de contratación 01:00:00
      • Reflexión: El papel de los ingenieros de IA/ML en un contexto empresarial 00:20:00
      • Recorrido: El proceso de toma de decisiones (Opcional) 00:00:00
      • Escuche a un experto: Calidad de los datos en el entorno empresarial 00:04:14
      • Priorización de tareas y gestión de flujos de trabajo 00:10:00
      • Equilibrar el desarrollo, la implantación y el mantenimiento de modelos 00:07:51
      • Garantizar que los sistemas IA/ML sean escalables, fiables y funcionales 00:10:00
      • Actividad práctica: Priorización de tareas como ingeniero de IA/ML 00:30:00
      • Reflexión: Prioridades clave para los ingenieros de IA/ML 00:20:00
      • Recorrido: Priorización de tareas como ingeniero de IA/ML (opcional) 00:00:00
      • Escuchar a un experto: entender el problema antes de crear soluciones de IA 00:04:31
      • Importancia de las redes y las relaciones profesionales 00:07:00
      • Estrategias para encontrar y contactar con mentores sobre el terreno 00:07:00
      • Beneficios de la tutoría para el crecimiento y el desarrollo profesional 00:06:00
      • Actividad práctica: Creación de un plan de acción en red para la industria de IA/ML 00:25:00
      • Reflexión: Creación de redes y tutoría 00:20:00
      • Tutorial: Cómo crear un plan de creación de redes de éxito (Opcional) 00:00:00
      • Otros recursos de lectura 00:10:00
      • Introducción a las revistas, blogs y conferencias del sector 00:10:00
      • Recomendaciones para el futuro 00:07:00
      • Resumen: conceptos de IA/ML en la práctica 00:08:54
      • Cuestionario graduado: Conceptos de IA/ML en la práctica 00:20:00
      • Resumen del curso 00:07:01
      • Tarea del curso: Redactar su propuesta a la alta dirección 00:45:00
      • Recorrido: Preparación de una presentación a la alta dirección (opcional) 00:00:00
      • Ejemplo: Cómo llegar a la alta dirección 00:07:51
      • ¡Enhorabuena por completar el curso! 00:02:22
        • Introducción al programa de certificación profesional avanzada en ingeniería de IA/ML 00:03:35
        • Introducción a los fundamentos de la infraestructura IA/ML 00:04:02
        • Un día en la vida de un ingeniero de IA/ML 00:03:57
        • Bienvenido a la Comunidad Coursera 00:02:00
        • Debate: Responsabilidades de los ingenieros de IA/ML 00:10:00
        • Actualizaciones de Microsoft 00:02:00
        • Primeros pasos con Jupyter Notebooks en Azure Machine Learning Studio 00:06:17
        • Actividad práctica: Configuración del entorno en Microsoft Azure 00:30:00
        • Reflexión: Configuración de su entorno en Microsoft Azure 00:20:00
        • Tutorial: Configuración del entorno en Microsoft Azure (opcional) 00:00:00
        • Selección de la estrategia adecuada de despliegue de modelos en Microsoft Azure 00:15:00
        • Actividad práctica: Selección de la estrategia de despliegue de modelos adecuada en Microsoft Azure 00:45:00
        • Reflexión: Selección de la estrategia correcta de despliegue de modelos en Microsoft Azure 00:20:00
        • Recorrido: Justificación de la elección del modelo (Opcional) 00:00:00
        • Programa del curso: Fundamentos de IA e Infraestructura de Aprendizaje automático 00:15:00
        • Construir la columna vertebral de los sistemas IA/ML 00:15:00
        • Introducción a la infraestructura IA/ML 00:05:42
        • Fuentes y canalizaciones de datos, marcos y plataformas 00:05:23
        • Actividad práctica: Emparejar componentes con funciones 00:20:00
        • Comprobación de conocimientos: Componentes de la infraestructura IA/ML 00:20:00
        • Introducción a las fuentes y canalizaciones de datos 00:04:44
        • Explicación de la estructura y la función de las fuentes y canalizaciones de datos 00:10:00
        • Exploración en profundidad de fuentes y conductos de datos 00:10:00
        • Ejemplos de fuentes y canalizaciones de datos 00:05:49
        • Comprobación de conocimientos: Fuentes de datos y canalizaciones 00:20:00
        • Introducción a los enfoques y marcos de desarrollo de modelos 00:04:51
        • Explicación de los marcos de desarrollo de modelos y sus aplicaciones 00:10:00
        • Consideraciones clave para seleccionar un marco de desarrollo de modelos 00:10:00
        • Actividad práctica: Selección de un marco adecuado para un problema empresarial complejo 00:45:00
        • Explicación de la selección de marcos 00:10:00
        • Reflexión: Marco de selección 00:20:00
        • Introducción a las plataformas de despliegue 00:05:15
        • Importancia de las plataformas de despliegue 00:05:20
        • Características y requisitos para un despliegue eficaz 00:05:59
        • Comprobación de conocimientos: Plataformas de despliegue 00:20:00
        • Resumen: Aplicaciones IA/ML 00:03:49
        • Guía práctica: Implantación de modelos de IA/ML 00:15:00
        • Actividad práctica: Plataformas de despliegue 00:30:00
        • Reflexión: Plataformas de despliegue 00:20:00
        • Recorrido: El problema empresarial del mantenimiento predictivo (Opcional) 00:00:00
        • Ejemplar del sector: Despliegue de modelos 00:03:39
        • Cuestionario graduado: Aplicaciones IA/ML 00:20:00
        • Panorama de las fuentes de datos 00:05:32
        • Métodos de adquisición de datos 00:06:27
        • Herramientas y bibliotecas para la adquisición de datos: especial atención a SQL 00:15:00
        • Actividad práctica: Configuración de un raspador de datos básico en Python 00:45:00
        • Reflexión: Configuración local de scraper básico en Python 00:20:00
        • Tutorial: Configuración de un raspador de datos python local (Opcional) 00:00:00
        • Actividad práctica: Obtención de un documento mediante un raspador web de Python 00:25:00
        • Reflexión: Obtención de un documento mediante el raspador web de Python 00:20:00
        • Tutorial: Obtención de un documento mediante Python Web Scraper (opcional) 00:00:00
        • Importancia de la limpieza y el preprocesamiento de datos 00:04:45
        • Gestión de valores perdidos, valores atípicos, normalización y transformación de datos 00:15:00
        • Actividad práctica: Configurar una herramienta local de limpieza y preprocesamiento de datos 00:45:00
        • Reflexión: Creación de una herramienta local de limpieza y preprocesamiento de datos 00:20:00
        • Recorrido: Configuración de una herramienta de preprocesamiento de datos (opcional) 00:00:00
        • Actividad práctica: Aplicar la herramienta de preprocesamiento a un conjunto de datos ficticio para la aplicación de ML 00:30:00
        • Reflexión: Limpieza y preprocesamiento de datos 00:20:00
        • Recorrido: Limpieza y preprocesamiento de datos (opcional) 00:00:00
        • Discusión: Limpieza de datos y preprocesamiento de valores atípicos 00:10:00
        • Escuche a un experto: el valor de una taxonomía coherente 00:02:55
        • Introducción a RAG 00:05:07
        • Comparación de las fuentes de datos para RAG y las canalizaciones de ML tradicionales 00:20:00
        • Mejores prácticas para mantener fuentes de datos eficientes para el GAR 00:05:22
        • Identificación de errores en la recogida de datos 00:20:00
        • Cómo identificar errores en la recogida de datos (Optativo) 00:00:00
        • La importancia de la seguridad de los datos en el desarrollo de la IA 00:10:00
        • Prácticas comunes de seguridad de datos 00:10:00
        • Casos reales de filtración de datos 00:10:00
        • Comprobación de conocimientos: Buenas prácticas en seguridad de datos 00:20:00
        • Escuche a un experto: Consideraciones de seguridad al trabajar con datos 00:06:10
        • Resumen: Gestión de datos en IA/ML 00:06:21
        • Actividad práctica: Auditoría de código ML en busca de vulnerabilidades de seguridad 00:55:00
        • Reflexión: Auditoría del código ML en busca de vulnerabilidades de seguridad 00:20:00
        • Tutorial: Auditoría del código ML en busca de vulnerabilidades de seguridad (Opcional) 00:00:00
        • Escuche a un experto: Ejemplar de la industria 00:04:47
        • Cuestionario graduado: Administración de datos en IA/ML 00:20:00
        • Introducción a los marcos de ML más conocidos 00:10:00
        • Visión general de los LLM preentrenados 00:10:00
        • Características principales y casos de uso de marcos y modelos 00:06:05
        • Actividad práctica: Selección y justificación de un marco de trabajo 01:00:00
        • Reflexión: Selección y justificación de un marco de trabajo 00:20:00
        • Recorrido: Selección y justificación de un marco (Opcional) 00:00:00
        • Puntos fuertes y débiles de los distintos marcos de ML 00:15:00
        • Comparación de marcos de ML 00:10:00
        • Aplicabilidad de los LLM preentrenados 00:05:25
        • Estudios de caso reales de marcos de ML 00:10:00
        • Debate: Puntos fuertes y débiles del marco seleccionado 00:10:00
        • Introducción a la aplicación de modelos 00:10:00
        • Guía para implementar un modelo simple en TensorFlow 00:06:22
        • Guía para implementar un modelo sencillo en PyTorch 00:06:17
        • Aplicar LLM preentrenados a tareas específicas 00:10:00
        • Actividad práctica: Aplicación de un modelo 01:30:00
        • Reflexión: Aplicación de un modelo 00:20:00
        • Tutorial: Implementación de un modelo (Opcional) 00:00:00
        • Criterios de selección de marcos en función de las necesidades del proyecto 00:05:59
        • Buenas prácticas para adaptar los marcos a los proyectos 00:10:00
        • Estudios de caso reales sobre la selección de marcos y su repercusión en los proyectos industriales 00:10:00
        • Actividad práctica: Selección de un marco para un proyecto fantasma 01:25:00
        • Reflexión: Selección del marco en función de las necesidades del proyecto 00:20:00
        • Recorrido: Selección del marco en función de las necesidades del proyecto (Opcional) 00:00:00
        • Resumen: Selección de un marco de trabajo 00:05:16
        • Actividad práctica: Implantación de un modelo de implantación empresarial 01:30:00
        • Reflexión: Aplicación del modelo a la empresa 00:20:00
        • Recorrido: Implementación del modelo para la empresa (Opcional) 00:00:00
        • Escuche a un experto: Ejemplar de la industria 00:05:48
        • Cuestionario graduado: Selección de un marco de trabajo 00:20:00
        • Principales características a tener en cuenta en las plataformas de despliegue 00:06:24
        • Introducción a Microsoft Azure 00:07:54
        • Comprobación de conocimientos: Plataformas de despliegue 00:20:00
        • Preparación de los modelos para su despliegue 00:04:36
        • Pasos adicionales para preparar un modelo para su despliegue en producción 00:06:26
        • Mejores prácticas para empaquetar y contenerizar modelos 00:10:00
        • Herramientas y marcos para el despliegue de modelos 00:10:00
        • Instrucciones: Preparación de un modelo para su despliegue 00:10:00
        • Actividad práctica: Preparación de un modelo para su despliegue 01:00:00
        • Reflexión: Preparar un modelo para su despliegue 00:20:00
        • Recorrido: Preparación de un modelo para su despliegue (Opcional) 00:00:00
        • Importancia del control de versiones 00:04:37
        • Herramientas y prácticas para el control de versiones (Git, DVC) 00:20:00
        • Garantizar la reproducibilidad 00:04:52
        • Control de versiones para la reproducibilidad 00:30:00
        • Actividad práctica: Aplicación del control de versiones para la reproducibilidad 00:30:00
        • Reflexión: Control de versiones para la reproducibilidad 00:20:00
        • Tutorial: Aplicación del control de versiones para la reproducibilidad (opcional) 00:00:00
        • Criterios de evaluación de las plataformas de despliegue 00:10:00
        • Casos prácticos reales de implantación con éxito de IA/ML 00:10:00
        • Consejos prácticos para elegir la plataforma adecuada a las necesidades específicas de cada proyecto 00:10:00
        • Actividad práctica: Selección de una plataforma de despliegue para un proyecto ficticio 01:00:00
        • Reflexión: Evaluación de las plataformas de despliegue 00:20:00
        • Recorrido: Evaluación de las plataformas de implantación (opcional) 00:00:00
        • Resumen: Despliegue de la plataforma 00:08:00
        • Actividad práctica: Justificar la elección de una plataforma en una presentación ante un ejecutivo de alto nivel 01:10:00
        • Reflexión: Apoyar su elección de plataforma 00:20:00
        • Recorrido: Justificar la elección de una plataforma en una presentación (Opcional) 00:00:00
        • Cuestionario graduado: Despliegue de plataformas 00:20:00
        • Responsabilidades del ingeniero de IA/ML 00:06:07
        • Capacidades y competencias necesarias 00:10:00
        • Tareas y proyectos típicos 00:07:23
        • Actividad práctica: Representación de un jefe de contratación 01:00:00
        • Reflexión: El papel de los ingenieros de IA/ML en un contexto empresarial 00:20:00
        • Recorrido: El proceso de toma de decisiones (Opcional) 00:00:00
        • Escuche a un experto: Calidad de los datos en el entorno empresarial 00:04:14
        • Priorización de tareas y gestión de flujos de trabajo 00:10:00
        • Equilibrar el desarrollo, la implantación y el mantenimiento de modelos 00:07:51
        • Garantizar que los sistemas IA/ML sean escalables, fiables y funcionales 00:10:00
        • Actividad práctica: Priorización de tareas como ingeniero de IA/ML 00:30:00
        • Reflexión: Prioridades clave para los ingenieros de IA/ML 00:20:00
        • Recorrido: Priorización de tareas como ingeniero de IA/ML (opcional) 00:00:00
        • Escuchar a un experto: entender el problema antes de crear soluciones de IA 00:04:31
        • Importancia de las redes y las relaciones profesionales 00:07:00
        • Estrategias para encontrar y contactar con mentores sobre el terreno 00:07:00
        • Beneficios de la tutoría para el crecimiento y el desarrollo profesional 00:06:00
        • Actividad práctica: Creación de un plan de acción en red para la industria de IA/ML 00:25:00
        • Reflexión: Creación de redes y tutoría 00:20:00
        • Tutorial: Cómo crear un plan de creación de redes de éxito (Opcional) 00:00:00
        • Otros recursos de lectura 00:10:00
        • Introducción a las revistas, blogs y conferencias del sector 00:10:00
        • Recomendaciones para el futuro 00:07:00
        • Resumen: conceptos de IA/ML en la práctica 00:08:54
        • Cuestionario graduado: Conceptos de IA/ML en la práctica 00:20:00
        • Resumen del curso 00:07:01
        • Tarea del curso: Redactar su propuesta a la alta dirección 00:45:00
        • Recorrido: Preparación de una presentación a la alta dirección (opcional) 00:00:00
        • Ejemplo: Cómo llegar a la alta dirección 00:07:51
        • ¡Enhorabuena por completar el curso! 00:02:22
          • Introducción al programa de certificación profesional avanzada en ingeniería de IA/ML 00:03:35
          • Curso de introducción a los algoritmos y técnicas de IA/ML 00:04:47
          • La importancia de los algoritmos y las técnicas en su trabajo 00:07:59
          • Comprobación de conocimientos: Algoritmos y técnicas 00:20:00
          • Bienvenido a la Comunidad Coursera 00:02:00
          • Actualizaciones de Microsoft 00:02:00
          • Actividad práctica: Configuración del entorno en Microsoft Azure 00:30:00
          • Reflexión: Configuración de su entorno en Microsoft Azure 00:20:00
          • Tutorial: Configuración del entorno en Microsoft Azure (opcional) 00:00:00
          • Actividad práctica: Crear tu propio repositorio de código utilizando Git 00:45:00
          • Reflexión: Crear su propio repositorio de código 00:20:00
          • Tutorial: Creación de su propio repositorio de código utilizando Git (Opcional) 00:00:00
          • Programa del curso: Algoritmos y técnicas de IA y Aprendizaje automático 00:10:00
          • ¿Qué es el aprendizaje supervisado? 00:06:44
          • Principios y enfoques clave del Aprendizaje supervisado 00:10:00
          • Comprobación de conocimientos: Aprendizaje supervisado 00:20:00
          • Buenas prácticas de aplicación de algoritmos de Aprendizaje supervisado 00:10:00
          • Actividad práctica: Integración de la regresión lineal 00:30:00
          • Reflexión: Integración de la regresión lineal 00:20:00
          • Tutorial: Integración de la regresión lineal (Opcional) 00:00:00
          • Actividad práctica: Aplicación de la regresión logística 00:30:00
          • Reflexión: Aplicación de la regresión logística 00:20:00
          • Tutorial: Implementación de la regresión logística (Opcional) 00:00:00
          • Actividad práctica: Aplicación de árboles de decisiones 00:30:00
          • Reflexión: Árboles de decisiones 00:20:00
          • Recorrido: Implementación de árboles de decisiones (Opcional) 00:00:00
          • Comparación de técnicas de aplicación con Python 00:04:35
          • Actividad práctica: Aplicación y comparación de modelos 01:15:00
          • Reflexión: Aplicación y comparación de modelos 00:20:00
          • Recorrido: Aplicación y comparación de modelos (opcional) 00:00:00
          • Métricas de evaluación de modelos de Aprendizaje supervisado 00:12:00
          • Demostración de casos prácticos de métricas de evaluación 00:04:46
          • Actividad práctica: Aplicación de métricas y validación cruzada 01:30:00
          • Reflexión: Aplicación de métricas y validación cruzada 00:20:00
          • Recorrido: Aplicación de métricas y validación cruzada (opcional) 00:00:00
          • Demostración de casos de uso de validación cruzada y métricas múltiples en ML 00:04:17
          • Comprobación de conocimientos: Validación cruzada y métricas múltiples 00:20:00
          • Métodos de selección de características: Eliminación hacia atrás, selección hacia delante y LASSO 00:05:00
          • Actividad práctica: Aplicación de la eliminación hacia atrás 00:40:00
          • Reflexión: Aplicación de la eliminación regresiva 00:20:00
          • Recorrido: Aplicación de la eliminación hacia atrás (Opcional) 00:00:00
          • Actividad práctica: Aplicación de la selección directa 00:40:00
          • Reflexión: Aplicación de la selección anticipada 00:20:00
          • Recorrido: Implementación de la selección hacia delante (Opcional) 00:00:00
          • Actividad práctica: Aplicación de LASSO 00:45:00
          • Reflexión: Aplicación de LASSO 00:20:00
          • Recorrido: Aplicación de LASSO (opcional) 00:00:00
          • Recorrido: Casos de uso de técnicas de Selección de características en demostraciones en directo (Opcional) 00:03:49
          • Resumen: Aprendizaje supervisado 00:04:34
          • Actividad práctica: Aplicación de técnicas de selección de características en un conjunto de datos dado 01:00:00
          • Reflexión: Aplicación de técnicas de Selección de características a un conjunto de datos determinado 00:20:00
          • Tutorial: Implementación de técnicas de Selección de características en un conjunto de datos dado (Opcional) 00:00:00
          • Ejemplar industrial: Técnicas de selección de características 00:10:00
          • Cuestionario graduado: Técnicas de selección de características 00:20:00
          • Visión general del Aprendizaje no supervisado 00:03:21
          • Principios y enfoques clave del Aprendizaje no supervisado 00:10:00
          • Comprobación de conocimientos: Principios del Aprendizaje no supervisado 00:20:00
          • Introducción a las técnicas de agrupación 00:10:00
          • Actividad práctica: Aplicación de la agrupación de k-means 00:40:00
          • Reflexión: Aplicación de la agrupación de k-means 00:20:00
          • Tutorial: Implementación de la agrupación de k-means (opcional) 00:00:00
          • Actividad práctica: Implementación de la agrupación DBSCAN 00:30:00
          • Reflexión: Implementación de la agrupación DBSCAN 00:20:00
          • Tutorial: Implementación de la agrupación DBSCAN (opcional) 00:00:00
          • Cómo implementar y visualizar la agrupación 00:04:33
          • Actividad práctica: Implementación de la agrupación y visualización 00:45:00
          • Reflexión: Implementación de la agrupación y la visualización 00:20:00
          • Recorrido: Agrupación y visualización (Opcional) 00:00:00
          • Técnicas de reducción de dimensionalidad 00:10:00
          • Actividad práctica: Aplicación de técnicas de reducción de dimensionalidad 01:00:00
          • Reflexión: Aplicación de técnicas de reducción de dimensionalidad 00:20:00
          • Tutorial: Aplicación de técnicas de reducción de dimensionalidad (opcional) 00:00:00
          • Demostración de casos prácticos de reducción de dimensionalidad 00:05:21
          • Comprobación de conocimientos: Reducción de dimensionalidad 00:20:00
          • Comparación de enfoques de Aprendizaje no supervisado para distintos conjuntos de datos 00:10:00
          • Actividad práctica: Interpretación de los resultados de la agrupación y la reducción de dimensionalidad 00:45:00
          • Reflexión: Interpretación de los resultados de la agrupación y la reducción de dimensionalidad 00:20:00
          • Recorrido: Interpretación de los resultados de la agrupación y la Reducción de dimensionalidad (Opcional) 00:00:00
          • Debate: Comparación de enfoques de Aprendizaje no supervisado para diferentes conjuntos de datos 00:30:00
          • Resumen: Aprendizaje no supervisado 00:10:00
          • Actividad práctica: Aplicación de métodos de Aprendizaje no supervisado 00:50:00
          • Reflexión: Aplicación de métodos de Aprendizaje no supervisado 00:20:00
          • Tutorial: Aplicación de métodos de Aprendizaje no supervisado (Optativo) 00:05:33
          • Ejemplar de la industria: Aplicación de técnicas de Aprendizaje no supervisado 00:05:00
          • Cuestionario graduado: Aprendizaje no supervisado 00:20:00
          • Visión general del Aprendizaje de refuerzo 00:04:48
          • Principios y enfoques clave del Aprendizaje de Refuerzo 00:20:00
          • Comprobación de conocimientos: Principios del Aprendizaje de Refuerzo 00:20:00
          • Comparación de técnicas de aplicación con Python 00:06:04
          • Actividad práctica: Comparación y refuerzo de algoritmos de aprendizaje 01:30:00
          • Reflexión: Q-Learning y gradientes políticos 00:20:00
          • Recorrido: Comparación de Q-learning y gradientes políticos (Opcional) 00:00:00
          • Métricas de evaluación de los modelos de Aprendizaje de Refuerzo 00:15:00
          • Demostración de casos de uso para aplicar métricas de evaluación del modelo 00:07:00
          • Actividad práctica: Aplicación de métricas de evaluación del modelo en el aprendizaje de refuerzo 01:30:00
          • Reflexión: Métricas de evaluación del modelo 00:20:00
          • Recorrido: Aplicación de las métricas de evaluación del modelo (Opcional) 00:00:00
          • Comprobación de conocimientos: Métricas de evaluación de los modelos de rendimiento 00:20:00
          • Comparación del aprendizaje de refuerzo con el aprendizaje supervisado y no supervisado 00:10:00
          • Demostración de casos prácticos de aprendizaje supervisado, no supervisado y de refuerzo 00:20:00
          • Debate: Análisis comparativo de los paradigmas de aprendizaje 00:30:00
          • Comparación de casos de uso de aprendizaje supervisado, no supervisado y por refuerzo 00:10:00
          • Resumen del Aprendizaje de refuerzo y otros enfoques 00:04:39
          • Actividad práctica: Aplicación del Aprendizaje de refuerzo y otros enfoques 01:30:00
          • Reflexión: Aplicación de enfoques de Aprendizaje supervisado, Aprendizaje no supervisado y Aprendizaje de refuerzo 00:20:00
          • Recorrido: Aprendizaje de refuerzo y otros enfoques (Optativo) 00:05:24
          • Ejemplar de la industria: Aprendizaje de refuerzo y otros enfoques 00:04:49
          • Cuestionario graduado: Aprendizaje de refuerzo y otros enfoques 00:20:00
          • Visión general de las redes neuronales 00:04:35
          • Principales características y arquitecturas de las redes neuronales 00:10:00
          • Comprobación de conocimientos: Principales arquitecturas y características de las redes neuronales 00:20:00
          • Implementación de redes neuronales en Azure 00:15:00
          • Comparación de técnicas de implementación de redes neuronales con Python 00:15:00
          • Actividad práctica: Implementación de una red neuronal con TensorFlow 01:15:00
          • Reflexión: Implementación de una red neuronal con TensorFlow 00:20:00
          • Tutorial: Implementación de una red neuronal con TensorFlow (Opcional) 00:00:00
          • Actividad práctica: Implementación y comparación de arquitecturas de redes neuronales 01:30:00
          • Reflexión: Implantación y comparación de arquitecturas de redes neuronales 00:20:00
          • Tutorial: Implementación y comparación de arquitecturas de redes neuronales en TensorFlow y PyTorch (Opcional) 00:09:22
          • Explicación de las técnicas de Aprendizaje profundo 00:15:00
          • Demostración de casos de uso de FNNs, CNNs y RNNs 00:05:26
          • Actividad práctica: Aplicación de técnicas de Aprendizaje profundo 01:30:00
          • Reflexión: Aplicación de técnicas de Aprendizaje profundo 00:20:00
          • Tutorial: Implementación de técnicas de Aprendizaje profundo (FNN, CNN, RNN) (Opcional) 00:00:00
          • Implementación de técnicas de Aprendizaje profundo: GAN y autocodificadores 00:15:00
          • Comprobación de conocimientos: Técnicas de aprendizaje profundo 00:20:00
          • Actividad práctica: Evaluación de modelos de Aprendizaje profundo en el contexto de la IA generativa 01:45:00
          • Reflexión: Evaluación de modelos de Aprendizaje profundo en el contexto de la IA generativa 00:20:00
          • Recorrido: Evaluación de modelos de Aprendizaje profundo en el contexto de la IA generativa (Opcional) 00:00:00
          • Resumen: Aprendizaje profundo y redes neuronales 00:10:00
          • Actividad práctica: Análisis de un conjunto de datos e implementación de una red neuronal para el análisis del Aprendizaje profundo 00:45:00
          • Reflexión: Análisis de un conjunto de datos e implementación de una red neuronal para el análisis del Aprendizaje profundo 00:20:00
          • Tutorial: Análisis de un conjunto de datos e implementación de una red neuronal para el análisis del Aprendizaje profundo (Opcional) 00:05:34
          • Escuche a un experto: Ejemplar de la industria del aprendizaje profundo y las redes neuronales 00:06:52
          • Cuestionario graduado: Aprendizaje profundo y redes neuronales 00:20:00
          • Visión general de los enfoques de ingeniería IA/ML 00:06:01
          • Estudios de caso reales de implantación de IA/ML en empresas 00:10:00
          • Escuche a un experto: Alinear la IA con los objetivos de la organización 00:04:29
          • Actividad práctica: Aplicación de un enfoque corporativo en contexto 00:30:00
          • Actividad práctica: Despliegue y reparación de sistemas de IA/ML 00:30:00
          • Reflexión: Despliegue y reparación de sistemas IA/ML 00:20:00
          • Recorrido: Despliegue y reparación de sistemas IA/ML (Opcional) 00:00:00
          • Comprobación de conocimientos: Enfoques de ingeniería IA/ML 00:20:00
          • Funciones de los ingenieros de IA/ML 00:10:00
          • Descripciones detalladas de las funciones de los ingenieros de IA/ML en la industria 00:10:00
          • Debate: Comparación de las funciones de los ingenieros de IA/ML 00:30:00
          • Comprobación de conocimientos: Adecuación de las funciones de ingeniería de IA/ML a las responsabilidades 00:20:00
          • Considere su carrera en ingeniería de IA/ML 00:10:00
          • Actividad práctica: Identificar tus puntos fuertes, débiles e intereses en la ingeniería de IA/ML 00:30:00
          • Reflexión: Identificación de tus puntos fuertes, débiles e intereses en la ingeniería de IA/ML 00:20:00
          • La importancia de la colaboración en las profesiones de IA/ML 00:03:48
          • Comprensión de la dinámica de equipo en los equipos de desarrollo de IA/ML 00:10:00
          • Escuche a un experto: Equilibrar las prioridades empresariales y técnicas 00:06:49
          • Guía completa 00:05:00
          • Herramientas y plataformas para seguir aprendiendo 00:05:00
          • Resumen: Ingeniería de IA/ML y trabajo con modelos 00:06:22
          • Ejemplar de la industria: Debate sobre las funciones en IA/ML 00:10:00
          • Cuestionario graduado: Ingeniería de IA/ML y trabajo con modelos 00:20:00
          • Actividad práctica: Creación de un plan de desarrollo IA/ML para un proyecto ficticio 00:45:00
          • Reflexión: Creación de un plan de desarrollo IA/ML para un proyecto ficticio 00:20:00
          • Recorrido: Creación de un plan de desarrollo de IA/ML para la predicción de la pérdida de clientes (opcional) 00:00:00
          • Resumen, gracias, y buena suerte 00:03:26
          • Actividad práctica: Diseño y desarrollo de una solución IA/ML 02:00:00
          • Comprobación de conocimientos: Diseño y desarrollo de una solución IA/ML 00:20:00
          • Tarea del curso: Elaboración de un informe técnico exhaustivo sobre un proyecto de IA/ML 00:45:00
          • Gracias y enhorabuena 00:01:39
            • Introducción al programa de certificación profesional avanzada en ingeniería de IA/ML 00:03:35
            • Curso de introducción a los algoritmos y técnicas de IA/ML 00:04:47
            • La importancia de los algoritmos y las técnicas en su trabajo 00:07:59
            • Comprobación de conocimientos: Algoritmos y técnicas 00:20:00
            • Bienvenido a la Comunidad Coursera 00:02:00
            • Actualizaciones de Microsoft 00:02:00
            • Actividad práctica: Configuración del entorno en Microsoft Azure 00:30:00
            • Reflexión: Configuración de su entorno en Microsoft Azure 00:20:00
            • Tutorial: Configuración del entorno en Microsoft Azure (opcional) 00:00:00
            • Actividad práctica: Crear tu propio repositorio de código utilizando Git 00:45:00
            • Reflexión: Crear su propio repositorio de código 00:20:00
            • Tutorial: Creación de su propio repositorio de código utilizando Git (Opcional) 00:00:00
            • Programa del curso: Algoritmos y técnicas de IA y Aprendizaje automático 00:10:00
            • ¿Qué es el aprendizaje supervisado? 00:06:44
            • Principios y enfoques clave del Aprendizaje supervisado 00:10:00
            • Comprobación de conocimientos: Aprendizaje supervisado 00:20:00
            • Buenas prácticas de aplicación de algoritmos de Aprendizaje supervisado 00:10:00
            • Actividad práctica: Integración de la regresión lineal 00:30:00
            • Reflexión: Integración de la regresión lineal 00:20:00
            • Tutorial: Integración de la regresión lineal (Opcional) 00:00:00
            • Actividad práctica: Aplicación de la regresión logística 00:30:00
            • Reflexión: Aplicación de la regresión logística 00:20:00
            • Tutorial: Implementación de la regresión logística (Opcional) 00:00:00
            • Actividad práctica: Aplicación de árboles de decisiones 00:30:00
            • Reflexión: Árboles de decisiones 00:20:00
            • Recorrido: Implementación de árboles de decisiones (Opcional) 00:00:00
            • Comparación de técnicas de aplicación con Python 00:04:35
            • Actividad práctica: Aplicación y comparación de modelos 01:15:00
            • Reflexión: Aplicación y comparación de modelos 00:20:00
            • Recorrido: Aplicación y comparación de modelos (opcional) 00:00:00
            • Métricas de evaluación de modelos de Aprendizaje supervisado 00:12:00
            • Demostración de casos prácticos de métricas de evaluación 00:04:46
            • Actividad práctica: Aplicación de métricas y validación cruzada 01:30:00
            • Reflexión: Aplicación de métricas y validación cruzada 00:20:00
            • Recorrido: Aplicación de métricas y validación cruzada (opcional) 00:00:00
            • Demostración de casos de uso de validación cruzada y métricas múltiples en ML 00:04:17
            • Comprobación de conocimientos: Validación cruzada y métricas múltiples 00:20:00
            • Métodos de selección de características: Eliminación hacia atrás, selección hacia delante y LASSO 00:05:00
            • Actividad práctica: Aplicación de la eliminación hacia atrás 00:40:00
            • Reflexión: Aplicación de la eliminación regresiva 00:20:00
            • Recorrido: Aplicación de la eliminación hacia atrás (Opcional) 00:00:00
            • Actividad práctica: Aplicación de la selección directa 00:40:00
            • Reflexión: Aplicación de la selección anticipada 00:20:00
            • Recorrido: Implementación de la selección hacia delante (Opcional) 00:00:00
            • Actividad práctica: Aplicación de LASSO 00:45:00
            • Reflexión: Aplicación de LASSO 00:20:00
            • Recorrido: Aplicación de LASSO (opcional) 00:00:00
            • Recorrido: Casos de uso de técnicas de Selección de características en demostraciones en directo (Opcional) 00:03:49
            • Resumen: Aprendizaje supervisado 00:04:34
            • Actividad práctica: Aplicación de técnicas de selección de características en un conjunto de datos dado 01:00:00
            • Reflexión: Aplicación de técnicas de Selección de características a un conjunto de datos determinado 00:20:00
            • Tutorial: Implementación de técnicas de Selección de características en un conjunto de datos dado (Opcional) 00:00:00
            • Ejemplar industrial: Técnicas de selección de características 00:10:00
            • Cuestionario graduado: Técnicas de selección de características 00:20:00
            • Visión general del Aprendizaje no supervisado 00:03:21
            • Principios y enfoques clave del Aprendizaje no supervisado 00:10:00
            • Comprobación de conocimientos: Principios del Aprendizaje no supervisado 00:20:00
            • Introducción a las técnicas de agrupación 00:10:00
            • Actividad práctica: Aplicación de la agrupación de k-means 00:40:00
            • Reflexión: Aplicación de la agrupación de k-means 00:20:00
            • Tutorial: Implementación de la agrupación de k-means (opcional) 00:00:00
            • Actividad práctica: Implementación de la agrupación DBSCAN 00:30:00
            • Reflexión: Implementación de la agrupación DBSCAN 00:20:00
            • Tutorial: Implementación de la agrupación DBSCAN (opcional) 00:00:00
            • Cómo implementar y visualizar la agrupación 00:04:33
            • Actividad práctica: Implementación de la agrupación y visualización 00:45:00
            • Reflexión: Implementación de la agrupación y la visualización 00:20:00
            • Recorrido: Agrupación y visualización (Opcional) 00:00:00
            • Técnicas de reducción de dimensionalidad 00:10:00
            • Actividad práctica: Aplicación de técnicas de reducción de dimensionalidad 01:00:00
            • Reflexión: Aplicación de técnicas de reducción de dimensionalidad 00:20:00
            • Tutorial: Aplicación de técnicas de reducción de dimensionalidad (opcional) 00:00:00
            • Demostración de casos prácticos de reducción de dimensionalidad 00:05:21
            • Comprobación de conocimientos: Reducción de dimensionalidad 00:20:00
            • Comparación de enfoques de Aprendizaje no supervisado para distintos conjuntos de datos 00:10:00
            • Actividad práctica: Interpretación de los resultados de la agrupación y la reducción de dimensionalidad 00:45:00
            • Reflexión: Interpretación de los resultados de la agrupación y la reducción de dimensionalidad 00:20:00
            • Recorrido: Interpretación de los resultados de la agrupación y la Reducción de dimensionalidad (Opcional) 00:00:00
            • Debate: Comparación de enfoques de Aprendizaje no supervisado para diferentes conjuntos de datos 00:30:00
            • Resumen: Aprendizaje no supervisado 00:10:00
            • Actividad práctica: Aplicación de métodos de Aprendizaje no supervisado 00:50:00
            • Reflexión: Aplicación de métodos de Aprendizaje no supervisado 00:20:00
            • Tutorial: Aplicación de métodos de Aprendizaje no supervisado (Optativo) 00:05:33
            • Ejemplar de la industria: Aplicación de técnicas de Aprendizaje no supervisado 00:05:00
            • Cuestionario graduado: Aprendizaje no supervisado 00:20:00
            • Visión general del Aprendizaje de refuerzo 00:04:48
            • Principios y enfoques clave del Aprendizaje de Refuerzo 00:20:00
            • Comprobación de conocimientos: Principios del Aprendizaje de Refuerzo 00:20:00
            • Comparación de técnicas de aplicación con Python 00:06:04
            • Actividad práctica: Comparación y refuerzo de algoritmos de aprendizaje 01:30:00
            • Reflexión: Q-Learning y gradientes políticos 00:20:00
            • Recorrido: Comparación de Q-learning y gradientes políticos (Opcional) 00:00:00
            • Métricas de evaluación de los modelos de Aprendizaje de Refuerzo 00:15:00
            • Demostración de casos de uso para aplicar métricas de evaluación del modelo 00:07:00
            • Actividad práctica: Aplicación de métricas de evaluación del modelo en el aprendizaje de refuerzo 01:30:00
            • Reflexión: Métricas de evaluación del modelo 00:20:00
            • Recorrido: Aplicación de las métricas de evaluación del modelo (Opcional) 00:00:00
            • Comprobación de conocimientos: Métricas de evaluación de los modelos de rendimiento 00:20:00
            • Comparación del aprendizaje de refuerzo con el aprendizaje supervisado y no supervisado 00:10:00
            • Demostración de casos prácticos de aprendizaje supervisado, no supervisado y de refuerzo 00:20:00
            • Debate: Análisis comparativo de los paradigmas de aprendizaje 00:30:00
            • Comparación de casos de uso de aprendizaje supervisado, no supervisado y por refuerzo 00:10:00
            • Resumen del Aprendizaje de refuerzo y otros enfoques 00:04:39
            • Actividad práctica: Aplicación del Aprendizaje de refuerzo y otros enfoques 01:30:00
            • Reflexión: Aplicación de enfoques de Aprendizaje supervisado, Aprendizaje no supervisado y Aprendizaje de refuerzo 00:20:00
            • Recorrido: Aprendizaje de refuerzo y otros enfoques (Optativo) 00:05:24
            • Ejemplar de la industria: Aprendizaje de refuerzo y otros enfoques 00:04:49
            • Cuestionario graduado: Aprendizaje de refuerzo y otros enfoques 00:20:00
            • Visión general de las redes neuronales 00:04:35
            • Principales características y arquitecturas de las redes neuronales 00:10:00
            • Comprobación de conocimientos: Principales arquitecturas y características de las redes neuronales 00:20:00
            • Implementación de redes neuronales en Azure 00:15:00
            • Comparación de técnicas de implementación de redes neuronales con Python 00:15:00
            • Actividad práctica: Implementación de una red neuronal con TensorFlow 01:15:00
            • Reflexión: Implementación de una red neuronal con TensorFlow 00:20:00
            • Tutorial: Implementación de una red neuronal con TensorFlow (Opcional) 00:00:00
            • Actividad práctica: Implementación y comparación de arquitecturas de redes neuronales 01:30:00
            • Reflexión: Implantación y comparación de arquitecturas de redes neuronales 00:20:00
            • Tutorial: Implementación y comparación de arquitecturas de redes neuronales en TensorFlow y PyTorch (Opcional) 00:09:22
            • Explicación de las técnicas de Aprendizaje profundo 00:15:00
            • Demostración de casos de uso de FNNs, CNNs y RNNs 00:05:26
            • Actividad práctica: Aplicación de técnicas de Aprendizaje profundo 01:30:00
            • Reflexión: Aplicación de técnicas de Aprendizaje profundo 00:20:00
            • Tutorial: Implementación de técnicas de Aprendizaje profundo (FNN, CNN, RNN) (Opcional) 00:00:00
            • Implementación de técnicas de Aprendizaje profundo: GAN y autocodificadores 00:15:00
            • Comprobación de conocimientos: Técnicas de aprendizaje profundo 00:20:00
            • Actividad práctica: Evaluación de modelos de Aprendizaje profundo en el contexto de la IA generativa 01:45:00
            • Reflexión: Evaluación de modelos de Aprendizaje profundo en el contexto de la IA generativa 00:20:00
            • Recorrido: Evaluación de modelos de Aprendizaje profundo en el contexto de la IA generativa (Opcional) 00:00:00
            • Resumen: Aprendizaje profundo y redes neuronales 00:10:00
            • Actividad práctica: Análisis de un conjunto de datos e implementación de una red neuronal para el análisis del Aprendizaje profundo 00:45:00
            • Reflexión: Análisis de un conjunto de datos e implementación de una red neuronal para el análisis del Aprendizaje profundo 00:20:00
            • Tutorial: Análisis de un conjunto de datos e implementación de una red neuronal para el análisis del Aprendizaje profundo (Opcional) 00:05:34
            • Escuche a un experto: Ejemplar de la industria del aprendizaje profundo y las redes neuronales 00:06:52
            • Cuestionario graduado: Aprendizaje profundo y redes neuronales 00:20:00
            • Visión general de los enfoques de ingeniería IA/ML 00:06:01
            • Estudios de caso reales de implantación de IA/ML en empresas 00:10:00
            • Escuche a un experto: Alinear la IA con los objetivos de la organización 00:04:29
            • Actividad práctica: Aplicación de un enfoque corporativo en contexto 00:30:00
            • Actividad práctica: Despliegue y reparación de sistemas de IA/ML 00:30:00
            • Reflexión: Despliegue y reparación de sistemas IA/ML 00:20:00
            • Recorrido: Despliegue y reparación de sistemas IA/ML (Opcional) 00:00:00
            • Comprobación de conocimientos: Enfoques de ingeniería IA/ML 00:20:00
            • Funciones de los ingenieros de IA/ML 00:10:00
            • Descripciones detalladas de las funciones de los ingenieros de IA/ML en la industria 00:10:00
            • Debate: Comparación de las funciones de los ingenieros de IA/ML 00:30:00
            • Comprobación de conocimientos: Adecuación de las funciones de ingeniería de IA/ML a las responsabilidades 00:20:00
            • Considere su carrera en ingeniería de IA/ML 00:10:00
            • Actividad práctica: Identificar tus puntos fuertes, débiles e intereses en la ingeniería de IA/ML 00:30:00
            • Reflexión: Identificación de tus puntos fuertes, débiles e intereses en la ingeniería de IA/ML 00:20:00
            • La importancia de la colaboración en las profesiones de IA/ML 00:03:48
            • Comprensión de la dinámica de equipo en los equipos de desarrollo de IA/ML 00:10:00
            • Escuche a un experto: Equilibrar las prioridades empresariales y técnicas 00:06:49
            • Guía completa 00:05:00
            • Herramientas y plataformas para seguir aprendiendo 00:05:00
            • Resumen: Ingeniería de IA/ML y trabajo con modelos 00:06:22
            • Ejemplar de la industria: Debate sobre las funciones en IA/ML 00:10:00
            • Cuestionario graduado: Ingeniería de IA/ML y trabajo con modelos 00:20:00
            • Actividad práctica: Creación de un plan de desarrollo IA/ML para un proyecto ficticio 00:45:00
            • Reflexión: Creación de un plan de desarrollo IA/ML para un proyecto ficticio 00:20:00
            • Recorrido: Creación de un plan de desarrollo de IA/ML para la predicción de la pérdida de clientes (opcional) 00:00:00
            • Resumen, gracias, y buena suerte 00:03:26
            • Actividad práctica: Diseño y desarrollo de una solución IA/ML 02:00:00
            • Comprobación de conocimientos: Diseño y desarrollo de una solución IA/ML 00:20:00
            • Tarea del curso: Elaboración de un informe técnico exhaustivo sobre un proyecto de IA/ML 00:45:00
            • Gracias y enhorabuena 00:01:39
              • Introducción al programa de certificación profesional avanzada en ingeniería de IA/ML 00:03:35
              • Introducción al ajuste fino LLM para la adaptación a tareas específicas 00:03:51
              • La importancia de afinar un LLM 00:03:41
              • Bienvenido a la Comunidad Coursera 00:02:00
              • Actualizaciones de Microsoft 00:02:00
              • Actividad práctica: Configuración del entorno en Microsoft Azure 00:30:00
              • Reflexión: Configuración de su entorno en Microsoft Azure 00:20:00
              • Tutorial: Configuración del entorno en Microsoft Azure (opcional) 00:00:00
              • Actividad práctica: Creación de un repositorio de código 01:00:00
              • Reflexión: Creación de su repositorio de código 00:20:00
              • Tutorial: Creación de su repositorio de código Parte 1 (Opcional) 00:05:09
              • Tutorial: Creación de su repositorio de código Parte 2 (Opcional) 00:07:49
              • Programa del curso 00:10:00
              • Visión general del ajuste fino del LLM 00:10:00
              • Puesta a punto del LLM: Principios y etapas 00:10:00
              • Actividad práctica: Puesta a punto del LLM 00:30:00
              • Reflexión: Puesta a punto del LLM 00:20:00
              • Recorrido: Ajuste de LLM (opcional) 00:00:00
              • Explicación detallada de los principios y pasos del ajuste fino del LLM 00:10:00
              • Revisión: Principios y etapas de la puesta a punto del LLM 00:15:00
              • Selección y preparación de datos para el ajuste fino 00:10:00
              • Demostración de un caso práctico: Selección y preparación de datos para el ajuste fino 00:06:51
              • Actividad práctica: Selección de modelos y conjuntos de datos 00:30:00
              • Reflexión: Selección de modelos y conjuntos de datos 00:20:00
              • Recorrido: Selección de modelos y conjuntos de datos (opcional) 00:00:00
              • Actividad práctica: Preparación de un conjunto de datos para su ajuste fino 01:00:00
              • Reflexión: Preparar un conjunto de datos para el ajuste fino 00:20:00
              • Recorrido: Preparación de un conjunto de datos para el ajuste fino (Opcional) 00:04:54
              • Técnicas de ajuste 00:10:00
              • Actividad práctica: Aplicación del PEFT 01:10:00
              • Reflexión: Aplicación del PEFT 00:20:00
              • Recorrido: Aplicación del PEFT (opcional) 00:00:00
              • Actividad práctica: Aplicación de LoRA 00:30:00
              • Reflexión: Aplicación de LoRA 00:20:00
              • Recorrido: Aplicación de LoRA (opcional) 00:00:00
              • Actividad práctica: Aplicación del QLoRA 01:25:00
              • Reflexión: Aplicación de QLoRA 00:20:00
              • Recorrido: Aplicación de QLoRA (opcional) 00:00:00
              • Actividad práctica: Comparación de técnicas de ajuste 01:40:00
              • Reflexión: Comparación de técnicas de ajuste 00:20:00
              • Recorrido: Comparación de técnicas de ajuste fino (Opcional) 00:13:00
              • Comprobación de conocimientos: Técnicas de perfeccionamiento 00:20:00
              • Evaluación de modelos ajustados 00:10:00
              • Explicación detallada de los parámetros de evaluación 00:10:00
              • Actividad práctica: Aplicación de métricas de evaluación en el ajuste de modelos 01:05:00
              • Reflexión: Aplicación de métricas de evaluación en la puesta a punto de modelos 00:20:00
              • Recorrido: Aplicación de métricas de evaluación en el ajuste de modelos (opcional) 00:00:00
              • Importancia de los parámetros de evaluación 00:05:06
              • Resumen: Perfeccionamiento de los LLM 00:04:26
              • Actividad práctica: Puesta a punto de un LLM 01:05:00
              • Reflexión: Puesta a punto de un LLM 00:20:00
              • Recorrido: Puesta a punto de un LLM (Opcional) 00:07:09
              • Cuestionario graduado: Perfeccionamiento de los LLM 00:20:00
              • Introducción a los agentes de IA 00:05:11
              • Explicación detallada de los principios y la arquitectura de los agentes de IA 00:10:00
              • Comprobación de conocimientos: Agentes de IA 00:20:00
              • Comprender los sistemas multiagente 00:10:00
              • Principios de los sistemas multiagente 00:10:00
              • Diferencias en los sistemas multiagente 00:05:34
              • Demostración de casos de uso: Sistemas multiagente 00:08:27
              • Actividad práctica: Sistemas multiagente frente a sistemas agente único 00:45:00
              • Reflexión: Sistemas multiagente frente a sistemas de agente único 00:20:00
              • Recorrido: Sistemas multiagente frente a sistemas agente único (Opcional) 00:00:00
              • Comprobación de conocimientos: Sistemas multiagente 00:20:00
              • Diseño de agentes inteligentes de resolución de problemas 00:10:00
              • Definición de requisitos para agentes inteligentes de resolución de problemas 00:10:00
              • Comprobación de conocimientos: Diseño de agentes inteligentes de resolución de problemas 00:20:00
              • Requisitos para solucionar eficazmente los problemas de IA 00:10:00
              • Actividad práctica: Requisitos clave para la resolución de problemas de IA 01:25:00
              • Reflexión: Requisitos clave para la resolución de problemas de IA 00:20:00
              • Recorrido: Requisitos clave para la resolución de problemas de IA (Opcional) 00:00:00
              • Ejemplos del mundo real: Solución eficaz de problemas de IA 00:06:19
              • Debate: Mejores prácticas para la resolución de problemas de IA 01:00:00
              • Resumen: Agentes de IA 00:10:00
              • Actividad práctica: Diseño de un agente inteligente de resolución de problemas 01:25:00
              • Reflexión: Diseño de un agente inteligente de resolución de problemas 00:20:00
              • Recorrido: Diseño de un agente inteligente de resolución de problemas (Opcional) 00:09:43
              • Cuestionario graduado: Agentes de IA 00:20:00
              • Panorama de las técnicas de procesamiento del lenguaje natural (PLN) 00:07:12
              • Explicación detallada: principios y aplicaciones de la PNL 00:10:00
              • Comprobación de conocimientos: Técnicas de PNL 00:20:00
              • Desarrollar una interfaz de chatbot 00:10:00
              • Actividad práctica: Desarrollo de la interfaz del chatbot 00:30:00
              • Reflexión: Desarrollo de la interfaz del chatbot 00:20:00
              • Recorrido: Desarrollo de la interfaz del chatbot (Opcional) 00:09:28
              • Panorama general: análisis de sentimientos 00:10:00
              • Demostración de un caso práctico: Análisis de sentimiento 00:05:15
              • Explicación del análisis de sentimientos 00:10:00
              • Actividad práctica: Aplicación del análisis de sentimientos 01:15:00
              • Reflexión: Aplicación del análisis de sentimientos 00:20:00
              • Tutorial: Aplicación del análisis de opiniones (opcional) 00:07:28
              • Comprobación de conocimientos: Análisis del sentimiento 00:20:00
              • Integración de componentes de PNL 00:20:00
              • Buenas prácticas para integrar componentes de PNL 00:06:13
              • Actividad práctica: Integración de los componentes de la PNL 00:55:00
              • Reflexión: Integración de los componentes de la PNL 00:20:00
              • Tutorial: Integración de componentes de PNL (opcional) 00:00:00
              • Resumen del módulo: PNL para la resolución de problemas 00:06:52
              • Actividad práctica: Aplicación de la PNL para la resolución de problemas 01:00:00
              • Reflexión: Aplicación de la PNL a la resolución de problemas 00:20:00
              • Tutorial: Implementación de NLP para la resolución de problemas (Opcional) 00:08:27
              • Cuestionario graduado: Aplicación de la NLP para la resolución de problemas 00:20:00
              • Funciones básicas de un agente de resolución de problemas 00:10:00
              • Explicación de los componentes clave 00:10:00
              • Actividad práctica: Codificación en Python 00:30:00
              • Reflexión: Codificación en Python 00:20:00
              • Tutorial: Codificación de un agente de resolución de problemas en Python (Opcional) 00:08:14
              • Modelos de clasificación de problemas 00:10:00
              • Explicación de los modelos de clasificación 00:10:00
              • Actividad práctica: Implementación de modelos de clasificación 00:30:00
              • Reflexión: Aplicación de modelos de clasificación 00:20:00
              • Tutorial: Implementación de modelos de clasificación (Opcional) 00:08:18
              • Actividad práctica: Implantación y evaluación de modelos de clasificación 01:30:00
              • Reflexión: Aplicación y evaluación de modelos de clasificación 00:20:00
              • Recorrido: Implantación y evaluación de modelos de clasificación (Optativo) 00:00:00
              • Algoritmos de toma de decisiones 00:10:00
              • Cómo implementar un algoritmo de toma de decisiones en Python 00:07:27
              • Actividad práctica: Creación de un algoritmo de toma de decisiones en Python 00:30:00
              • Reflexión: Creación de un algoritmo de toma de decisiones en Python 00:20:00
              • Tutorial: Creación de un algoritmo de toma de decisiones en Python (Opcional) 00:00:00
              • Actividad práctica: Recomendación de soluciones 01:30:00
              • Reflexión: Recomendación de solución 00:20:00
              • Recorrido: Creación de un sistema de recomendación de soluciones (opcional) 00:06:52
              • Tratamiento de errores y registro 00:10:00
              • Explicación del tratamiento de errores 00:10:00
              • Actividad práctica: Aplicación de mecanismos 01:30:00
              • Reflexión: Mecanismos de aplicación 00:20:00
              • Recorrido: Implementación de mecanismos (Opcional) 00:00:00
              • Actividad práctica: Registro 00:30:00
              • Reflexión: Registro 00:20:00
              • Recorrido: Implementación del registro en sistemas ML (Opcional) 00:05:55
              • Resumen: Agentes de resolución de problemas 00:10:00
              • Actividad práctica: Implantación del agente de resolución de problemas 00:30:00
              • Reflexión: Implantación del agente de resolución de problemas 00:20:00
              • Tutorial: Implementación del agente de solución de problemas (Opcional) 00:05:12
              • Cuestionario graduado: Resolución de problemas de los agentes 00:20:00
              • Diseño de casos de prueba 00:06:51
              • Explicación del diseño de casos de prueba 00:10:00
              • Actividad práctica: Diseño de casos de prueba para sistemas de ML 00:30:00
              • Reflexión: Diseño de casos de prueba para sistemas de ML 00:20:00
              • Recorrido: Diseño de casos de prueba para sistemas ML (Opcional) 00:06:38
              • Escuchar a un experto: tener en cuenta los matices culturales, lingüísticos y contextuales 00:04:33
              • Optimización del tiempo de respuesta y la precisión 00:10:00
              • Explicación de las técnicas de optimización 00:06:37
              • Actividad práctica: Aplicación de técnicas de optimización 00:30:00
              • Reflexión: Aplicación de técnicas de optimización 00:20:00
              • Tutorial: Aplicación de técnicas de optimización (opcional) 00:07:03
              • Evaluación de la eficacia de los agentes 00:10:00
              • Actividad práctica: Evaluación de la eficacia de los agentes 00:30:00
              • Reflexión: Evaluación de la eficacia de los agentes 00:20:00
              • Recorrido: Evaluación de la eficacia de los agentes (opcional) 00:06:44
              • Escuche a un experto: Diseñar pensando en el usuario final 00:02:53
              • Resumen: Pruebas y optimización del agente 00:06:27
              • Actividad práctica: Prueba y optimización del agente 00:30:00
              • Reflexión: Prueba y optimización del agente 00:20:00
              • Recorrido: Prueba y optimización del agente ML (Opcional) 00:07:00
              • Cuestionario graduado: Prueba y optimización del agente 00:20:00
              • Escuche a un experto: Resolver problemas inesperados durante la aplicación 00:05:12
              • Resumen del curso 00:04:02
              • Tarea del curso: Elaboración de un agente de resolución de problemas 00:30:00
              • Reflexión: Elaboración de un agente de resolución de problemas 00:20:00
              • Recorrido: Creación de un agente de resolución de problemas (opcional) 00:04:21
              • Tarea del curso: Redacción del informe técnico 01:30:00
              • ¡Enhorabuena por completar el curso! 00:03:14
                • Introducción al programa de certificación profesional avanzada en ingeniería de IA/ML 00:03:35
                • Introducción al ajuste fino LLM para la adaptación a tareas específicas 00:03:51
                • La importancia de afinar un LLM 00:03:41
                • Bienvenido a la Comunidad Coursera 00:02:00
                • Actualizaciones de Microsoft 00:02:00
                • Actividad práctica: Configuración del entorno en Microsoft Azure 00:30:00
                • Reflexión: Configuración de su entorno en Microsoft Azure 00:20:00
                • Tutorial: Configuración del entorno en Microsoft Azure (opcional) 00:00:00
                • Actividad práctica: Creación de un repositorio de código 01:00:00
                • Reflexión: Creación de su repositorio de código 00:20:00
                • Tutorial: Creación de su repositorio de código Parte 1 (Opcional) 00:05:09
                • Tutorial: Creación de su repositorio de código Parte 2 (Opcional) 00:07:49
                • Programa del curso 00:10:00
                • Visión general del ajuste fino del LLM 00:10:00
                • Puesta a punto del LLM: Principios y etapas 00:10:00
                • Actividad práctica: Puesta a punto del LLM 00:30:00
                • Reflexión: Puesta a punto del LLM 00:20:00
                • Recorrido: Ajuste de LLM (opcional) 00:00:00
                • Explicación detallada de los principios y pasos del ajuste fino del LLM 00:10:00
                • Revisión: Principios y etapas de la puesta a punto del LLM 00:15:00
                • Selección y preparación de datos para el ajuste fino 00:10:00
                • Demostración de un caso práctico: Selección y preparación de datos para el ajuste fino 00:06:51
                • Actividad práctica: Selección de modelos y conjuntos de datos 00:30:00
                • Reflexión: Selección de modelos y conjuntos de datos 00:20:00
                • Recorrido: Selección de modelos y conjuntos de datos (opcional) 00:00:00
                • Actividad práctica: Preparación de un conjunto de datos para su ajuste fino 01:00:00
                • Reflexión: Preparar un conjunto de datos para el ajuste fino 00:20:00
                • Recorrido: Preparación de un conjunto de datos para el ajuste fino (Opcional) 00:04:54
                • Técnicas de ajuste 00:10:00
                • Actividad práctica: Aplicación del PEFT 01:10:00
                • Reflexión: Aplicación del PEFT 00:20:00
                • Recorrido: Aplicación del PEFT (opcional) 00:00:00
                • Actividad práctica: Aplicación de LoRA 00:30:00
                • Reflexión: Aplicación de LoRA 00:20:00
                • Recorrido: Aplicación de LoRA (opcional) 00:00:00
                • Actividad práctica: Aplicación del QLoRA 01:25:00
                • Reflexión: Aplicación de QLoRA 00:20:00
                • Recorrido: Aplicación de QLoRA (opcional) 00:00:00
                • Actividad práctica: Comparación de técnicas de ajuste 01:40:00
                • Reflexión: Comparación de técnicas de ajuste 00:20:00
                • Recorrido: Comparación de técnicas de ajuste fino (Opcional) 00:13:00
                • Comprobación de conocimientos: Técnicas de perfeccionamiento 00:20:00
                • Evaluación de modelos ajustados 00:10:00
                • Explicación detallada de los parámetros de evaluación 00:10:00
                • Actividad práctica: Aplicación de métricas de evaluación en el ajuste de modelos 01:05:00
                • Reflexión: Aplicación de métricas de evaluación en la puesta a punto de modelos 00:20:00
                • Recorrido: Aplicación de métricas de evaluación en el ajuste de modelos (opcional) 00:00:00
                • Importancia de los parámetros de evaluación 00:05:06
                • Resumen: Perfeccionamiento de los LLM 00:04:26
                • Actividad práctica: Puesta a punto de un LLM 01:05:00
                • Reflexión: Puesta a punto de un LLM 00:20:00
                • Recorrido: Puesta a punto de un LLM (Opcional) 00:07:09
                • Cuestionario graduado: Perfeccionamiento de los LLM 00:20:00
                • Introducción a los agentes de IA 00:05:11
                • Explicación detallada de los principios y la arquitectura de los agentes de IA 00:10:00
                • Comprobación de conocimientos: Agentes de IA 00:20:00
                • Comprender los sistemas multiagente 00:10:00
                • Principios de los sistemas multiagente 00:10:00
                • Diferencias en los sistemas multiagente 00:05:34
                • Demostración de casos de uso: Sistemas multiagente 00:08:27
                • Actividad práctica: Sistemas multiagente frente a sistemas agente único 00:45:00
                • Reflexión: Sistemas multiagente frente a sistemas de agente único 00:20:00
                • Recorrido: Sistemas multiagente frente a sistemas agente único (Opcional) 00:00:00
                • Comprobación de conocimientos: Sistemas multiagente 00:20:00
                • Diseño de agentes inteligentes de resolución de problemas 00:10:00
                • Definición de requisitos para agentes inteligentes de resolución de problemas 00:10:00
                • Comprobación de conocimientos: Diseño de agentes inteligentes de resolución de problemas 00:20:00
                • Requisitos para solucionar eficazmente los problemas de IA 00:10:00
                • Actividad práctica: Requisitos clave para la resolución de problemas de IA 01:25:00
                • Reflexión: Requisitos clave para la resolución de problemas de IA 00:20:00
                • Recorrido: Requisitos clave para la resolución de problemas de IA (Opcional) 00:00:00
                • Ejemplos del mundo real: Solución eficaz de problemas de IA 00:06:19
                • Debate: Mejores prácticas para la resolución de problemas de IA 01:00:00
                • Resumen: Agentes de IA 00:10:00
                • Actividad práctica: Diseño de un agente inteligente de resolución de problemas 01:25:00
                • Reflexión: Diseño de un agente inteligente de resolución de problemas 00:20:00
                • Recorrido: Diseño de un agente inteligente de resolución de problemas (Opcional) 00:09:43
                • Cuestionario graduado: Agentes de IA 00:20:00
                • Panorama de las técnicas de procesamiento del lenguaje natural (PLN) 00:07:12
                • Explicación detallada: principios y aplicaciones de la PNL 00:10:00
                • Comprobación de conocimientos: Técnicas de PNL 00:20:00
                • Desarrollar una interfaz de chatbot 00:10:00
                • Actividad práctica: Desarrollo de la interfaz del chatbot 00:30:00
                • Reflexión: Desarrollo de la interfaz del chatbot 00:20:00
                • Recorrido: Desarrollo de la interfaz del chatbot (Opcional) 00:09:28
                • Panorama general: análisis de sentimientos 00:10:00
                • Demostración de un caso práctico: Análisis de sentimiento 00:05:15
                • Explicación del análisis de sentimientos 00:10:00
                • Actividad práctica: Aplicación del análisis de sentimientos 01:15:00
                • Reflexión: Aplicación del análisis de sentimientos 00:20:00
                • Tutorial: Aplicación del análisis de opiniones (opcional) 00:07:28
                • Comprobación de conocimientos: Análisis del sentimiento 00:20:00
                • Integración de componentes de PNL 00:20:00
                • Buenas prácticas para integrar componentes de PNL 00:06:13
                • Actividad práctica: Integración de los componentes de la PNL 00:55:00
                • Reflexión: Integración de los componentes de la PNL 00:20:00
                • Tutorial: Integración de componentes de PNL (opcional) 00:00:00
                • Resumen del módulo: PNL para la resolución de problemas 00:06:52
                • Actividad práctica: Aplicación de la PNL para la resolución de problemas 01:00:00
                • Reflexión: Aplicación de la PNL a la resolución de problemas 00:20:00
                • Tutorial: Implementación de NLP para la resolución de problemas (Opcional) 00:08:27
                • Cuestionario graduado: Aplicación de la NLP para la resolución de problemas 00:20:00
                • Funciones básicas de un agente de resolución de problemas 00:10:00
                • Explicación de los componentes clave 00:10:00
                • Actividad práctica: Codificación en Python 00:30:00
                • Reflexión: Codificación en Python 00:20:00
                • Tutorial: Codificación de un agente de resolución de problemas en Python (Opcional) 00:08:14
                • Modelos de clasificación de problemas 00:10:00
                • Explicación de los modelos de clasificación 00:10:00
                • Actividad práctica: Implementación de modelos de clasificación 00:30:00
                • Reflexión: Aplicación de modelos de clasificación 00:20:00
                • Tutorial: Implementación de modelos de clasificación (Opcional) 00:08:18
                • Actividad práctica: Implantación y evaluación de modelos de clasificación 01:30:00
                • Reflexión: Aplicación y evaluación de modelos de clasificación 00:20:00
                • Recorrido: Implantación y evaluación de modelos de clasificación (Optativo) 00:00:00
                • Algoritmos de toma de decisiones 00:10:00
                • Cómo implementar un algoritmo de toma de decisiones en Python 00:07:27
                • Actividad práctica: Creación de un algoritmo de toma de decisiones en Python 00:30:00
                • Reflexión: Creación de un algoritmo de toma de decisiones en Python 00:20:00
                • Tutorial: Creación de un algoritmo de toma de decisiones en Python (Opcional) 00:00:00
                • Actividad práctica: Recomendación de soluciones 01:30:00
                • Reflexión: Recomendación de solución 00:20:00
                • Recorrido: Creación de un sistema de recomendación de soluciones (opcional) 00:06:52
                • Tratamiento de errores y registro 00:10:00
                • Explicación del tratamiento de errores 00:10:00
                • Actividad práctica: Aplicación de mecanismos 01:30:00
                • Reflexión: Mecanismos de aplicación 00:20:00
                • Recorrido: Implementación de mecanismos (Opcional) 00:00:00
                • Actividad práctica: Registro 00:30:00
                • Reflexión: Registro 00:20:00
                • Recorrido: Implementación del registro en sistemas ML (Opcional) 00:05:55
                • Resumen: Agentes de resolución de problemas 00:10:00
                • Actividad práctica: Implantación del agente de resolución de problemas 00:30:00
                • Reflexión: Implantación del agente de resolución de problemas 00:20:00
                • Tutorial: Implementación del agente de solución de problemas (Opcional) 00:05:12
                • Cuestionario graduado: Resolución de problemas de los agentes 00:20:00
                • Diseño de casos de prueba 00:06:51
                • Explicación del diseño de casos de prueba 00:10:00
                • Actividad práctica: Diseño de casos de prueba para sistemas de ML 00:30:00
                • Reflexión: Diseño de casos de prueba para sistemas de ML 00:20:00
                • Recorrido: Diseño de casos de prueba para sistemas ML (Opcional) 00:06:38
                • Escuchar a un experto: tener en cuenta los matices culturales, lingüísticos y contextuales 00:04:33
                • Optimización del tiempo de respuesta y la precisión 00:10:00
                • Explicación de las técnicas de optimización 00:06:37
                • Actividad práctica: Aplicación de técnicas de optimización 00:30:00
                • Reflexión: Aplicación de técnicas de optimización 00:20:00
                • Tutorial: Aplicación de técnicas de optimización (opcional) 00:07:03
                • Evaluación de la eficacia de los agentes 00:10:00
                • Actividad práctica: Evaluación de la eficacia de los agentes 00:30:00
                • Reflexión: Evaluación de la eficacia de los agentes 00:20:00
                • Recorrido: Evaluación de la eficacia de los agentes (opcional) 00:06:44
                • Escuche a un experto: Diseñar pensando en el usuario final 00:02:53
                • Resumen: Pruebas y optimización del agente 00:06:27
                • Actividad práctica: Prueba y optimización del agente 00:30:00
                • Reflexión: Prueba y optimización del agente 00:20:00
                • Recorrido: Prueba y optimización del agente ML (Opcional) 00:07:00
                • Cuestionario graduado: Prueba y optimización del agente 00:20:00
                • Escuche a un experto: Resolver problemas inesperados durante la aplicación 00:05:12
                • Resumen del curso 00:04:02
                • Tarea del curso: Elaboración de un agente de resolución de problemas 00:30:00
                • Reflexión: Elaboración de un agente de resolución de problemas 00:20:00
                • Recorrido: Creación de un agente de resolución de problemas (opcional) 00:04:21
                • Tarea del curso: Redacción del informe técnico 01:30:00
                • ¡Enhorabuena por completar el curso! 00:03:14
                  • Introducción al programa de certificación profesional avanzada en ingeniería de IA/ML 00:03:35
                  • Introducción a Microsoft Azure para IA y Aprendizaje automático 00:03:46
                  • Bienvenido a la Comunidad Coursera 00:02:00
                  • Actualizaciones de Microsoft 00:02:00
                  • Actividad práctica: Configuración del entorno en Microsoft Azure 00:30:00
                  • Reflexión: Configuración de su entorno en Microsoft Azure 00:20:00
                  • Tutorial: Configuración del entorno en Microsoft Azure (opcional) 00:00:00
                  • Actividad práctica: Creación de un repositorio de código 01:00:00
                  • Reflexión: Creación de su repositorio de código 00:20:00
                  • Tutorial: Creación de su repositorio de código Parte 1 (Opcional) 00:05:09
                  • Tutorial: Creación de su repositorio de código Parte 2 (Opcional) 00:07:49
                  • Programa del curso: Microsoft Azure para IA y Aprendizaje automático 00:10:00
                  • Guía paso a paso para configurar los recursos de los proyectos IA/ML 00:05:00
                  • Actividad práctica: Configuración de recursos 00:30:00
                  • Reflexión: Configuración de recursos 00:20:00
                  • Recorrido: Configuración de recursos (opcional) 00:08:19
                  • Configuración de espacios de trabajo de Aprendizaje automático de Azure 00:03:40
                  • Explicación de la configuración del espacio de trabajo 00:10:00
                  • Actividad práctica: Aplicación de las mejores prácticas para la configuración del espacio de trabajo 00:45:00
                  • Reflexión: Aplicación de las mejores prácticas para la configuración del espacio de trabajo 00:20:00
                  • Recorrido: Aplicación de las mejores prácticas para la configuración del espacio de trabajo (opcional) 00:10:34
                  • Introducción a las soluciones de almacenamiento de datos 00:03:52
                  • Explicación de las soluciones de almacenamiento 00:10:00
                  • Actividad práctica: Implantación de soluciones de almacenamiento de datos 00:30:00
                  • Reflexión: Implantación de soluciones de almacenamiento de datos 00:20:00
                  • Recorrido: implantación de soluciones de almacenamiento de datos (opcional) 00:05:54
                  • Comprobación de conocimientos: Implantación de soluciones de almacenamiento de datos 00:20:00
                  • Resumen: Configuración de un entorno Azure de IA/ML 00:05:00
                  • Cuestionario graduado: Configuración de un entorno Azure de IA/ML 00:20:00
                  • Preparación de datos y formación sobre modelos en Azure 00:04:02
                  • Guía para crear canalizaciones de ingestión 00:05:00
                  • Actividad práctica: Creación de un canal de ingesta 00:30:00
                  • Reflexión: Creación de un canal de ingesta 00:20:00
                  • Tutorial: Creación de un canal de ingesta (opcional) 00:06:21
                  • Comprobación de conocimientos: Creación de un canal de ingesta 00:20:00
                  • Preprocesamiento de datos 00:05:21
                  • Explicación de las técnicas de pretratamiento 00:10:00
                  • Actividad práctica: Aplicación de técnicas de preprocesamiento 00:45:00
                  • Reflexión: Aplicación de técnicas de preprocesamiento 00:20:00
                  • Tutorial: Aplicación de técnicas de preprocesamiento (opcional) 00:07:03
                  • Formación de modelos 00:05:38
                  • Cómo entrenar modelos utilizando Azure Aprendizaje automático 00:07:55
                  • Comprobación de conocimientos: Formación de modelos 00:20:00
                  • Seguimiento y registro de los procesos de formación 00:04:58
                  • Explicación de la supervisión y el registro 00:10:00
                  • Actividad práctica: Registro 00:30:00
                  • Reflexión: Registro 00:20:00
                  • Recorrido: Implementación del registro en sistemas ML (Opcional) 00:05:55
                  • Resumen: Preparación de datos y formación sobre modelos en Azure 00:05:00
                  • Cuestionario graduado: Preparación de datos y formación de modelos en Azure 00:20:00
                  • Despliegue de modelos 00:05:27
                  • Normas industriales para el despliegue de modelos 00:10:00
                  • Actividad práctica: Despliegue de modelos entrenados (Opcional) 00:00:00
                  • Reflexión: Despliegue de modelos entrenados (Opcional) 00:20:00
                  • Recorrido: Despliegue de modelos entrenados (Opcional) 00:08:44
                  • Actividad práctica: Utilización del AKS (opcional) 00:00:00
                  • Reflexión: Utilización del AKS (opcional) 00:20:00
                  • Recorrido: Uso de AKS (opcional) 00:09:25
                  • Actividad práctica: Autenticación en Azure Machine Learning 00:03:00
                  • Reflexión: Autenticación en Azure Machine Learning 00:20:00
                  • Tutorial: Autenticación en Azure Machine Learning (opcional) 00:10:09
                  • Implantación de canalizaciones CI/CD 00:06:04
                  • Explicación de las canalizaciones CI/CD 00:10:00
                  • Comprobación de conocimientos: Implantación de canalizaciones CI/CD 00:20:00
                  • Cómo implantar canalizaciones CI/CD 00:00:00
                  • Continuación de las mejores prácticas de despliegue 00:05:25
                  • Introducción y explicación de la gestión de modelos 00:10:00
                  • Comprobación de conocimientos: Seguimiento de los modelos desplegados 00:20:00
                  • Explicación de las técnicas de control 00:10:00
                  • Actividad práctica: Seguimiento de los modelos desplegados 00:30:00
                  • Reflexión: Seguimiento de los modelos desplegados 00:20:00
                  • Recorrido: Supervisión de los modelos desplegados (opcional) 00:07:35
                  • Resumen: Despliegue y gestión de modelos en Azure 00:05:00
                  • Cuestionario graduado: Despliegue y gestión de modelos en Azure 00:20:00
                  • Problemas comunes y guía de solución de problemas 00:06:17
                  • Explicación de problemas comunes en la implantación de modelos 00:10:00
                  • Guía para la resolución de problemas en la implantación de modelos 00:05:00
                  • Comprobación de conocimientos: Técnicas de resolución de problemas 00:20:00
                  • Actividad práctica: Diseño de un agente inteligente de resolución de problemas 01:25:00
                  • Reflexión: Diseño de un agente inteligente de resolución de problemas 00:20:00
                  • Recorrido: Diseño de un agente inteligente de resolución de problemas (Opcional) 00:09:43
                  • Actividad práctica: Resolución de problemas en una tubería de muestra 00:30:00
                  • Reflexión: Resolución de problemas de un ejemplo de canalización 00:20:00
                  • Tutorial: Resolución de problemas de un canal de muestras (opcional) 00:09:56
                  • Explicación de las herramientas de diagnóstico en las canalizaciones de aprendizaje automático 00:10:00
                  • Actividad práctica: Utilización de herramientas de diagnóstico y seguimiento 00:30:00
                  • Reflexión: Utilización de herramientas de diagnóstico y seguimiento 00:20:00
                  • Recorrido: Uso de herramientas de diagnóstico y supervisión (opcional) 00:06:32
                  • Comprobación de conocimientos: Herramientas de diagnóstico y control 00:20:00
                  • Implantación de alertas y correcciones automatizadas 00:04:50
                  • Explicación de las herramientas de automatización en las canalizaciones de aprendizaje automático 00:10:00
                  • Actividad práctica: Implementación de alertas y correcciones automatizadas 00:30:00
                  • Reflexión: Implementación de alertas y correcciones automatizadas 00:20:00
                  • Recorrido: Implementación de alertas y correcciones automatizadas (Opcional) 00:06:55
                  • Uso de herramientas adicionales de automatización de Azure, Parte 1 00:05:48
                  • Uso de herramientas adicionales de automatización de Azure, Parte 2 00:04:16
                  • Resumen: Resolución de problemas en los flujos de trabajo de IA/ML de Azure 00:07:30
                  • Ejemplos y mejores prácticas para solucionar problemas de flujos de trabajo en Azure IA/ML 00:05:00
                  • Cuestionario graduado: Resolución de problemas en los flujos de trabajo Azure IA/ML 00:20:00
                  • Escuche a un experto: Aplicaciones reales de casos de uso de alto riesgo 00:04:10
                  • Problemas reales de implementación de Azure y soluciones 00:05:00
                  • Biblioteca de ejemplos reales 00:05:00
                  • Debate: Estrategias correctoras 00:20:00
                  • Entornos inseguros y ramificaciones 00:06:02
                  • Explicación de los entornos no seguros 00:10:00
                  • Ejemplos de filtraciones de seguridad de los datos 00:05:00
                  • Actividad práctica: Análisis de un caso de éxito (redacción con comentarios de IA) 00:20:00
                  • Idear posibles problemas y soluciones 00:03:31
                  • Actividad práctica: Idear posibles problemas 00:20:00
                  • Debate: Idear posibles problemas 00:02:00
                  • Explicación de las soluciones 00:05:00
                  • Escuche a un experto: Aplicar la IA con responsabilidad 00:03:44
                  • Resumen: Hacia la integración de sistemas 00:05:35
                  • Cuestionario graduado: Hacia la integración de sistemas 00:20:00
                  • Resumen del curso 00:04:19
                  • Tarea revisada por pares: Redacción del informe técnico (calificación IA) 00:20:00
                  • Guía interactiva de recursos: Herramientas y plataformas para seguir aprendiendo 00:10:00
                  • ¡Enhorabuena por completar el curso! 00:03:37
                    • Introducción al programa de certificación profesional avanzada en ingeniería de IA/ML 00:03:35
                    • Introducción a Microsoft Azure para IA y Aprendizaje automático 00:03:46
                    • Bienvenido a la Comunidad Coursera 00:02:00
                    • Actualizaciones de Microsoft 00:02:00
                    • Actividad práctica: Configuración del entorno en Microsoft Azure 00:30:00
                    • Reflexión: Configuración de su entorno en Microsoft Azure 00:20:00
                    • Tutorial: Configuración del entorno en Microsoft Azure (opcional) 00:00:00
                    • Actividad práctica: Creación de un repositorio de código 01:00:00
                    • Reflexión: Creación de su repositorio de código 00:20:00
                    • Tutorial: Creación de su repositorio de código Parte 1 (Opcional) 00:05:09
                    • Tutorial: Creación de su repositorio de código Parte 2 (Opcional) 00:07:49
                    • Programa del curso: Microsoft Azure para IA y Aprendizaje automático 00:10:00
                    • Guía paso a paso para configurar los recursos de los proyectos IA/ML 00:05:00
                    • Actividad práctica: Configuración de recursos 00:30:00
                    • Reflexión: Configuración de recursos 00:20:00
                    • Recorrido: Configuración de recursos (opcional) 00:08:19
                    • Configuración de espacios de trabajo de Aprendizaje automático de Azure 00:03:40
                    • Explicación de la configuración del espacio de trabajo 00:10:00
                    • Actividad práctica: Aplicación de las mejores prácticas para la configuración del espacio de trabajo 00:45:00
                    • Reflexión: Aplicación de las mejores prácticas para la configuración del espacio de trabajo 00:20:00
                    • Recorrido: Aplicación de las mejores prácticas para la configuración del espacio de trabajo (opcional) 00:10:34
                    • Introducción a las soluciones de almacenamiento de datos 00:03:52
                    • Explicación de las soluciones de almacenamiento 00:10:00
                    • Actividad práctica: Implantación de soluciones de almacenamiento de datos 00:30:00
                    • Reflexión: Implantación de soluciones de almacenamiento de datos 00:20:00
                    • Recorrido: implantación de soluciones de almacenamiento de datos (opcional) 00:05:54
                    • Comprobación de conocimientos: Implantación de soluciones de almacenamiento de datos 00:20:00
                    • Resumen: Configuración de un entorno Azure de IA/ML 00:05:00
                    • Cuestionario graduado: Configuración de un entorno Azure de IA/ML 00:20:00
                    • Preparación de datos y formación sobre modelos en Azure 00:04:02
                    • Guía para crear canalizaciones de ingestión 00:05:00
                    • Actividad práctica: Creación de un canal de ingesta 00:30:00
                    • Reflexión: Creación de un canal de ingesta 00:20:00
                    • Tutorial: Creación de un canal de ingesta (opcional) 00:06:21
                    • Comprobación de conocimientos: Creación de un canal de ingesta 00:20:00
                    • Preprocesamiento de datos 00:05:21
                    • Explicación de las técnicas de pretratamiento 00:10:00
                    • Actividad práctica: Aplicación de técnicas de preprocesamiento 00:45:00
                    • Reflexión: Aplicación de técnicas de preprocesamiento 00:20:00
                    • Tutorial: Aplicación de técnicas de preprocesamiento (opcional) 00:07:03
                    • Formación de modelos 00:05:38
                    • Cómo entrenar modelos utilizando Azure Aprendizaje automático 00:07:55
                    • Comprobación de conocimientos: Formación de modelos 00:20:00
                    • Seguimiento y registro de los procesos de formación 00:04:58
                    • Explicación de la supervisión y el registro 00:10:00
                    • Actividad práctica: Registro 00:30:00
                    • Reflexión: Registro 00:20:00
                    • Recorrido: Implementación del registro en sistemas ML (Opcional) 00:05:55
                    • Resumen: Preparación de datos y formación sobre modelos en Azure 00:05:00
                    • Cuestionario graduado: Preparación de datos y formación de modelos en Azure 00:20:00
                    • Despliegue de modelos 00:05:27
                    • Normas industriales para el despliegue de modelos 00:10:00
                    • Actividad práctica: Despliegue de modelos entrenados (Opcional) 00:00:00
                    • Reflexión: Despliegue de modelos entrenados (Opcional) 00:20:00
                    • Recorrido: Despliegue de modelos entrenados (Opcional) 00:08:44
                    • Actividad práctica: Utilización del AKS (opcional) 00:00:00
                    • Reflexión: Utilización del AKS (opcional) 00:20:00
                    • Recorrido: Uso de AKS (opcional) 00:09:25
                    • Actividad práctica: Autenticación en Azure Machine Learning 00:03:00
                    • Reflexión: Autenticación en Azure Machine Learning 00:20:00
                    • Tutorial: Autenticación en Azure Machine Learning (opcional) 00:10:09
                    • Implantación de canalizaciones CI/CD 00:06:04
                    • Explicación de las canalizaciones CI/CD 00:10:00
                    • Comprobación de conocimientos: Implantación de canalizaciones CI/CD 00:20:00
                    • Cómo implantar canalizaciones CI/CD 00:00:00
                    • Continuación de las mejores prácticas de despliegue 00:05:25
                    • Introducción y explicación de la gestión de modelos 00:10:00
                    • Comprobación de conocimientos: Seguimiento de los modelos desplegados 00:20:00
                    • Explicación de las técnicas de control 00:10:00
                    • Actividad práctica: Seguimiento de los modelos desplegados 00:30:00
                    • Reflexión: Seguimiento de los modelos desplegados 00:20:00
                    • Recorrido: Supervisión de los modelos desplegados (opcional) 00:07:35
                    • Resumen: Despliegue y gestión de modelos en Azure 00:05:00
                    • Cuestionario graduado: Despliegue y gestión de modelos en Azure 00:20:00
                    • Problemas comunes y guía de solución de problemas 00:06:17
                    • Explicación de problemas comunes en la implantación de modelos 00:10:00
                    • Guía para la resolución de problemas en la implantación de modelos 00:05:00
                    • Comprobación de conocimientos: Técnicas de resolución de problemas 00:20:00
                    • Actividad práctica: Diseño de un agente inteligente de resolución de problemas 01:25:00
                    • Reflexión: Diseño de un agente inteligente de resolución de problemas 00:20:00
                    • Recorrido: Diseño de un agente inteligente de resolución de problemas (Opcional) 00:09:43
                    • Actividad práctica: Resolución de problemas en una tubería de muestra 00:30:00
                    • Reflexión: Resolución de problemas de un ejemplo de canalización 00:20:00
                    • Tutorial: Resolución de problemas de un canal de muestras (opcional) 00:09:56
                    • Explicación de las herramientas de diagnóstico en las canalizaciones de aprendizaje automático 00:10:00
                    • Actividad práctica: Utilización de herramientas de diagnóstico y seguimiento 00:30:00
                    • Reflexión: Utilización de herramientas de diagnóstico y seguimiento 00:20:00
                    • Recorrido: Uso de herramientas de diagnóstico y supervisión (opcional) 00:06:32
                    • Comprobación de conocimientos: Herramientas de diagnóstico y control 00:20:00
                    • Implantación de alertas y correcciones automatizadas 00:04:50
                    • Explicación de las herramientas de automatización en las canalizaciones de aprendizaje automático 00:10:00
                    • Actividad práctica: Implementación de alertas y correcciones automatizadas 00:30:00
                    • Reflexión: Implementación de alertas y correcciones automatizadas 00:20:00
                    • Recorrido: Implementación de alertas y correcciones automatizadas (Opcional) 00:06:55
                    • Uso de herramientas adicionales de automatización de Azure, Parte 1 00:05:48
                    • Uso de herramientas adicionales de automatización de Azure, Parte 2 00:04:16
                    • Resumen: Resolución de problemas en los flujos de trabajo de IA/ML de Azure 00:07:30
                    • Ejemplos y mejores prácticas para solucionar problemas de flujos de trabajo en Azure IA/ML 00:05:00
                    • Cuestionario graduado: Resolución de problemas en los flujos de trabajo Azure IA/ML 00:20:00
                    • Escuche a un experto: Aplicaciones reales de casos de uso de alto riesgo 00:04:10
                    • Problemas reales de implementación de Azure y soluciones 00:05:00
                    • Biblioteca de ejemplos reales 00:05:00
                    • Debate: Estrategias correctoras 00:20:00
                    • Entornos inseguros y ramificaciones 00:06:02
                    • Explicación de los entornos no seguros 00:10:00
                    • Ejemplos de filtraciones de seguridad de los datos 00:05:00
                    • Actividad práctica: Análisis de un caso de éxito (redacción con comentarios de IA) 00:20:00
                    • Idear posibles problemas y soluciones 00:03:31
                    • Actividad práctica: Idear posibles problemas 00:20:00
                    • Debate: Idear posibles problemas 00:02:00
                    • Explicación de las soluciones 00:05:00
                    • Escuche a un experto: Aplicar la IA con responsabilidad 00:03:44
                    • Resumen: Hacia la integración de sistemas 00:05:35
                    • Cuestionario graduado: Hacia la integración de sistemas 00:20:00
                    • Resumen del curso 00:04:19
                    • Tarea revisada por pares: Redacción del informe técnico (calificación IA) 00:20:00
                    • Guía interactiva de recursos: Herramientas y plataformas para seguir aprendiendo 00:10:00
                    • ¡Enhorabuena por completar el curso! 00:03:37
                      • Introducción a las técnicas avanzadas de IA y Aprendizaje automático y Capstone 00:02:52
                      • Bienvenido a la Comunidad Coursera 00:02:00
                      • Actualizaciones de Microsoft 00:02:00
                      • Actividad práctica: Configuración del entorno en Microsoft Azure 00:30:00
                      • Reflexión: Configuración de su entorno en Microsoft Azure 00:20:00
                      • Tutorial: Configuración del entorno en Microsoft Azure (opcional) 00:00:00
                      • Actividad práctica: Creación de un repositorio de código 01:00:00
                      • Reflexión: Creación de su repositorio de código 00:20:00
                      • Tutorial: Creación de su repositorio de código Parte 1 (Opcional) 00:05:09
                      • Tutorial: Creación de su repositorio de código Parte 2 (Opcional) 00:07:49
                      • Programa del curso: Técnicas avanzadas de IA y Aprendizaje automático y Capstone 00:10:00
                      • Aprendizaje por transferencia 00:05:14
                      • Aprendizaje por transferencia 00:10:00
                      • Aplicaciones del Aprendizaje por transferencia 00:10:00
                      • Actividad práctica: Aplicación y comparación de modelos 01:15:00
                      • Reflexión: Aplicación y comparación de modelos 00:20:00
                      • Recorrido: Aplicación y comparación de modelos (opcional) 00:00:00
                      • Actividad práctica: Aprendizaje por transferencia 00:30:00
                      • Reflexión: Aprendizaje por transferencia 00:20:00
                      • Recorrido: Aplicación del Aprendizaje por transferencia (Optativo) 00:09:54
                      • Aprendizaje federado 00:04:25
                      • Explicación del aprendizaje federado 00:10:00
                      • Comprobación de conocimientos: Aplicación de técnicas de aprendizaje federado 00:20:00
                      • Ventajas de la privacidad y la seguridad en el aprendizaje federado 00:10:00
                      • Actividad práctica: Aprendizaje federado 00:20:00
                      • Panorama de los métodos de ensemble 00:04:56
                      • Dominar los métodos de ensemble: Guía completa de bagging, boosting y stacking 00:10:00
                      • Actividad práctica: Aplicación de métodos ensemble 00:20:00
                      • Tutorial: Implementación de métodos ensemble (Opcional) 00:05:01
                      • Comprobación de conocimientos: Métodos de ensemble 00:20:00
                      • El futuro con GenAI 00:04:40
                      • Panorama de los modelos GenAI 00:05:30
                      • Guía para el desarrollo de Modelos generativos 00:05:00
                      • Actividad práctica: Desarrollo de modelos generativos 00:20:00
                      • Debate: Desarrollo de modelos generativos 00:30:00
                      • Recorrido: Desarrollo de modelos generativos (Opcional) 00:06:44
                      • Comprobación de conocimientos: Modelos generativos 00:20:00
                      • Resumen: Técnicas avanzadas de ML 00:10:00
                      • Por qué son importantes las técnicas avanzadas de ML 00:05:14
                      • Repaso del cuestionario: Técnicas avanzadas de ML 00:20:00
                      • Cuestionario graduado: Técnicas avanzadas de ML 00:20:00
                      • Consideraciones éticas sobre la IA 00:03:33
                      • Conjunto de normas éticas estándar 00:10:00
                      • Manual del empleado ficticio 00:10:00
                      • Debate: Información sobre ética 00:20:00
                      • Opinión de un experto: consideraciones éticas en la toma de decisiones sobre IA 00:03:46
                      • Definir la IA responsable 00:04:06
                      • Marco para una IA responsable 00:05:07
                      • IA responsable y seguridad de los datos 00:30:00
                      • Comprobación de conocimientos: IA responsable 00:20:00
                      • Debate: IA responsable 00:20:00
                      • IA explicable: bases de la transparencia, la confianza y la responsabilidad ética 00:03:47
                      • IA explicable: definir el propósito para generar confianza, responsabilidad y adopción 00:04:45
                      • Actividad práctica: IA explicable 00:20:00
                      • Debate: IA explicable 00:05:00
                      • Panorama del impacto de la IA 00:04:41
                      • Economía paralela 00:05:04
                      • Empresas aumentadas 00:05:26
                      • El impacto de la IA en la educación 00:02:00
                      • El impacto de la IA en la estructura organizativa 00:08:00
                      • Comprobación de conocimientos: El impacto de la IA 00:20:00
                      • Señales de alarma y responsabilidades 00:05:47
                      • Actividad práctica: Consideraciones éticas en los casos de uso 00:20:00
                      • Debate: Consideraciones éticas en los casos de uso 00:20:00
                      • Recorrido: Consideraciones éticas en casos de uso (Optativo) 00:00:00
                      • Recorrido: exploración en profundidad de las consideraciones éticas 00:05:37
                      • Resumen: Consideraciones éticas en IA/ML 00:10:00
                      • Repaso del cuestionario: Consideraciones éticas en IA/ML 00:20:00
                      • Cuestionario graduado: Consideraciones éticas en IA/ML 00:20:00
                      • Introducción a las soluciones informáticas distribuidas 00:05:02
                      • Soluciones informáticas distribuidas en profundidad 00:05:00
                      • Actividad práctica: Soluciones informáticas distribuidas (emparejamiento) 00:20:00
                      • Debate: Soluciones informáticas distribuidas 00:02:00
                      • Visión general de la fragmentación de datos y el procesamiento paralelo 00:04:04
                      • Separación de datos 00:05:03
                      • Explicación de la fragmentación 00:10:00
                      • Actividad práctica: Implementación de la fragmentación de datos 00:20:00
                      • Reflexión: Implementación de la fragmentación de datos 00:20:00
                      • Procesamiento paralelo 00:04:41
                      • Explicación del procesamiento paralelo 00:12:00
                      • Comprobación de conocimientos: Procesamiento paralelo 00:20:00
                      • Debate: Procesamiento paralelo 00:20:00
                      • Privacidad diferencial 00:04:02
                      • Explicación de la privacidad diferencial 00:10:00
                      • Actividad práctica: Privacidad diferencial 00:20:00
                      • Debate: Privacidad diferencial 00:20:00
                      • IA neurosimbólica 00:04:31
                      • Explicación de la IA neurosimbólica 00:12:00
                      • Comprobación de conocimientos: IA Neurosimbólica 00:20:00
                      • Debate: IA neurosimbólica 00:20:00
                      • Introducción a las redes neuronales basadas en la física 00:04:48
                      • Explicación de las redes neuronales informadas por la física 00:10:00
                      • Comprobación de conocimientos: Redes neuronales informadas por la física 00:20:00
                      • Debate: Redes neuronales informadas por la física 00:20:00
                      • Resumen: Sistemas IA/ML escalables 00:10:00
                      • Revisión del cuestionario: Sistemas escalables de IA/ML 00:20:00
                      • Cuestionario graduado: Sistemas escalables de IA/ML 00:20:00
                      • Responsabilidades de un ingeniero de IA/ML 00:04:32
                      • Detalles sobre las responsabilidades de un ingeniero de IA/ML 00:10:00
                      • Debate: Análisis de roles 00:15:00
                      • Comprobación de conocimientos: Responsabilidades de un ingeniero de IA/ML 00:20:00
                      • Optimización de las operaciones de ML 00:04:37
                      • Descripción de funciones y tareas de los ingenieros de IA/ML 00:05:00
                      • Verticales y flujo de trabajo en ingeniería IA/ML 00:00:00
                      • Actividad práctica: Optimización de pipelines ML 00:20:00
                      • Debate: Optimización de las canalizaciones de ML 00:02:00
                      • Introducción a las implicaciones pragmáticas 00:05:24
                      • Actividad práctica: Implicaciones pragmáticas 00:20:00
                      • Debate: Implicaciones pragmáticas 00:20:00
                      • Recorrido: Implicaciones pragmáticas 00:05:07
                      • Escuche a un experto: Gestión de requisitos empresariales y técnicos desalineados 00:05:58
                      • Guía completa 00:10:00
                      • Guía interactiva de recursos: Herramientas y plataformas para seguir aprendiendo 00:10:00
                      • Comprobación de conocimientos: Lecturas complementarias y revistas del sector 00:20:00
                      • Resumen: Ingeniería de IA/ML y técnicas avanzadas 00:10:00
                      • Tarea calificada: Implicaciones pragmáticas 00:20:00
                      • Repaso del cuestionario: Ingeniería de IA/ML y técnicas avanzadas 00:20:00
                      • Cuestionario graduado: Ingeniería de IA/ML y técnicas avanzadas 00:20:00
                      • Resumen del curso 00:10:00
                      • Asignación del curso: Diseño de soluciones de IA/ML de extremo a extremo 00:20:00
                      • Recorrido: Diseño integral de soluciones IA/ML (opcional) 00:03:23
                      • Debate: Diseño de soluciones de IA/ML de extremo a extremo 00:20:00
                      • ¡Enhorabuena por completar el curso! 00:03:06
                      • Introducción a las técnicas avanzadas de IA y Aprendizaje automático y Capstone 00:02:52
                      • Bienvenido a la Comunidad Coursera 00:02:00
                      • Actualizaciones de Microsoft 00:02:00
                      • Actividad práctica: Configuración del entorno en Microsoft Azure 00:30:00
                      • Reflexión: Configuración de su entorno en Microsoft Azure 00:20:00
                      • Tutorial: Configuración del entorno en Microsoft Azure (opcional) 00:00:00
                      • Actividad práctica: Creación de un repositorio de código 01:00:00
                      • Reflexión: Creación de su repositorio de código 00:20:00
                      • Tutorial: Creación de su repositorio de código Parte 1 (Opcional) 00:05:09
                      • Tutorial: Creación de su repositorio de código Parte 2 (Opcional) 00:07:49
                      • Programa del curso: Técnicas avanzadas de IA y Aprendizaje automático y Capstone 00:10:00
                      • Aprendizaje por transferencia 00:05:14
                      • Aprendizaje por transferencia 00:10:00
                      • Aplicaciones del Aprendizaje por transferencia 00:10:00
                      • Actividad práctica: Aplicación y comparación de modelos 01:15:00
                      • Reflexión: Aplicación y comparación de modelos 00:20:00
                      • Recorrido: Aplicación y comparación de modelos (opcional) 00:00:00
                      • Actividad práctica: Aprendizaje por transferencia 00:30:00
                      • Reflexión: Aprendizaje por transferencia 00:20:00
                      • Recorrido: Aplicación del Aprendizaje por transferencia (Optativo) 00:09:54
                      • Aprendizaje federado 00:04:25
                      • Explicación del aprendizaje federado 00:10:00
                      • Comprobación de conocimientos: Aplicación de técnicas de aprendizaje federado 00:20:00
                      • Ventajas de la privacidad y la seguridad en el aprendizaje federado 00:10:00
                      • Actividad práctica: Aprendizaje federado 00:20:00
                      • Panorama de los métodos de ensemble 00:04:56
                      • Dominar los métodos de ensemble: Guía completa de bagging, boosting y stacking 00:10:00
                      • Actividad práctica: Aplicación de métodos ensemble 00:20:00
                      • Tutorial: Implementación de métodos ensemble (Opcional) 00:05:01
                      • Comprobación de conocimientos: Métodos de ensemble 00:20:00
                      • El futuro con GenAI 00:04:40
                      • Panorama de los modelos GenAI 00:05:30
                      • Guía para el desarrollo de Modelos generativos 00:05:00
                      • Actividad práctica: Desarrollo de modelos generativos 00:20:00
                      • Debate: Desarrollo de modelos generativos 00:30:00
                      • Recorrido: Desarrollo de modelos generativos (Opcional) 00:06:44
                      • Comprobación de conocimientos: Modelos generativos 00:20:00
                      • Resumen: Técnicas avanzadas de ML 00:10:00
                      • Por qué son importantes las técnicas avanzadas de ML 00:05:14
                      • Repaso del cuestionario: Técnicas avanzadas de ML 00:20:00
                      • Cuestionario graduado: Técnicas avanzadas de ML 00:20:00
                      • Consideraciones éticas sobre la IA 00:03:33
                      • Conjunto de normas éticas estándar 00:10:00
                      • Manual del empleado ficticio 00:10:00
                      • Debate: Información sobre ética 00:20:00
                      • Opinión de un experto: consideraciones éticas en la toma de decisiones sobre IA 00:03:46
                      • Definir la IA responsable 00:04:06
                      • Marco para una IA responsable 00:05:07
                      • IA responsable y seguridad de los datos 00:30:00
                      • Comprobación de conocimientos: IA responsable 00:20:00
                      • Debate: IA responsable 00:20:00
                      • IA explicable: bases de la transparencia, la confianza y la responsabilidad ética 00:03:47
                      • IA explicable: definir el propósito para generar confianza, responsabilidad y adopción 00:04:45
                      • Actividad práctica: IA explicable 00:20:00
                      • Debate: IA explicable 00:05:00
                      • Panorama del impacto de la IA 00:04:41
                      • Economía paralela 00:05:04
                      • Empresas aumentadas 00:05:26
                      • El impacto de la IA en la educación 00:02:00
                      • El impacto de la IA en la estructura organizativa 00:08:00
                      • Comprobación de conocimientos: El impacto de la IA 00:20:00
                      • Señales de alarma y responsabilidades 00:05:47
                      • Actividad práctica: Consideraciones éticas en los casos de uso 00:20:00
                      • Debate: Consideraciones éticas en los casos de uso 00:20:00
                      • Recorrido: Consideraciones éticas en casos de uso (Optativo) 00:00:00
                      • Recorrido: exploración en profundidad de las consideraciones éticas 00:05:37
                      • Resumen: Consideraciones éticas en IA/ML 00:10:00
                      • Repaso del cuestionario: Consideraciones éticas en IA/ML 00:20:00
                      • Cuestionario graduado: Consideraciones éticas en IA/ML 00:20:00
                      • Introducción a las soluciones informáticas distribuidas 00:05:02
                      • Soluciones informáticas distribuidas en profundidad 00:05:00
                      • Actividad práctica: Soluciones informáticas distribuidas (emparejamiento) 00:20:00
                      • Debate: Soluciones informáticas distribuidas 00:02:00
                      • Visión general de la fragmentación de datos y el procesamiento paralelo 00:04:04
                      • Separación de datos 00:05:03
                      • Explicación de la fragmentación 00:10:00
                      • Actividad práctica: Implementación de la fragmentación de datos 00:20:00
                      • Reflexión: Implementación de la fragmentación de datos 00:20:00
                      • Procesamiento paralelo 00:04:41
                      • Explicación del procesamiento paralelo 00:12:00
                      • Comprobación de conocimientos: Procesamiento paralelo 00:20:00
                      • Debate: Procesamiento paralelo 00:20:00
                      • Privacidad diferencial 00:04:02
                      • Explicación de la privacidad diferencial 00:10:00
                      • Actividad práctica: Privacidad diferencial 00:20:00
                      • Debate: Privacidad diferencial 00:20:00
                      • IA neurosimbólica 00:04:31
                      • Explicación de la IA neurosimbólica 00:12:00
                      • Comprobación de conocimientos: IA Neurosimbólica 00:20:00
                      • Debate: IA neurosimbólica 00:20:00
                      • Introducción a las redes neuronales basadas en la física 00:04:48
                      • Explicación de las redes neuronales informadas por la física 00:10:00
                      • Comprobación de conocimientos: Redes neuronales informadas por la física 00:20:00
                      • Debate: Redes neuronales informadas por la física 00:20:00
                      • Resumen: Sistemas IA/ML escalables 00:10:00
                      • Revisión del cuestionario: Sistemas escalables de IA/ML 00:20:00
                      • Cuestionario graduado: Sistemas escalables de IA/ML 00:20:00
                      • Responsabilidades de un ingeniero de IA/ML 00:04:32
                      • Detalles sobre las responsabilidades de un ingeniero de IA/ML 00:10:00
                      • Debate: Análisis de roles 00:15:00
                      • Comprobación de conocimientos: Responsabilidades de un ingeniero de IA/ML 00:20:00
                      • Optimización de las operaciones de ML 00:04:37
                      • Descripción de funciones y tareas de los ingenieros de IA/ML 00:05:00
                      • Verticales y flujo de trabajo en ingeniería IA/ML 00:00:00
                      • Actividad práctica: Optimización de pipelines ML 00:20:00
                      • Debate: Optimización de las canalizaciones de ML 00:02:00
                      • Introducción a las implicaciones pragmáticas 00:05:24
                      • Actividad práctica: Implicaciones pragmáticas 00:20:00
                      • Debate: Implicaciones pragmáticas 00:20:00
                      • Recorrido: Implicaciones pragmáticas 00:05:07
                      • Escuche a un experto: Gestión de requisitos empresariales y técnicos desalineados 00:05:58
                      • Guía completa 00:10:00
                      • Guía interactiva de recursos: Herramientas y plataformas para seguir aprendiendo 00:10:00
                      • Comprobación de conocimientos: Lecturas complementarias y revistas del sector 00:20:00
                      • Resumen: Ingeniería de IA/ML y técnicas avanzadas 00:10:00
                      • Tarea calificada: Implicaciones pragmáticas 00:20:00
                      • Repaso del cuestionario: Ingeniería de IA/ML y técnicas avanzadas 00:20:00
                      • Cuestionario graduado: Ingeniería de IA/ML y técnicas avanzadas 00:20:00
                      • Resumen del curso 00:10:00
                      • Asignación del curso: Diseño de soluciones de IA/ML de extremo a extremo 00:20:00
                      • Recorrido: Diseño integral de soluciones IA/ML (opcional) 00:03:23
                      • Debate: Diseño de soluciones de IA/ML de extremo a extremo 00:20:00
                      • ¡Enhorabuena por completar el curso! 00:03:06

                    Comparte esta certificación.

                    Información del Curso

                    30 Horas Curriculares

                    24 Créditos Académicos

                    Accede por tu Smartphone

                    Certificado oficial SEP

                    Aprendizaje especializado

                    Contenido de la Certificación

                    Prepárate para una carrera en ingeniería de IA y ML: diseña infraestructura, domina algoritmos y crea agentes inteligentes en Azure.

                    Este certificado profundiza en infraestructura de IA/ML, algoritmos clave (supervisado, no supervisado, refuerzo y deep learning) y desarrollo de agentes de resolución de problemas.
                    Aprenderás a gestionar el ciclo completo en Azure, desde preparación de datos hasta despliegue y monitoreo, con prácticas y un proyecto integrador.
                    Requiere conocimientos intermedios de Python y nociones de estadística para sacar mayor provecho del programa.

                    • Diseñar e implementar infraestructura de IA/ML (pipelines, marcos de desarrollo y despliegue).
                    • Aplicar algoritmos supervisados, no supervisados, de refuerzo y deep learning.
                    • Crear agentes de troubleshooting capaces de diagnosticar y resolver problemas.
                    • Aprovechar Azure para gestionar el ciclo de vida de IA/ML.



                    CURSO 1: Foundations of AI and Machine Learning
                    - Componentes de infraestructura de IA/ML.
                    - Pipelines de datos y marcos de desarrollo.
                    - Preparación para despliegue en producción.

                    CURSO 2: AI and Machine Learning Algorithms and Techniques
                    - Algoritmos supervisados, no supervisados y de refuerzo.
                    - Ingeniería de características y evaluación.
                    - Deep learning y LLMs preentrenados.

                    CURSO 3: Building Intelligent Troubleshooting Agents
                    - Arquitectura de agentes de resolución de problemas.
                    - NLP para interacción con usuarios.
                    - Algoritmos de decisión y evaluación del desempeño.

                    CURSO 4: Microsoft Azure for AI and Machine Learning
                    - Configurar y gestionar recursos de Azure para IA/ML.
                    - Implementar pipelines de extremo a extremo.
                    - Desplegar y monitorear modelos en producción.

                    CURSO 5: Advanced AI and Machine Learning Techniques and Capstone
                    - Técnicas avanzadas (ensambles, transferencia de aprendizaje).
                    - Ética en GenAI y diseño de sistemas escalables.
                    - Proyecto final integrador.

                    Related Courses

                    top
                      INEC es una Marca de SalesPartners Ciudad de México S de RL de CV. Template Design © Learnify LMS. All rights reserved. Terminos y Condiciones Aviso de Privacidad Politica de Devolución
                    Hide picture