Píxeles, formas de onda y palabras: Ingeniería de sistemas multimodales de IA
Construir sistemas de IA que vean, oigan y lean
Certificado oficial emitido por la SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 240 h
24 unidades
Nivel intermedio
Qué aprenderás
Lo que serás capaz de hacer
La mayoría de los profesionales de la IA pueden entrenar un modelo con un solo tipo de datos. Construir sistemas que procesen imágenes, audio y texto de forma conjunta, e integrarlos de forma fiable en la producción, es un reto fundamentalmente diferente. Pixels, Waveforms & Words es un programa intermedio diseñado para ingenieros de ML, profesionales de AI y científicos de datos que deseen desarrollar una experiencia en AI multimodal lista para la producción. A través de 13 cursos enfocados, dominará toda la pila de ingeniería para sistemas multimodales: preprocesamiento de datos de imagen y audio, extracción de características de movimiento y espectrales, depuración de dinámicas de entrenamiento de redes neuronales, ajuste fino de modelos basados en transformadores con aprendizaje de transferencia, construcción de sistemas de recuperación multimodales, diseño de arquitecturas de fusión, evaluación de fallos de modelos de visión y audio, aplicación de marcos éticos de gobernanza de IA y arquitectura de soluciones multimodales integrales desde la ingestión de datos hasta su despliegue. Trabajará con herramientas y marcos de trabajo estándar del sector, como Python, PyTorch, TensorFlow, OpenCV, NumPy, FAISS y TensorBoard, aplicando técnicas prácticas a escenarios de producción realistas extraídos de aplicaciones empresariales de visión por ordenador, IA de audio y multimodales. Al final del programa, estará preparado para diseñar, construir, evaluar y desplegar sistemas de IA multimodal que funcionen de forma fiable en diversas condiciones del mundo real.
- Preprocesar los datos de imagen y audio mediante la normalización, la conversión del espacio de color, la extracción de características espectrales y el diseño de un proceso de aumento de datos.
- Analizar la dinámica del entrenamiento de las redes neuronales, diagnosticar fallos en los modelos de visión y audio, y aplicar marcos sistemáticos de análisis de las causas raíz.
- Ajustar modelos multimodales basados en transformadores mediante el aprendizaje por transferencia e implementar mecanismos de fusión para la comprensión intermodal.
- Desarrollar sistemas de recuperación multimodal utilizando la búsqueda aproximada del vecino más cercano, las representaciones vectoriales y las arquitecturas de fusión basadas en la atención.
Habilidades que desarrollarás
Optimización de modelos
Análisis de imágenes
Aprendizaje por transferencia
Ajuste fino
Prompts multimodales
Evaluación de modelos
Documentación técnica
Preprocesamiento de datos
Depuración
Visión por computadora
PyTorch (biblioteca de aprendizaje automático)
Ingeniería de características
Tensorflow
Algoritmos
Entrenamiento de modelos
Representaciones vectoriales
Diseño de sistemas
Normas y conducta ética
Análisis de causa raíz
Aprendizaje profundo
Temario
UNIDAD 1 - Módulo 1: Preprocesamiento y normalización de imágenes · 6 leccionesProcesar imágenes y extraer características de movimiento - UNIDAD 1 - Módulo 1: Preprocesamiento y normalización de imágenes
UNIDAD 1 - Módulo 1: Preprocesamiento y normalización de imágenes · 6 lecciones
Procesar imágenes y extraer características de movimiento - UNIDAD 1 - Módulo 1: Preprocesamiento y normalización de imágenes
- Por qué el preprocesamiento de imágenes determina el éxito del modelo
- Técnicas de normalización y fundamentos del espacio de color
- Patrones de aplicación de los procesos de preprocesamiento de imágenes
- Cómo implementar la normalización de imágenes con NumPy y OpenCV
- Crear un proceso de preprocesamiento de imágenes de producción
- Evaluación de conocimientos sobre el preprocesamiento de imágenes
UNIDAD 2 - Módulo 2: Detección de movimiento y flujo óptico · 7 leccionesProcesar imágenes y extraer características de movimiento - UNIDAD 2 - Módulo 2: Detección de movimiento y flujo óptico
UNIDAD 2 - Módulo 2: Detección de movimiento y flujo óptico · 7 lecciones
Procesar imágenes y extraer características de movimiento - UNIDAD 2 - Módulo 2: Detección de movimiento y flujo óptico
- Por qué el análisis de movimiento es fundamental para el éxito del sistema de IA
- Algoritmos de flujo óptico y matemáticas de la comparación de fotogramas
- Análisis de vectores de movimiento y optimización del rendimiento
- Cómo implementar el flujo óptico con OpenCV y NumPy
- Implementar un sistema de seguimiento de objetos basado en el movimiento
- Evaluación de conocimientos sobre los fundamentos de la detección de movimiento y el flujo óptico
- Evaluación exhaustiva del análisis del movimiento
UNIDAD 3 - Módulo 1: Fundamentos del análisis de la calidad de la imagen · 6 leccionesMejorar imágenes: Correcciones de calidad rápidas - UNIDAD 3 - Módulo 1: Fundamentos del análisis de la calidad de la imagen
UNIDAD 3 - Módulo 1: Fundamentos del análisis de la calidad de la imagen · 6 lecciones
Mejorar imágenes: Correcciones de calidad rápidas - UNIDAD 3 - Módulo 1: Fundamentos del análisis de la calidad de la imagen
- Por qué es importante el análisis de la calidad de la imagen en los sistemas de producción
- Fundamentos de la evaluación de la calidad de la imagen
- Identificación de los tipos de logotipos en materiales de marketing reales
- Diseño del flujo de trabajo de la evaluación diagnóstica
- Informe de diagnóstico de calidad mediante visión artificial
- Evaluación diagnóstica de la calidad de la imagen
UNIDAD 4 - Módulo 2: Aplicación de técnicas de mitigación específicas · 7 leccionesMejorar imágenes: Correcciones de calidad rápidas - UNIDAD 4 - Módulo 2: Aplicación de técnicas de mitigación específicas
UNIDAD 4 - Módulo 2: Aplicación de técnicas de mitigación específicas · 7 lecciones
Mejorar imágenes: Correcciones de calidad rápidas - UNIDAD 4 - Módulo 2: Aplicación de técnicas de mitigación específicas
- Por qué la optimización algorítmica agiliza las implementaciones en producción
- Resumen de las técnicas de mejora algorítmica
- Aplicación del enmascaramiento de falta de nitidez para la corrección del desenfoque
- Optimización de los parámetros de mejora para los sistemas de producción
- Mejora algorítmica de imágenes: eliminación de desenfoque, eliminación de ruido y corrección del histograma
- Aplicar técnicas de mitigación específicas
- Evaluación de dominio de la mejora de la calidad de la imagen
UNIDAD 5 - Módulo 1: Extracción de características espectrales y cepstrales para el análisis de audio · 7 leccionesTransformar audio: Extraer características y aumentar modelos - UNIDAD 5 - Módulo 1: Extracción de características espectrales y cepstrales para el análisis de audio
UNIDAD 5 - Módulo 1: Extracción de características espectrales y cepstrales para el análisis de audio · 7 lecciones
Transformar audio: Extraer características y aumentar modelos - UNIDAD 5 - Módulo 1: Extracción de características espectrales y cepstrales para el análisis de audio
- Por qué es importante la extracción de características de audio en los sistemas ML de producción
- Fundamentos del análisis espectral: STFT y características de la escala de Mel
- Análisis cepstral y extracción de características MFCC
- Exploración de la selección de parámetros MFCC para sistemas de producción
- Cálculo de los MFCC con Librosa: implementación paso a paso
- Optimización de las características MFCC para el reconocimiento de sonidos ambientales
- Evaluación de conocimientos sobre la extracción de características espectrales y cepstrales
UNIDAD 6 - Módulo 2: Técnicas de ampliación de audio para la generalización de modelos al mundo real · 7 leccionesTransformar audio: Extraer características y aumentar modelos - UNIDAD 6 - Módulo 2: Técnicas de ampliación de audio para la generalización de modelos al mundo real
UNIDAD 6 - Módulo 2: Técnicas de ampliación de audio para la generalización de modelos al mundo real · 7 lecciones
Transformar audio: Extraer características y aumentar modelos - UNIDAD 6 - Módulo 2: Técnicas de ampliación de audio para la generalización de modelos al mundo real
- Mejora del audio para sistemas de aprendizaje automático en producción
- Técnicas de mejora del audio: transformaciones de ruido, temporales y espectrales
- Diseño de procesos de aumento de datos robustos para sistemas de producción
- Creación de flujos de trabajo de mejora de audio con Python y Librosa
- Crear procesos de mejora de audio listos para la producción
- Diseño e implementación de un proceso de mejora del audio
- Extracción y aumento de características de audio para sistemas ML de producción
UNIDAD 7 - Módulo 1: Diagnóstico de problemas relacionados con la dinámica del entrenamiento · 6 leccionesDepurar redes neuronales: Analizar la dinámica de entrenamiento - UNIDAD 7 - Módulo 1: Diagnóstico de problemas relacionados con la dinámica del entrenamiento
UNIDAD 7 - Módulo 1: Diagnóstico de problemas relacionados con la dinámica del entrenamiento · 6 lecciones
Depurar redes neuronales: Analizar la dinámica de entrenamiento - UNIDAD 7 - Módulo 1: Diagnóstico de problemas relacionados con la dinámica del entrenamiento
- Cuando fallan las redes neuronales: El coste oculto de los problemas de entrenamiento
- Entender la dinámica del entrenamiento: Patrones, gradientes y señales de advertencia
- Fundamentos matemáticos del análisis de gradientes
- Análisis de curvas de formación y patrones de gradiente
- Formación en redes neuronales Laboratorio de diagnóstico
- Dinámica de formación Diagnóstico Evaluación
UNIDAD 8 - Módulo 2: Puesta en práctica de intervenciones de estabilización mediante entrenamiento · 6 leccionesDepurar redes neuronales: Analizar la dinámica de entrenamiento - UNIDAD 8 - Módulo 2: Puesta en práctica de intervenciones de estabilización mediante entrenamiento
UNIDAD 8 - Módulo 2: Puesta en práctica de intervenciones de estabilización mediante entrenamiento · 6 lecciones
Depurar redes neuronales: Analizar la dinámica de entrenamiento - UNIDAD 8 - Módulo 2: Puesta en práctica de intervenciones de estabilización mediante entrenamiento
- El coste de la gestión reactiva frente a la proactiva de la formación
- Técnicas de estabilización de la formación: Gradient Clipping y Early Stopping
- Implementación del recorte de gradiente en TensorFlow y PyTorch
- Formación Ejecución de la estabilización de tuberías
- Evaluación de las técnicas de estabilización de la formación
- Evaluación final: Estabilización del entrenamiento de la red neuronal
UNIDAD 9 - Fundamentos del análisis de errores · 6 leccionesEvaluar Errores de Visión: Identificar patrones de fallo - UNIDAD 9 - Fundamentos del análisis de errores
UNIDAD 9 - Fundamentos del análisis de errores · 6 lecciones
Evaluar Errores de Visión: Identificar patrones de fallo - UNIDAD 9 - Fundamentos del análisis de errores
- Por qué es importante el análisis sistemático de errores en visión por ordenador
- Fundamentos del análisis de errores de visión por ordenador
- Matrices de confusión y categorías de error
- Análisis de los patrones de la matriz de confusión
- Análisis práctico de la matriz de confusión para modelos de visión por ordenador
- Evaluación de los fundamentos del análisis de errores
UNIDAD 10 - Módulo 2: Identificación sistemática de patrones de fallo · 6 leccionesEvaluar Errores de Visión: Identificar patrones de fallo - UNIDAD 10 - Módulo 2: Identificación sistemática de patrones de fallo
UNIDAD 10 - Módulo 2: Identificación sistemática de patrones de fallo · 6 lecciones
Evaluar Errores de Visión: Identificar patrones de fallo - UNIDAD 10 - Módulo 2: Identificación sistemática de patrones de fallo
- Repercusiones reales del análisis sistemático de fallos
- Técnicas avanzadas de reconocimiento de patrones de error
- Aplicación del análisis visual de errores y el reconocimiento de patrones
- Proyecto integral de análisis de patrones de fallo
- Evaluación avanzada del reconocimiento de patrones de fallo
- Evaluación exhaustiva del dominio del análisis de errores
UNIDAD 11 - Módulo 1: Métricas y análisis del rendimiento de los modelos de audio · 7 leccionesDepuración de modelos de audio: Rendimiento y causas - UNIDAD 11 - Módulo 1: Métricas y análisis del rendimiento de los modelos de audio
UNIDAD 11 - Módulo 1: Métricas y análisis del rendimiento de los modelos de audio · 7 lecciones
Depuración de modelos de audio: Rendimiento y causas - UNIDAD 11 - Módulo 1: Métricas y análisis del rendimiento de los modelos de audio
- Por qué es importante supervisar el rendimiento de los modelos de audio en la producción
- Indicadores clave de rendimiento de los modelos de audio y métodos de cálculo
- Indicadores de rendimiento en los sistemas de audio de producción: aplicaciones en el sector y mejores prácticas
- Cálculo de métricas de rendimiento con Python para la evaluación de modelos de audio
- Evaluación de los patrones de deterioro del rendimiento en las distintas cohortes de usuarios
- Cuadro de mando de rendimiento del modelo de audio: cálculo de las puntuaciones WER y F1 para el análisis de cohortes de usuarios
- Evaluación de los indicadores de rendimiento
UNIDAD 12 - Módulo 2: Mejora de la robustez de los modelos de audio mediante procesos de aumento de datos · 7 leccionesDepuración de modelos de audio: Rendimiento y causas - UNIDAD 12 - Módulo 2: Mejora de la robustez de los modelos de audio mediante procesos de aumento de datos
UNIDAD 12 - Módulo 2: Mejora de la robustez de los modelos de audio mediante procesos de aumento de datos · 7 lecciones
Depuración de modelos de audio: Rendimiento y causas - UNIDAD 12 - Módulo 2: Mejora de la robustez de los modelos de audio mediante procesos de aumento de datos
- Por qué el análisis sistemático de las causas raíz es importante para la fiabilidad de los modelos de audio
- Marco de análisis sistemático de las causas fundamentales para la depuración de modelos de audio
- Análisis de errores en muestras de audio mediante espectrogramas y herramientas de procesamiento de señales
- Implementación del flujo de trabajo de investigación de las causas fundamentales para los modelos de audio de producción
- Investigación completa sobre la depuración del modelo de audio y plan de corrección
- Análisis de las causas fundamentales y evaluación de la depuración sistemática
- Evaluación exhaustiva de la depuración de modelos de audio y del análisis de las causas fundamentales
UNIDAD 13 - Módulo 1: Creación de etapas modulares en un proceso de trabajo - Fundamentos · 7 leccionesPerfeccionamiento de modelos multimodales mediante aprendizaje por transferencia - UNIDAD 13 - Módulo 1: Creación de etapas modulares en un proceso de trabajo - Fundamentos
UNIDAD 13 - Módulo 1: Creación de etapas modulares en un proceso de trabajo - Fundamentos · 7 lecciones
Perfeccionamiento de modelos multimodales mediante aprendizaje por transferencia - UNIDAD 13 - Módulo 1: Creación de etapas modulares en un proceso de trabajo - Fundamentos
- Por qué son importantes las canalizaciones de datos modulares en entornos empresariales
- Fundamentos de la arquitectura modular de canalización de datos
- Herramientas de código abierto para el desarrollo de pipelines: Spark, dbt y Airflow
- Elegir las herramientas adecuadas para su arquitectura de canalizaciones
- Puesta a punto de los transformadores multimodales
- Construya su primer componente modular de tuberías
- Modular Pipeline Foundations Comprobación de conocimientos
UNIDAD 14 - Módulo 2: Creación de etapas modulares del proceso: CORE aplicación básica y evaluación · 6 leccionesPerfeccionamiento de modelos multimodales mediante aprendizaje por transferencia - UNIDAD 14 - Módulo 2: Creación de etapas modulares del proceso: CORE aplicación básica y evaluación
UNIDAD 14 - Módulo 2: Creación de etapas modulares del proceso: CORE aplicación básica y evaluación · 6 lecciones
Perfeccionamiento de modelos multimodales mediante aprendizaje por transferencia - UNIDAD 14 - Módulo 2: Creación de etapas modulares del proceso: CORE aplicación básica y evaluación
- Resolución de retos reales en las tuberías mediante el diseño modular
- Componentes avanzados de tuberías: Estrategias de transformación y carga
- Aceleración del aprendizaje por transferencia
- Aprendizaje por transferencia para acelerar el modelo de aprendizaje automático
- Evaluación del diseño modular de tuberías
- Evaluación del dominio de la canalización modular de datos
UNIDAD 15 - Módulo 1: Búsqueda multimodal con redes neuronales artificiales (ANN) - Fundamentos · 6 leccionesUnificar modalidades: Recuperación multimodal - UNIDAD 15 - Módulo 1: Búsqueda multimodal con redes neuronales artificiales (ANN) - Fundamentos
UNIDAD 15 - Módulo 1: Búsqueda multimodal con redes neuronales artificiales (ANN) - Fundamentos · 6 lecciones
Unificar modalidades: Recuperación multimodal - UNIDAD 15 - Módulo 1: Búsqueda multimodal con redes neuronales artificiales (ANN) - Fundamentos
- Arquitectura de la inteligencia intermodal: Un diálogo estratégico
- Fundamentos de los sistemas de recuperación multimodal
- Arquitectura FAISS y tipos de índices para sistemas de producción
- Indexación FAISS para búsquedas multimodales
- Recuperación multimodal a escala de producción con FAISS
- Recuperación multimodal y evaluación de la aplicación de FAISS
UNIDAD 16 - Módulo 2: Fusión basada en la atención: aplicación y evaluación · 6 leccionesUnificar modalidades: Recuperación multimodal - UNIDAD 16 - Módulo 2: Fusión basada en la atención: aplicación y evaluación
UNIDAD 16 - Módulo 2: Fusión basada en la atención: aplicación y evaluación · 6 lecciones
Unificar modalidades: Recuperación multimodal - UNIDAD 16 - Módulo 2: Fusión basada en la atención: aplicación y evaluación
- Toma de decisiones estratégicas para una arquitectura de fusión multimodal
- Arquitectura y matemáticas de la fusión multimodal basada en la atención
- Aplicación de mecanismos de atención multimodal
- Optimización de Attention Fusion para su implantación en producción
- Evaluación de la arquitectura de fusión basada en la atención
- Recuperación multimodal y evaluación del dominio de la fusión basada en la atención
UNIDAD 17 - Módulo 1: Fundamentos — Fundamentos del análisis de complejidad · 7 leccionesAnalizar y optimizar algoritmos de fusión - UNIDAD 17 - Módulo 1: Fundamentos — Fundamentos del análisis de complejidad
UNIDAD 17 - Módulo 1: Fundamentos — Fundamentos del análisis de complejidad · 7 lecciones
Analizar y optimizar algoritmos de fusión - UNIDAD 17 - Módulo 1: Fundamentos — Fundamentos del análisis de complejidad
- Por qué es importante el análisis de la complejidad de los algoritmos en la IA de producción
- Fundamentos de la complejidad computacional en los algoritmos de fusión
- Aplicación del análisis Big O a los componentes del algoritmo de fusión
- Perfiles de algoritmos de fusión con cProfile
- Por qué es importante el análisis de la complejidad de los algoritmos en la IA de producción
- Perfilar y analizar el rendimiento del algoritmo de fusión
- Evaluación de los fundamentos del análisis de la complejidad
UNIDAD 18 - Módulo 2: CORE Aplicación básica: optimización de algoritmos y compensaciones · 5 leccionesAnalizar y optimizar algoritmos de fusión - UNIDAD 18 - Módulo 2: CORE Aplicación básica: optimización de algoritmos y compensaciones
UNIDAD 18 - Módulo 2: CORE Aplicación básica: optimización de algoritmos y compensaciones · 5 lecciones
Analizar y optimizar algoritmos de fusión - UNIDAD 18 - Módulo 2: CORE Aplicación básica: optimización de algoritmos y compensaciones
- Toma de decisiones sobre optimización estratégica
- Optimización de la atención dispersa
- Evaluación y aplicación de estrategias de optimización
- Optimización de algoritmos y evaluación de compensaciones
- Evaluación exhaustiva del análisis del algoritmo de fusión
UNIDAD 19 - Módulo 1: Evaluación del rendimiento de los modelos multimodales · 7 leccionesEvaluar y aplicar modelos éticos de IA - UNIDAD 19 - Módulo 1: Evaluación del rendimiento de los modelos multimodales
UNIDAD 19 - Módulo 1: Evaluación del rendimiento de los modelos multimodales · 7 lecciones
Evaluar y aplicar modelos éticos de IA - UNIDAD 19 - Módulo 1: Evaluación del rendimiento de los modelos multimodales
- Por qué es importante la evaluación multimodal en la IA empresarial
- Métricas de evaluación multimodal y análisis del rendimiento
- Aplicación de métricas de rendimiento intermodales
- Guía paso a paso para el cálculo de métricas multimodales
- Planificación estratégica de la evaluación intermodal
- Evaluación práctica del rendimiento multimodal con métricas del sector
- Comprobación de conocimientos sobre métricas de evaluación multimodal
UNIDAD 20 - Módulo 2: Evaluación ética de la IA y detección de sesgos · 7 leccionesEvaluar y aplicar modelos éticos de IA - UNIDAD 20 - Módulo 2: Evaluación ética de la IA y detección de sesgos
UNIDAD 20 - Módulo 2: Evaluación ética de la IA y detección de sesgos · 7 lecciones
Evaluar y aplicar modelos éticos de IA - UNIDAD 20 - Módulo 2: Evaluación ética de la IA y detección de sesgos
- Cómo abordar los retos éticos de la IA en su implantación en las empresas
- Detección sistemática de sesgos y análisis de interpretabilidad
- Aplicación de técnicas de detección de sesgos y de interpretabilidad
- Implementación práctica de la detección de sesgos
- Proyecto de evaluación de la IA desde el punto de vista ético
- Evaluación ética de la IA y comprobación de conocimientos sobre detección de sesgos
- Proyecto de evaluación integral de la ética en la IA
UNIDAD 21 - Módulo 1: Fundamentos y conceptos básicos: comprensión de las arquitecturas multimodales y los principios de diseño CORE · 6 leccionesArquitecto de soluciones multimodales de IA de extremo a extremo - UNIDAD 21 - Módulo 1: Fundamentos y conceptos básicos: comprensión de las arquitecturas multimodales y los principios de diseño CORE
UNIDAD 21 - Módulo 1: Fundamentos y conceptos básicos: comprensión de las arquitecturas multimodales y los principios de diseño CORE · 6 lecciones
Arquitecto de soluciones multimodales de IA de extremo a extremo - UNIDAD 21 - Módulo 1: Fundamentos y conceptos básicos: comprensión de las arquitecturas multimodales y los principios de diseño CORE
- Por qué es importante una arquitectura de IA multimodal en las soluciones empresariales
- Componentes CORE de la arquitectura del sistema de IA multimodal
- Principios de diseño para sistemas multimodales listos para la producción
- Arquitectura de IA de extremo a extremo para un sistema de atención al cliente multimodal
- Diseño de sistemas de IA multimodal para entornos de producción
- Evaluación de los fundamentos de la arquitectura de IA multimodal
UNIDAD 22 - Módulo 2: Aplicación y evaluación: creación de arquitecturas de soluciones completas de principio a fin · 6 leccionesArquitecto de soluciones multimodales de IA de extremo a extremo - UNIDAD 22 - Módulo 2: Aplicación y evaluación: creación de arquitecturas de soluciones completas de principio a fin
UNIDAD 22 - Módulo 2: Aplicación y evaluación: creación de arquitecturas de soluciones completas de principio a fin · 6 lecciones
Arquitecto de soluciones multimodales de IA de extremo a extremo - UNIDAD 22 - Módulo 2: Aplicación y evaluación: creación de arquitecturas de soluciones completas de principio a fin
- Cómo abordar las decisiones complejas sobre la arquitectura de IA empresarial
- Patrones de arquitectura de extremo a extremo para sistemas de IA multimodales
- Creación de arquitecturas de soluciones de IA integrales para aplicaciones multimodales
- Diseñar una arquitectura completa de soluciones de IA multimodal
- Evaluación del diseño de una arquitectura de IA multimodal
- Evaluación de dominio de la arquitectura de IA multimodal
UNIDAD 23 - Módulo 1: Preprocesamiento y normalización de imágenes · 7 leccionesProcesar imágenes, crear modelos AI de subtítulos - UNIDAD 23 - Módulo 1: Preprocesamiento y normalización de imágenes
UNIDAD 23 - Módulo 1: Preprocesamiento y normalización de imágenes · 7 lecciones
Procesar imágenes, crear modelos AI de subtítulos - UNIDAD 23 - Módulo 1: Preprocesamiento y normalización de imágenes
- Por qué es importante el preprocesamiento de imágenes en visión por ordenador
- Fundamentos de la normalización de imágenes y teoría del espacio de color
- Aplicación de técnicas de normalización con NumPy
- Conversión entre espacios de color con OpenCV
- Proceso de preprocesamiento de imágenes: Normalización y transformaciones del espacio de color
- Cómo abordar situaciones complejas relacionadas con la documentación de datos sanitarios
- Evaluación de los fundamentos del preprocesamiento de imágenes
UNIDAD 24 - Módulo 2: Extracción de características de movimiento · 6 leccionesProcesar imágenes, crear modelos AI de subtítulos - UNIDAD 24 - Módulo 2: Extracción de características de movimiento
UNIDAD 24 - Módulo 2: Extracción de características de movimiento · 6 lecciones
Procesar imágenes, crear modelos AI de subtítulos - UNIDAD 24 - Módulo 2: Extracción de características de movimiento
- Aplicaciones del análisis del movimiento en el mundo real
- Teoría del flujo óptico y fundamentos de la diferenciación de tramas
- Implementación del flujo óptico con OpenCV
- Implementación práctica de la diferenciación de tramas
- Evaluación de la extracción de características de movimiento
- Introducción de datos sanitarios sin errores: evaluación final
Certificado oficial
Tu certificado lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Cómo funciona
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $4,990 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
24 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
47 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Lo que obtienes
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por Coursera.
- Folio y QR verificables para compartirlo con quien te contrate.
Medios que necesitas
Equipo de cómputo
Conexión estable a internet
Pago único
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 24 unidades · 154 lecciones · 240 h
- 12 meses de acceso
- 47 cuestionarios de evaluación
- Certificado emitido por la SEP (Gob. del Estado de México) con folio verificable
Preguntas frecuentes
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $4,990 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por Coursera; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
