نظرة عامة

Este curso intensivo basado en proyectos profundiza en los temas avanzados de aprendizaje automático y análisis de datos utilizando el ecosistema Python (Pandas, NumPy, Scikit-learn, TensorFlow/PyTorch). Iremos más allá del modelado predictivo básico para cubrir algoritmos complejos como el aprendizaje profundo (Deep Learning), procesamiento de lenguaje natural (NLP) y análisis de series temporales. Se pone énfasis en la aplicación práctica, la optimización de modelos, las mejores prácticas de despliegue y consideraciones éticas en IA. El proyecto final involucra construir, entrenar y desplegar un modelo de aprendizaje automático escalable y listo para producción.

محتوى الدورة

El contenido del curso abarca redes neuronales profundas, NLP, series temporales y despliegue en la nube. Se incluyen materiales como notebooks descargables y lecturas semanales.

النتائج

Al completar este curso, los estudiantes serán capaces de: * Diseñar e implementar redes neuronales profundas usando frameworks modernos (TensorFlow/PyTorch) para reconocimiento de imágenes y modelado de secuencias. * Dominar el preprocesamiento de datos, la ingeniería de características y las técnicas de selección de modelos para lograr precisión predictiva de vanguardia. * Aplicar técnicas avanzadas de NLP, incluyendo Transformers y modelos BERT, para analizar y obtener información de datos textuales. * Desarrollar pipelines robustos para el despliegue, monitoreo y mantenimiento de modelos en un entorno en la nube (por ejemplo, AWS/GCP). * Evaluar críticamente y abordar el sesgo algorítmico y las implicaciones éticas en sistemas de ML en el mundo real.

معايير التسجيل

La inscripción exitosa requiere cumplir con los siguientes requisitos previos: 1. Dominio intermedio de Python: Sólido conocimiento de funciones, clases, estructuras de datos (listas, diccionarios) y organización del código. 2. Fundamentos de Estadística/Matemáticas: Conocimiento práctico de álgebra lineal, cálculo y probabilidad y estadística básica (por ejemplo, pruebas de hipótesis, regresión). 3. Experiencia previa en ML (recomendado): Haber completado un curso introductorio en aprendizaje automático o tener al menos 6 meses de experiencia práctica utilizando Scikit-learn u otras bibliotecas similares. 4. Requisitos de hardware: Conexión de internet confiable y un ordenador personal capaz de ejecutar entornos virtuales y entrenamiento local de modelos (mínimo recomendado 8GB de RAM).