AQUÍ, aprende como en la empresa
Creamos este curso diseñado para resolver todos esos desafios empresariales que una academia normal no toma en cuenta.
Te enseñamos buenas prácticas, codificación, arquitecturas y arquetipos basados en estándares empresariales, lo que aprendas aquí lo aplicarás a la vida empresarial.
BENEFICIOS
✅ El profesor asesora empresas latinoamericanas en I.A. y Big Data
✅ Es un curso 100% de laboratorios prácticos
✅ Implementarás en las 4 nubes: Databricks, AWS, Azure y GCP, sobre un Data Lake
✅ Los materiales y grabaciones se quedan contigo para siempre
✅ Únete a nuestros alumnos, quienes en promedio completan 3 cursos
✅ Nuestros alumnos comienzan a trabajar lo aprendido desde el tercer mes
Al finalizar el curso tendrás las herramientas y el conocimiento disruptivo que te permitirá un alto salario.
¿𝐋𝐢𝐬𝐭𝐨 𝐩𝐚𝐫𝐚 𝐬𝐞𝐫 𝐮𝐧 𝐃𝐚𝐭𝐚 𝐄𝐧𝐠𝐢𝐧𝐞𝐞𝐫 𝐒𝐞𝐧𝐢𝐨𝐫❓
En menos de 3 meses tendrás la capacidad de:
✅Aplicar PATRONES DE DISEÑO Y ARQUETIPOS para no “crear la rueda de nuevo”, es decir soluciones estándares para problemas comunes y aplicables a cualquier realidad empresarial, te ayudarán a optimizar el uso de la RAM y la CPU, mejorar los tiempos y dar calidad a tu código.
✅Implementar ESTÁNDARES DE BIG DATA MULTI-CLOUD que te permitirán codificar en las 4 nubes más usadas en las empresas sin problemas: AWS, Azure, GCP y Databricks
✅Construir flujos de GOBIERNO DE DATOS & DATA LAKES que te permitirán organizar los miles de procesos que las empresas tienen para evitar que se interrumpan entre sí y te ahorrará re-trabajos de codificación.
✅APLICAR AL MUNDO EMPRESARIAL todo lo aprendido, el contenido del curso tiene toda la experiencia y buenas prácticas de nuestro profesor con 14 años de experiencia en Big Data & I.A.
EL ÚNICO REQUISITO es que conozcas la sintáxis básica de cualquier lenguaje de programación.
¡Un total de 8 sesiones en vivo!
Conoce el temario de 8 sesiones divididas en 8 módulos
-
MÓDULO 1: ALGORITMOS DE MACHINE LEARNING Y MODELOS DE SEGMENTACIÓN CON KMEANS
- Introducción teórica a los modelos analíticos
- Algoritmos de Machine Learning
- Algoritmos de Deep Learning
- Algoritmos de Inteligencia Artificial
- Business Intelligence aplicado a la empresa
- Infraestructura de procesamiento analítico
- Clústers de Big Data vs Servidores de GPU
- Spark como motor de procesamiento para algoritmos de Machine Learning
- Tensorflow como motor de procesamiento para algoritmos de Deep Learning
- Integración de Dataframes de Spark con Pandas con Koalas
- Algoritmos de clusterización y tipos de distancia
- Implementación de K-Means para segmentación de datos
- Calibración de parámetros sobre el modelo de K-Means
-
MÓDULO 2: MODELOS DE PREDICCIÓN NUMÉRICOS CON REGRESIÓN LINEAL
- Arquetipo estándar de modelos de predicción numéricos
- Definición de matriz de features
- Definición de matriz de labels
- Split de datos para entrenamiento y validación de datos
- Variables numéricas y variables categóricas
- Predicción de variables numéricas
- Creación de variables dummy
- Medición del error con el Error Cuadrático Medio
- Medición del accuracy con R2 Score
- Implementación del modelo de regresión lineal
- Calibración del modelo de regresión lineal
- Validación cruzada sobre el modelo de regresión lineal
- Productivización y uso del modelo de regresión lineal
-
MÓDULO 3: MODELOS DE PREDICCIÓN CATEGÓRICOS CON ÁRBOLES DE DECISIÓN Y RANDOM FOREST
- Arquetipo estándar de modelos de predicción categóricos
- Entropía y ganancia de información
- Impureza de Gini
- Independencia de variables correlacionadas
- El problema del sobre-ajustamiento (overfitting)
- Algoritmo de Árbol de Decisión vs Random Forest
- Indexación de la matriz de labels
- Implementación del modelo de Árbol de Decisión
- Calibración del modelo de Árbol de Decisión
- Validación cruzada sobre el modelo de Árbol de Decisión
- Visualización del Árbol de Decisión
- Productivización y uso del modelo de Árbol de Decisión
- Implementación del modelo de Random Forest
- Calibración del modelo de Random Forest
- Validación cruzada sobre el modelo de Random Forest
- Visualización de los árboles de decisión dentro del modelo Random Forest
- Productivización y uso del modelo de Random Forest
-
MÓDULO 4: ALGORITMOS DE DEEP LEARNING Y MODELOS DE PREDICCIÓN NUMÉRICOS CON REDES NEURONALES
- El problema del descubrimiento de patrones no lineales
- Algoritmos iterativos
- Neuronas y perceptrones
- Perceptrón como “regresión lineal”
- Funciones de activación: Escalonada, Sigmoide, Tanh, RELU
- Funciones de coste: Cuadrática, entropía cruzada
- Algoritmo de gradiente descendiente
- Algoritmos de Backpropagation
- Infraestructura de GPUs para procesamiento de Redes Neuronales
- Arquitectura de Redes Neuronales de Predicción Numérica
- Implementación del modelo de Red Neuronal de Predicción Numérica
- Medición del error con el Error Cuadrático Medio
- Medición del accuracy con R2 Score
- Productivización y uso del modelo de Predicción Numérica
-
MÓDULO 5: MODELOS DE PREDICCIÓN CATEGÓRICOS CON REDES NEURONALES
- Modelos de predicción binarios
- Función de activación Sigmoide para el cálculo de probabilidades binarias
- Arquitectura de Redes Neuronales de Predicción Binaria
- Implementación del modelo de Red Neuronal de Predicción Binaria
- Medición del error con la entropía cruzada binaria
- Medición del accuracy con el porcentaje aciertos
- Productivización y uso del modelo de Predicción Binaria
- Modelos de predicción multi-categóricos
- Función de activación Softmax para el cálculo de probabilidades multi-categóricas
- Arquitectura de Redes Neuronales de Predicción Multi-Categórica
- Implementación del modelo de Red Neuronal de Predicción Multi-Categórica
- Medición del error con la entropía cruzada multi-categórica
- Medición del accuracy con el porcentaje aciertos
- Productivización y uso del modelo de Predicción Multi-Categóricos
-
MÓDULO 6: CALIBRACIÓN DE REDES NEURONALES
- Estrategia de Calibración de Redes Neuronales
- Descubrimiento de la naturaleza de los datos en el dataset
- Definición del modelo base de Red Neuronal para calibración según el dataset
- Agnosticidad de la calibración de la red neuronal según la capa output
- Análisis de la disminución del error en cada iteración de entrenamiento
- Calibración de Learning Rate
- Calibración de Batch Size
- Calibración de algoritmo de Backpropagation
- Calibración de número de capas y perceptrones
- Definición del modelo de Red Neuronal calibrada
- Validación cruzada sobre Redes Neuronales para eliminación de la aleatoriedad
-
MÓDULO 7: MODELOS DE RECONOCIMIENTO VISUAL CON REDES CONVOLUCIONALES
- Inteligencia artificial aplicada a visualización de imágenes
- Reconocimiento de patrones visuales
- Modelamiento de datos no estructurados en canales de colores
- Creación de tensores desde imágenes
- Operaciones de convolución para el descubrimiento de patrones visuales
- Capas convolucionales para el descubrimiento en profundidad de patrones visuales
- Arquitectura de reconocimiento visual
- Implementación de Tensorización de imágenes para estructuramiento de datos
- Implementación de Capas Convolucionales para descubrimiento de patrones visuales
- Implementación de Capa Flatting para vectorización de patrones visuales
- Implementación de Red Neuronal para clasificación de patrones visuales
- Productivización y uso del modelo de reconocimiento visual
-
MÓDULO 8: MODELOS DE PREDICCIÓN DE TENDENCIAS CON REDES RECURRENTES
- El problema del análisis de tendencias dependientes de features
- Series temporales para modelamiento de tendencias
- Perceptrones LSTM para cálculo de tendencia
- Definición de temporalidades para predicciones de tendencias
- Arquitectura de Redes Neuronales Recurrentes para series temporales
- Implementación del modelo de Red Neuronal de Predicción de Tendencias
- Predicción de tendencias según saltos temporales
- Productivización y uso del modelo de Predicción de Tendencias
Profesor
"He trabajado con todo tipo de proyectos, desde pequeños de unos cuántos miles de dólares, hasta muy grandes de presupuestos de millones de dólares"
✅14 años de experiencia en Big Data e Inteligencia Artificial
✅12 años de experiencia como docente universitario
✅Más detalles de mi perfil: LINKEDIN
Alonso Melgarejo
[email protected]
Nuestros 69 mil alumnos nos recomiendan
MATRICÚLATE
OFERTA
¡De regalo un videocurso de 30 sesiones!
- Curso de Ciencia de datos con Spark y Tenserflow+
- Workshop Tu primer Chatbot de IA Generativa en Azure
Todo por 89 dólares
Preguntas Frecuentes
-
¿Qué es Big Data Academy (BDA)?
Somos una empresa que tiene como objetivo desbloquear todo tu potencial en Big Data, Inteligencia Artificial y Cloud Computing
-
¿Hay cursos para principiantes?
Sí, desde workshops de primeros pasos hasta cursos y programas completos
-
¿Hay cursos para empresas o grupos grandes?
Sí, con buenos descuentos, puedes escribirnos a nuestro WhatsApp (+51 907 999 456)
-
¿Cuáles son los cursos en los que puedo matricularme?
Puedes encontrar los cursos y programas desde el siguiente enlace: CURSOS
-
¿Cuáles son los requisitos para matricularme en un curso?
Puedes revisar el brochure o la web de cada curso para conocer su detalle
-
¿Qué tipo de computadora requiero para iniciar un curso?
Una computadora simple, usamos infraestructura en la nube para practicar, puedes acceder incluso desde tu tablet
-
¿Cuántas horas semanales requiero para llevar un curso?
Depende de ti, pero te recomendamos de 2 a 3 horas semanales