¡Matricúlate!

Machine Learning y Deep Learning en AWS

¡Videocurso de más de 100 sesiones!

🎁 ¿Quieres un 20% de DCTO extra?, usa el código:
descuentobda

MÓDULO 1: INTRODUCCIÓN A LA CIENCIA DE DATOS, INTELIGENCIA ARTIFICIAL Y AWS
- Presentación general del curso y objetivos
- Roles en la Ciencia de Datos y su valor empresarial
- Ciencia de Datos como soporte a la toma de decisiones
- Diferencias entre Machine Learning, Deep Learning e Inteligencia Artificial
- Panorama actual de la Inteligencia Artificial Generativa
- Ecosistema de servicios de Ciencia de Datos e IA en AWS
- Servicios clave: S3, EC2, SageMaker, Athena, AutoPilot
- Conceptos de regiones, disponibilidad y despliegue global en AWS
- Configuración de entornos híbridos con Google Colab y AWS
MÓDULO 2: INFRAESTRUCTURA Y ARQUITECTURA DE DATOS EN LA NUBE
- Conceptos de arquitectura on-premise y nube híbrida
- Almacenamiento con Amazon S3 y control de accesos
- Subida y descarga de archivos entre entornos
- Gestión de credenciales y permisos en AWS
- Despliegue inicial de servicios y entorno de trabajo
- Transferencia de datos entre on-premise y la nube
- Fundamentos de integración de datos en arquitecturas distribuidas
MÓDULO 3: TRANSFORMACIÓN Y PREPARACIÓN DE DATOS CON SPARK, PANDAS Y DATABREW
- DataFrames con PySpark y Pandas: comparación y casos de uso
- Transformaciones comunes: nulos, dummies, escalamiento, outliers
- Uso de Spark para preparación de datos numéricos y categóricos
- DataBrew para preparación visual y flujos de datos sin código
- Creación y gestión de datasets, proyectos y columnas
- Reordenamiento y exportación de archivos transformados
- Integración de herramientas de preparación dentro del flujo analítico
MÓDULO 4: REGRESIÓN Y CLASIFICACIÓN EN APRENDIZAJE SUPERVISADO
- Diferenciación entre variables dependientes e independientes
- División de datos en entrenamiento y validación
- Algoritmo de Regresión Lineal: mínimos cuadrados y gradiente
- Árboles de decisión: construcción y principios de impureza
- Árboles Boosted y comparación con modelos simples
- Métricas clave: MAE, MSE, RMSE, R², Accuracy, GINI
- Implementación de modelos supervisados en SageMaker
MÓDULO 5: VALIDACIÓN Y OPTIMIZACIÓN DE MODELOS
- Conceptos de validación cruzada y generalización
- Calibración de modelos mediante técnicas estadísticas
- Ajuste de hiperparámetros: grid search y parámetros críticos
- Calibración de learning rate, batch size y profundidad de red
- Regularización para evitar overfitting (L1/L2, Dropout)
- Uso de SageMaker Autopilot para entrenamiento automatizado
- Comparación entre modelos calibrados manualmente y por AutoML
MÓDULO 6: APRENDIZAJE NO SUPERVISADO Y CLUSTERING
- Principios del aprendizaje no supervisado
- KMeans como algoritmo de clustering más utilizado
- Preparación de datos para modelos no supervisados
- Calibración del número óptimo de clústers (K óptimo)
- Evaluación de resultados y visualización de agrupamientos
- Aplicaciones reales de segmentación de datos en negocio
MÓDULO 7: REDES NEURONALES Y DEEP LEARNING
- Fundamentos del perceptrón y estructuras neuronales
- Funciones de activación: ReLU, Sigmoid, Tanh, Softmax
- Entrenamiento de redes con descenso de gradiente
- Implementación de redes con Keras y TensorFlow
- Calibración de capas, activaciones y arquitectura
- Redes convolucionales (CNN): tensorización, filtros, pooling
- Comparativa entre modelos superficiales y profundos
MÓDULO 8: DESPLIEGUE DE MODELOS Y PERSPECTIVA PROFESIONAL
- Publicación de modelos como microservicios en SageMaker
- Registro, aprobación y versionamiento de modelos
- Consumo y eliminación controlada de modelos en producción
- Aplicaciones de IA: visión computacional, NLP, IA generativa
- Introducción a la Ingeniería de Datos para IA escalable
- Cierre del curso y guía de certificación profesional en AWS

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"

✅EXPERTO EN IA PARA BANCOS Y FINANCIERAS
✅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]

📋

Requisitos

No se necesita experiencia previa, ya que se aprende desde cero

🎓

Certificación Internacional

Al finalizar el videocurso obtendrás los certificados de "Data Scientist on AWS", "Analytics Architect on AWS" y "Analytics Leader on AWS"

🎞️

¿Y si no puedo asistir en vivo?

No te preocupes, si no puedes asistir o llegas tarde, podrás acceder de por vida a las grabaciones de cada sesión desde nuestra plataforma.

Algunos alumnos incluso llevan las clases sólo con las grabaciones.

Se indispensable para tu empresa y ten un alto salario

🎁 ¿Quieres un 20% de DCTO extra?, usa el código:
descuentobda

Matricúlate aquí 👈

¿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

MATRICÚLATE