MATRICÚLATE
Machine Learning y Deep Learning en Azure
¡Videocurso de más de 100 sesiones!
🎁 ¿Quieres un 20% de DCTO extra?, usa el código:
descuentobda
¡Más de 100 sesiones en el VIDEOCURSO!
Conoce el temario de más de 100 sesiones divididas en 8 módulos
-
MÓDULO 1: INTRODUCCIÓN A LA CIENCIA DE DATOS, INTELIGENCIA ARTIFICIAL Y AZURE
- 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 Azure
- Servicios clave: Azure Blob Storage, Azure Virtual Machines, Azure Machine Learning, Synapse Analytics, AutoML
- Conceptos de regiones, zonas de disponibilidad y despliegue global en Azure
- Configuración de entornos híbridos con Google Colab y Azure Machine Learning Studio / SDK
-
MÓDULO 2: INFRAESTRUCTURA Y ARQUITECTURA DE DATOS EN LA NUBE
- Conceptos de arquitectura on-premise y nube híbrida
- Almacenamiento con Azure Blob Storage y control de accesos
- Subida y descarga de archivos entre entornos
- Gestión de credenciales y permisos en Azure
- 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 AZURE ML
- DataFrames con PySpark y Pandas: comparación y casos de uso
- Transformaciones comunes: manejo de valores nulos, variables dummies, escalamiento, detección y tratamiento de outliers
- Uso de Spark en Azure Synapse para preparación de datos numéricos y categóricos
- Preparación de datos sin código mediante el entorno visual de Azure Machine Learning (Designer)
- Creación y gestión de datasets, proyectos y columnas dentro del entorno de Azure
- Reordenamiento, limpieza y exportación de archivos transformados a Azure Blob Storage o Azure Data Lake
- Integración de herramientas de preparación dentro del flujo analítico con Azure Machine Learning Pipelines o Synapse Pipelines
-
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 Azure ML
-
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 Azure ML AutoML 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 neuronales
- 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 Azure ML
- 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 Azure
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]
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