Temario del curso
Módulo 1: Python Esencial para Flujos de Trabajo de ML
• Inicio del curso y configuración del entorno
Definir objetivos y configurar un espacio de trabajo reproducible para ML en Python.
• Fundamentos del lenguaje Python (acelerado)
Revisar sintaxis, flujo de control, funciones y patrones comúnmente utilizados en repositorios de código de ML.
• Estructuras de datos para ML
Listas, diccionarios, conjuntos y tuplas para características, etiquetas y metadatos.
• Comprensiones y herramientas funcionales
Expresar transformaciones utilizando comprensiones y funciones de orden superior.
• Programación orientada a objetos en Python para desarrolladores de ML
Clases, métodos, composición y decisiones prácticas de diseño.
• dataclasses y modelado ligero
Contenedores tipados para configuración, ejemplos y resultados.
• Decoradores y gestores de contexto
Patrones temporales, caché, registro (logging) y ejecución segura de recursos.
• Trabajando con archivos y rutas
Manejo robusto de conjuntos de datos y formatos de serialización.
• Excepciones y programación defensiva
Escrita de scripts de ML que fallan de forma segura y transparente.
• Módulos, paquetes y estructura del proyecto
Organización de repositorios de código ML reutilizables.
• Tipado y calidad del código
Sugerencias de tipo, documentación y estructura compatible con herramientas de análisis estático (lint).
Módulo 2: Python Numérico, SciPy y Manipulación de Datos
• Fundamentos de NumPy para computación vectorizada
Operaciones eficientes con matrices y codificación consciente del rendimiento.
• Indexación, segmentación (slicing), difusión y formas
Manipulación segura de tensores y razonamiento sobre las formas.
• Elementos esenciales del álgebra lineal con NumPy y SciPy
Operaciones matriciales estables y descomposiciones utilizadas en ML.
• Profundización en SciPy
Estadística, optimización, ajuste de curvas y matrices dispersas.
• Pandas para datos tabulares de ML
Limpieza, unión, agregación y preparación de conjuntos de datos.
• Profundización en scikit-learn
Interfaz del estimador, tuberías (pipelines) y flujos de trabajo reproducibles.
• Elementos esenciales de visualización
Gráficos diagnósticos para la exploración de datos y comportamiento del modelo.
Módulo 3: Patrones de Programación para Construir Aplicaciones ML
• Del cuaderno (notebook) al proyecto mantenible
Refactorizar código exploratorio en paquetes estructurados.
• Gestión de configuración
Parámetros externalizados y validación del inicio.
• Registro (logging), advertencias y observabilidad
Registro estructurado para sistemas ML depurables.
• Componentes reutilizables con OOP y composición
Diseño de transformadores y predictores extensibles.
• Patrones de diseño prácticos
Patrón Pipeline, Factory o Registry, Strategy y Adapter.
• Validación de datos y verificaciones de esquema
Prevención de problemas silenciosos en los datos.
• Rendimiento y perfilado (profiling)
Identificación de cuellos de botella y aplicación de técnicas de optimización.
• Entradas/Salidas (I/O) de modelos e interfaces de inferencia
Persistencia segura e interfaces de predicción limpias.
• Mini proyecto de extremo a extremo
Tubería (pipeline) de ML estilo producción con configuración y registro.
Módulo 4: Aprendizaje Estadístico para Datos Tabulares, Texto e Imagen
• Fundamentos de evaluación
Divisones de entrenamiento y validación, validación cruzada honesta y métricas alineadas con el negocio.
• ML tabular avanzado
GLM regularizados, conjuntos de árboles (ensembles) y preprocesamiento sin filtración de datos (leakage).
• Calibración e incertidumbre
Escalamiento de Platt, regresión isotónica, bootstrapping y predicción conforme.
• Métodos clásicos de PLN (Procesamiento de Lenguaje Natural)
Compensaciones en tokenización, TF-IDF, modelos lineales y Bayes Naive.
• Modelado de temas
Fundamentos de LDA y limitaciones prácticas.
• Visión por computadora clásica
HOG, PCA y tuberías basadas en características.
• Análisis de errores
Detección de sesgo, ruido en etiquetas y correlaciones espurias.
• Prácticas (labs)
Tubería tabular a prueba de filtración de datos.
Comparación e interpretación de líneas base para texto.
Línea base clásica de visión con análisis estructurado de fallos.
Módulo 5: Redes Neuronales para Datos Tabulares, Texto e Imagen
• Dominio del bucle de entrenamiento
Bucles limpios en PyTorch con AMP, recorte de gradientes y reproducibilidad.
• Optimización y regularización
Inicialización, normalización, optimizadores y programadores (schedulers).
• Precisión mixta y escalado
Estrategias de acumulación de gradientes y checkpointing.
• Redes neuronales para datos tabulares
Embebidos categóricos, cruces de características y estudios de ablation.
• Redes neuronales para texto
Embebidos, CNNs, BiLSTM o GRU y manejo de secuencias.
• Redes neuronales para visión
Fundamentos de CNN y arquitecturas estilo ResNet.
• Prácticas (labs)
Marco de entrenamiento reutilizable.
Comparación de NN tabular vs boosting.
CNN con experimentos de aumentación y programación de hiperparámetros.
Módulo 6: Arquitecturas Neuronales Avanzadas
• Estrategias de aprendizaje por transferencia
Patrones de congelación y descongelación, tasas de aprendizaje discriminativas.
• Arquitecturas Transformer para texto
Internos del autoatención (self-attention) y enfoques de ajuste fino (fine-tuning).
• Backbones de visión y predicción densa
Conceptos de ResNet, EfficientNet, Vision Transformers y U-Net.
• Arquitecturas tabulares avanzadas
TabTransformer, FT-Transformer y redes Deep and Cross.
• Consideraciones para series de tiempo
Divisiones temporales y detección de cambio de covariables (covariate shift).
• Técnicas de PEFT y eficiencia
Compensaciones entre LoRA, distilación y cuantización.
• Prácticas (labs)
Ajuste fino de un transformer de texto preentrenado.
Ajuste fino de un modelo de visión preentrenado.
Comparación de transformer tabular vs GBDT.
Módulo 7: Sistemas de IA Generativa
• Fundamentos del uso de prompts (prompting)
Prompting estructurado y generación controlada.
• Fundamentos de los LLM
Tokenización, ajuste por instrucciones y mitigación de alucinaciones.
• Generación Aumentada por Recuperación (RAG)
Segmentación (chunking), embebidos, búsqueda híbrida y métricas de evaluación.
• Estrategias de ajuste fino (fine-tuning)
LoRA y QLoRA con controles de calidad de datos.
• Modelos de difusión
Intuición de la difusión latente y adaptación práctica.
• Datos tabulares sintéticos
CTGAN y consideraciones sobre privacidad.
• Prácticas (labs)
Mini-aplicación RAG estilo producción.
Validación de salida estructurada con aplicación de esquema.
Experimentación opcional con difusión.
• Módulo 8: Agentes de IA y MCP
• Diseño del bucle del agente
Observar, planificar, actuar, reflexionar y persistir.
• Arquitecturas de agentes
ReAct, planificar-ejecutar y coordinación multiagente.
• Gestión de memoria
Enfoques episódicos, semánticos y de pizarra (scratchpad).
• Integración de herramientas y seguridad
Contratos de herramientas, aislamiento (sandboxing) y defensas contra inyección de prompts.
• Marcos de evaluación
Trazas repetibles, suites de tareas y pruebas de regresión.
• MCP e interoperabilidad basada en protocolos
Diseño de servidores MCP con exposición segura de herramientas.
• Prácticas (labs)
Construir un agente desde cero.
Exponer herramientas mediante un servidor estilo MCP.
Crear una herramienta de evaluación con restricciones de seguridad.
Requerimientos
Los participantes deben tener conocimientos prácticos de programación en Python.
Este programa está dirigido a profesionales técnicos de nivel intermedio a avanzado.
Reseñas (3)
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
Que se estuviera aplicando datos reales de la empresa. El formador tenía un enfoque muy bueno al hacer que los participantes colaboraran y competieran.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
Traducción Automática
