Curso 100% subvencionado por la Conselleria de Industria, Turismo, Innovación y Comercio. Plazas limitadas
Formato: Live online.
Cuándo: 8, 10, 15, 17 y 22 de septiembre de 16:00 a 20:00h.
Cuánto: 50€ de fianza, cantidad que se devolverá a la finalización del curso si se asiste como mínimo al 80% de sus horas.
Fin plazo de matrícula: Reserva de plaza por riguroso orden de inscripción. Prioridad de matrícula para Asociados/Colegiados.
Imparte: Valencian Graduate School and Research Network of Artificial Intelligence (ValgrAI).
Presentación del curso
La formación Machine Learning y Deep Learning Aplicado con Python para Profesionales TIC está diseñada para proporcionar una visión práctica, estructurada y orientada a producción de las principales técnicas de aprendizaje automático e inteligencia artificial utilizadas actualmente en entornos profesionales. A lo largo del curso se abordan todas las fases del ciclo de vida de un proyecto de machine learning y deep learning, desde la preparación avanzada de datos y el entrenamiento y evaluación de modelos, hasta el uso de redes neuronales, modelos preentrenados de procesamiento del lenguaje natural y buenas prácticas para la trazabilidad, reproducibilidad y despliegue básico. La formación combina fundamentos técnicos con un enfoque eminentemente práctico, basado en talleres sobre casos reales, utilizando librerías y herramientas estándar del ecosistema Python, orientadas a su aplicación directa en proyectos profesionales TIC.
Esta formación se presenta en formato de curso online, que combina clases síncronas, donde los alumnos pueden además plantear sus dudas y cuestiones al docente. Como complemento a las sesiones síncronas, se ofrecen a los alumnos diferentes materiales como baterías de preguntas y cuestionarios, enlaces de interés, manuales, etc. Además, los profesores estarán a disposición de los alumnos a través de email para resolver las posibles dudas que puedan surgir.
.
Objetivos
- Aplicar técnicas avanzadas de preparación, limpieza y transformación de datos utilizando el ecosistema Python (pandas, scikit-learn) y pipelines profesionales, garantizando reproducibilidad y calidad en proyectos de machine learning.
- Entrenar, evaluar y comparar modelos de aprendizaje supervisado mediante métricas avanzadas, validación cruzada y ajuste de hiperparámetros, seleccionando el modelo más adecuado para cada problema real.
- Diseñar e implementar modelos de deep learning para tareas de visión artificial y reconocimiento de imágenes, utilizando redes neuronales y arquitecturas convolucionales con PyTorch.
- Utilizar modelos preentrenados de procesamiento del lenguaje natural, comprendiendo la arquitectura transformer y aplicando técnicas de fine-tuning para tareas habituales de análisis y clasificación de texto.
- Adoptar buenas prácticas profesionales en proyectos de IA, incluyendo la trazabilidad de experimentos, la gestión y reutilización de modelos, el uso de agentes y una introducción al despliegue de soluciones mediante arquitecturas ligeras orientadas a producción.
Dirigido a
Personal técnico interesado en profundizar en Machine Learning aplicado con Python.
Requisitos previos
No se requieren, aunque el perfil del alumnado es técnico.
Contenidos
Sesión 1. Entorno profesional y preparación de datos
Stack habitual: pandas, scikit-learn, matplotlib, seaborn.
Limpieza y preprocesamiento avanzado: valores nulos, codificación, escalado.
Pipelines con ColumnTransformer y Pipeline.
Ingeniería de características.
Taller: preparación completa de un dataset con pipeline encadenado.
Sesión 2. Entrenamiento de modelos y evaluación avanzada
Modelos supervisados: regresión logística, Random Forest, SVM, KNN.
Evaluación de modelos con varias métricas: precisión, AUC, F1, etc.
Validación cruzada y ajuste de hiperparámetros con GridSearchCV.
Taller: benchmarking de varios modelos en un problema real (clasificación binaria).
Sesión 3. Deep Learning práctico con PyTorch
Redes neuronales y arquitectura de redes feed-forward.
Redes neuronales convolucionales (CNN).
Entrenamiento y uso de redes neuronales.
Taller: implementación de un reconocedor de imágenes con CNNs usando la librería PyTorch.
Sesión 4. Procesamiento del lenguaje natural y modelos preentrenados
Introducción a los embeddings y la representación del texto.
La arquitectura transformer y el mecanismo de atención.
Modelos preentrenados en procesamiento del lenguaje natural.
Tareas habituales del procesamiento neuronal de textos.
Taller: fine-tuning para clasificación de textos sobre un modelo preentrenado usando la librería Hugging Face.
Sesión 5. Agentes, trazabilidad y buenas prácticas
Introducción a IA Agentiva.
Seguimiento de experimentos con MLflow o Weights & Biases.
Guardado y carga de modelos (joblib, pickle).
Buenas prácticas para producción: reproducibilidad, estructura de proyecto, inferencia básica.
Despliegue sencillo con FastAPI (introductorio). • Taller: generar agentes para la realización de diferentes tareas.
Formalización de matricula
Tras rellenar el formulario de inscripción, Som Digitals se pondrá en contacto con usted para indicarle las instrucciones para finalizar la matrícula del curso.
