Seleccionar página

Especialista Azure AWS ML. IA Generativa

El Machine Learning es una de las ramas de la IA Inteligencia Artificial

La idea es desarrollar algoritmos que sean capaces de aprender del análisis de datos y detectar patrones, permitiéndoles anticiparse o incluso actuar en consecuencia si están programados para ello. A pesar de que esto no es nuevo, ya se encuentra en muchas de las tecnologías que utilizamos hoy día, apenas se ha desarrollado un mínimo del potencial de las posibilidades de la Inteligencia Artificial.

SUBVENCIONADO PARA TRABAJADORES

SOLICITA MÁS INFORMACIÓN

     

    Telepresencial
    Online

    Recursos
    Prácticos

    Seminario
    Certificación
    Oficial

    ¿Quieres ver una clase demo?

      Vídeo Demo
      Infórmate Infórmate

      Sobre el curso Especialista Azure AWS Machine Learning. IA Generativa.

      Se trata de un curso intensivo en donde trabajarás mucho, pero donde encontrarás la satisfacción de dominar una profesión con futuro en apenas unos meses. Aprenderemos dos de los principales entornos de Machine Learning en la nube que permiten acelerar y administrar el ciclo de vida de los proyectos de aprendizaje automático: Azure y AWS. Accediendo a sus respectivas certificaciones que acreditan la capacidad de un candidato para diseñar, crear, implementar, optimizar, entrenar, ajustar y mantener soluciones de ML para determinados problemas empresariales mediante estas nubes. 

       Duración:

      200 Horas / 3-5 meses

       Modalidad:

      Telepresencial y Online

       Requisitos Previos:

      Conocimientos básicos de informática e internet

      Certificación Oficial

      El alumno accede al registro oficial de técnicos en una tecnología determinada, que lo homologa para ejercer su profesión a nivel internacional. Certificamos a nuestros alumnos en toda España y América Latina.

      Salidas laborales

      Los datos de la empleabilidad de Machine Learning son muy favorables. En los próximos años se generarán millones de empleos entorno al Big Data. Es una de las mejores opciones para aquello profesionales que desean ampliar sus conocimientos y optimizar su perfil en busca del trabajo de sus sueños.

      Las principales facultades de estadística NO dan en sus estudios de grado una formación exhaustiva de Machine Learning necesaria para optar a puestos de trabajo como Data-scientist. Nuestra oferta es un compromiso de preparación con los conocimientos necesarios para optar a puestos de trabajo en sólo 3-5 meses a través de una formación intensiva por un coste mucho menor que el de una universidad privada, y en menos tiempo que los máster oficiales de las universidades públicas.

      Temario

      Formación Técnica

      Introducción a R

      ¿Qué es R?
      • Creación de documentos con Jupyter Notebook.
      • Introducción a la generación de gráficos usando Pandas y Numpy.

       

      Tidyverse
      • Importación y análisis de datos.
      • Datos tidy.
      • Manipulación de Data Frames.
      • Agrupaciones
      Ggplott2
      • Visualización de datos y gráficas.
      • Diagramas básicos, diagramas de enrejado, diagramas de dispersión y cómo ver distribuciones de datos.
      • Personalización de los diagramas
      Otras librerías y funciones
      • Librerías adicionales para computación y minería de datos.

      Introducción a las herramientas de visualización

      ¿Qué es el Data Viz?
      • Principios de la visualización de datos.
      • Visualización de datos multidimensionales.
      • Relaciones entre conjuntos de datos.
      Introducción a Power BI
      • Instalación de Power BI Desktop.
      • Captura de datos y generación de informes.
      Otros conceptos de Power BI
      • Paneles de POWER BI
      Otras herramientas de visualización
      • Repaso a otras aplicaciones de visualización de datos.

      Introducción a otras herramientas

      Fundamentos del lenguaje Python
      • Uso de un entorno de desarrollo.
      • Variables, datos y operadores.
      • Estructuras condicionales.
      • Bucles.
      • Funciones.
      Proceso de datos con Python
      • Datos compuestos.
      • Listas, tuplas y diccionarios.
      • Consultas por compresión.
      H2O
      • Herramienta para Machine Learning y aprendizaje estadístico.
      • Instalación de H2O.
      • Carga datos, entramiento y predicciones.

      Formación Específica

      Machine Learning

      Fundamentos estadísticos e introducción al ML
      • Metodología CRISP-DM e introducción a la estadística:
      • Primera aproximación a las metodologías de trabajo.
      • Nociones básicas de estadística.
      • Estadística multivariante.
      • Funciones de densidad y distribución.
      • Estadística inferencial y estadística bayesiana.
      • Fundamentos de Machine Learning:
      • Uso de funciones.
      • Módulos y paquetes.
      • Ejemplos de aplicaciones.
      • Tratamiento de bases de datos:
      • Ejemplos en R.
      • Ejemplos en python.
      • Notebooks en jupyter y otros lenguajes.
      • Técnicas de reducción de variables.
      • Primeros algoritmos:
      • ANOVA.
      • Time series.
      Algoritmos de Machine Learning I. Aprendizaje supervisado y no supervisado
      • Algoritmos de clustering y reglas de asociación:
      • Ejemplos.
      • Aplicación.
      • Técnicas de exploración de datos y Data Viz:
      • Data visualization.
      • Exploración de bases de datos.
      • Naïve Bayes, KNN y árboles de decisión:
      • Algoritmos.
      • Aplicaciones.
      • Procesamiento del lenguaje natural y minería de textos:
      • Introducción.
      • Ejemplos.
      • Aplicaciones.
      Algoritmos de Machine Learning II. Aprendizaje no supervisado y Deep learning
      • Regresión básica:
      • Regresión lineal.
      • Regresión logística.
      • Aplicaciones.
      • Máquinas de vector soporte y redes neuronales unicapa:
      • Ejemplos.
      • Aplicaciones.
      • Adaboosting y Xboosting:
      • Adaboosting: Aplicaciones y ejemplos.
      • Xboosting: Aplicaciones y ejemplos.
      • Deep Learning:
      • Fundamentos de Deep Learning.
      • Deep Learning aplicado.
      • Deep Learning para textos e imágenes.

      AWS Certified Machine Learning – Specialty (MLS-C01)

      Ingeniera de datos
    • Crear repositorios de datos para machine learning:   Identificar ordenes de datos (p. ej., el contenido y la ubicación, las fuentes principales, como los datos de los usuarios). Determinar los medios de almacenamiento (p. ej., base de datos, lago de datos, S3, Elastic File System, EBS). Determinar los medios de almacenamiento (p. ej., base de datos, lago de datos, S3, Elastic File System, EBS).
    • Identificar e implementar una solución de ingesta de datos:  Estilos y tipos de trabajos de datos (carga por lotes, streaming). Canalizaciones de ingesta de datos (cargas de trabajo de ML basadas en lotes y cargas de trabajo de ML basadas en streaming). Kinesis. Kinesis Analytics. Kinesis Firehose. EMR. Glue. Programación de trabajos.
    • Identificar e implementar una solución de transformación de datos:  Transformación del tránsito de datos (ETL: Glue, EMR, AWS Batch). Gestionar datos especí­ficos de ML mediante MapReduce (Hadoop, Spark, Hive).
      • Análisis exploratorio de datos
    • Limpiar y preparar los datos para el modelado:  Identificar y gestionar los datos faltantes, los datos dañados, las palabras vací­as, etc.
    • Identificar e implementar una solución de ingesta de datos:  Formatear, normalizar, aumentar y escalar datos. Datos etiquetados (reconocer cuando tiene suficientes datos etiquetados e identificar las estrategias de mitigación (herramientas de etiquetado de datos (Mechanical Turk, trabajo manual).
    • Realizar la ingenierí­a de funciones: Identificar y extraer funciones de conjuntos de datos, incluso de orígenes de datos como texto, voz, imágenes, conjuntos de datos públicos, etc. Analizar o evaluar los conceptos de ingeniería de funciones (agrupación, tokenización, valores atípicos, funciones sintéticas, codificación one-hot, reducción de la dimensión de los datos).
    • Analizar y visualizar datos para machine learning: Representación gráfica (diagrama de dispersión, series temporales, histograma, diagrama de caja). Interpretación de estadísticas descriptivas (correlación, estadísticas de resumen, valor p). Agrupamiento (jerárquico, diagnóstico, diagrama de codos, tamaño del clúster).
      • Modelado
    • Enmarcar los problemas empresariales como problemas de machine learning:  Determinar cuándo utilizar ML y cuándo no. Conocer la diferencia entre el aprendizaje supervisado y el no supervisado. Seleccionar entre clasificación, regresión, pronóstico, agrupamiento, recomendación, etc.
    • Seleccionar los modelos adecuados para un problema de machine learning determinado:  Xgboost, regresión logística, K-means, regresión lineal, árboles de decisión, bosques aleatorios, Recurrent Neural Network (RNN, red neuronal recurrente), Convolutional Neural Network (CNN, red neuronal convolucional), conjuntos, aprendizaje por transferencia. Expresar la intuición detrás de los modelos
    • Entrenar modelos de machine learning: Entrenar la validación de pruebas dividida y la validación cruzada. Optimizador, descenso de gradiente, funciones de perdida, mí­nimos locales, convergencia, lotes, probabilidad, etc. Elección de cómputos (GPU frente a CPU, distribuida frente a no distribuida, plataforma [Spark frente a no Spark]). Actualizaciones y reentrenamiento de modelos. Lotes frente a tiempo real/en línea.
    • Realizar la optimización de hiperparámetros: Regularización. Abandono. L1/L2. Validación cruzada. Inicialización de modelos. Arquitectura de redes neuronales (capas/nodos), tasa de aprendizaje, funciones de activación. Modelos basados en Árboles (número de Árboles, número de niveles). Modelos lineales (tasa de aprendizaje).

      • .

    • Evaluar los modelos de machine learning: Evitar el sobreajuste o el ajuste insuficiente (detectar y gestionar el sesgo y la diferencia). Métricas (Area under the ROC curve (AUC-ROC, Área bajo la curva ROC), exactitud, precisión, exhaustividad, Root Mean Square Error [RMSE, raíz del error cuadrático medio], puntuación F1). Matriz de confusión. Evaluación de modelos sin conexión y en línea, pruebas A/B. Comparar modelos mediante métricas (tiempo de entrenamiento de un modelo, calidad del modelo, costos de ingeniera). Validación cruzada.
      • Implementación y operaciones de machine learning
    • Crear soluciones de machine learning para el rendimiento, la disponibilidad, la escalabilidad, la resiliencia y la tolerancia a errores:  Registro y supervisión del entorno de AWS. CloudTrail y CloudWatch. Supervisión de errores de compilación. Varias regiones, varias availability zones (AZ, zonas de disponibilidad). AMI/imagen dorada. Contenedores de Docker. Grupos de Auto Scaling. Dimensionamiento correcto. Instancias. IOPS provisionadas. Volúmenes. Balanceo de carga. Prácticas recomendadas de AWS.
    • Recomendar e implementar los servicios y funciones de machine learning adecuados para un problema determinado: ML en AWS (servicios de aplicaciones). Polly. Lex. Transcribe. Límites de servicio de AWS. Crear su propio modelo frente a algoritmos integrados de SageMaker. Infraestructura: (spot, tipos de instancias), consideraciones de costos. Usar instancias de spot para entrenar modelos de aprendizaje profundo con AWS Batch.
    • Aplicar las prácticas de seguridad básicas de AWS a las soluciones de machine learning: IAM. Políticas de bucket de S3. Grupos de seguridad. VPC. Cifrado/anonimización.
    • Implementar y poner en práctica soluciones de machine learning: Exponer los puntos de enlace e interactuar con ellos. Control de versiones de modelos de ML. Pruebas A/B. Reentrenar canalizaciones. Depurar y solucionar problemas de ML. Detectar y mitigar la caída en el rendimiento. Supervisar el rendimiento del modelo.

      • Microsoft DP100 Machine Learning

      Creación de modelos de Machine Learning
      • Exploración y análisis de datos con Python:   Introducción. Entrenamiento y evaluación de modelos de regresión.  Entrenamiento y evaluación de modelos de clasificación. Entrenamiento y evaluación de modelos de agrupación en clústeres. Entrenamiento  y evaluación de modelos de aprendizaje profundo
      Creación de modelos predictivos sin código con Azure Machine Learning
      • Uso de aprendizaje automático automatizado en Azure Machine Learning:  Introducción. ¿Qué es Machine Learning?. Creación de un área de trabajo de Azure Machine Learning. Creación de recursos de proceso. Exploración de datos. Entrenar un modelo de Machine Learning. Implementación de un modelo como servicio. Prueba de conocimientos.
      • Creación de un modelo de regresión con el Diseñador de Azure Machine Learning
      • Creación de un modelo de agrupación en clústeres con el diseñador de Azure Machine Learning
      Compilación de soluciones de IA con Azure Machine Learning
      • Introducción al SDK de Azure Machine Learning: Introducción. Áreas de trabajo de Azure Machine Learning.  Ejercicio: creación de un área de trabajo. Herramientas e interfaces de Azure Machine Learning. Experimentos de Azure Machine Learning. Ejercicio: ejecución de experimentos. Prueba de conocimientos
      • Entrenamiento de un modelo de Machine Learning con Azure Machine Learning
      • Uso de datos en Azure Machine Learning
      • Uso de Compute en Azure Machine Learning
      • Orquestación del aprendizaje automático con canalizaciones
      • Implementación de servicios de aprendizaje automático en tiempo real con Azure Machine Learning

      Proyecto Final

      Proyecto Final
      • Repaso del Curso.
      • Caso Práctico.

      Certificación Oficial

      Seminario de Certificación Oficial
      • Test. Preparación de preguntas tipo de examen.

      Formación Subvencionada para las Empresas

      Cloud Formación como entidad inscrita con el código 16753 en el Registro Estatal de Entidades de Formación, gestiona e imparte dentro de la iniciativa de Formación Programada por las Empresas, Formación Profesional para el Empleo, de acuerdo con lo establecido en la Ley 30/2015, de 9 de septiembre.

      Cloud Formación les ayuda de forma gratuita, a consultar el importe del crédito de su empresa para este año.