Saltar al contenido 
La analítica de datos, la ciencia de datos y, junto con estas disciplinas, el Aprendizaje Automático (ML), el Aprendizaje Profundo (DL) y el Aprendizaje Estadístico (SL), han tenido una gran evolución en los últimos años. Hemos pasado, de los análisis realizados con base en los fundamentos del ML, a la creación de sistemas complejos para proponer soluciones en ML, acorde con las necesidades de usuarios en un entorno que está experimentando cambios vertiginosos.
Una de las tareas más importantes en la actualidad consiste en la implementación de soluciones robustas de ML en todos los ámbitos (la industria, los negocios, el comercio y demás). Este curso está diseñado para brindar las competencias y habilidades necesarias para implementar soluciones de ML de alto nivel, y de actualizar los conocimientos en los campos antes mencionados, de familiarizarte con conceptos como plataformas y herramientas, MLOps, CD/CI, trabajo on promise y en la nube, automatización de procesos, la conducción de experimentos y la adecuación de entornos para el trabajo colaborativo.
Este curso proporciona las herramientas necesarias para ser más productivo en el entorno laboral, desarrollar proyectos y obtener resultados significativos. También se aprenderá a identificar retos y a asociarlos con tareas, a trabajar con las plataformas y las herramientas adecuadas para una mayor efectividad, a diseñar proyectos y realizarlos en entornos de desarrollo y de producción, a conducir experimentos, a crear pipelines para el trabajo en equipo, a automatizar procesos y a construir aplicaciones web para presentar tus productos.
Aplicar las herramientas y métodos implementados en ML para el desarrollo de proyectos de principio a fin, incluyendo la conducción de experimentos, la creación de pipelines y automatización de procesos.
Se enfoca en combinar una metodología ágil con una porción adecuada de teoría para lograr una amplia aplicación de los conceptos, apoyados con ejemplos prácticos, promoviendo la participación del estudiante.
Cada módulo se presenta en forma de hoja de Colab, en la cual, cada tema propuesto está implementado como una porción de código que es corrido y discutido durante la presentación del material y puede ser utilizado de forma independiente según las necesidades individuales.
El programa está dividido en 10 módulos, aplicando la regla de las tres A (Adquisición, Asimilación y Aplicación) para el aprendizaje. Durante el curso se propone un reto que debe ser desarrollado haciendo uso de las competencias adquiridas (aplicación). El reto propuesto es desarrollado como un proyecto cuya implementación es presentada y discutida al final del curso. Se entregará material de refuerzo en hojas de Colab, archivos PDF y conjuntos de datos, enviados a cada participante del curso.
Profesionales con conocimientos de estadística, Python y manejo de fundamentos de ML, interesados en mejorar sus habilidades para la realización de proyectos y la implementación de soluciones de ML.
Docentes
Ph. D. en Física y Matemáticas de la Universidad Estatal de Bielorrusia (exUnión Soviética), se desempeñó como jefe del Laboratorio de Interacciones Fundamentales en el Instituto de Problemas Nucleares de la Universidad Estatal de Bielorrusia y como jefe de equipo de investigadores de dicho instituto en la Colaboración CMS (CERN). Trabajó como miembro asociado del CERN durante 12 años. Exmiembro de la Colaboración CMS (CERN) y miembro activo de la colaboración DUNE (FERMILAB, EE. UU). Participó en el descubrimiento del bosón de Higgs (CERN, 2012), autor de más de 900 publicaciones científicas. Actualmente se desempeña como profesor en la Universidad EIA, conduce los semilleros de Análisis de Datos (AD) y Automatización de procesos en ML (APML), los laboratorios de mecánica, campos y ondas, y el curso Ciencia de Datos (CD). Docente de Educación Continua de los cursos de Métodos Estadísticos en Computación (MEC) y de Ciencia de Datos. Actualmente dedicado también a desarrollar proyectos para la industria y a la investigación en la implementación de redes neuronales para la solución de ecuaciones diferenciales y el uso de análisis causal para la medición del impacto de los productos de ML en la industria.
Tarifas
Comunidad EIA: estudiantes pregrado y posgrado, empleados y egresados
Pronto pago hasta el 25 de octubre de 2024
Empresas con convenio
Pronto pago hasta el 25 de octubre de 2024
Público General
Pronto pago hasta el 25 de octubre de 2024
Educación Continua
Consulta la lista de empresas con convenio.
Currículum
- 1 Section
- 1 Lesson
- 20 Hours
- PLAN DE ESTUDIO1
- Días y horarios: Por confirmar
- Fecha: Por confirmar
- Modalidad: Presencial
- Duración: 20 horas