-
Tipo de titulación: Certificado "Desarrollador de Aprendizaje Automático"
Certificado "Aprendizaje por Refuerzo -
Cualificaciones adicionales: Certificado "Análisis de datos
Certificado "Aprendizaje automático
Certificado "Deep Learning -
Examen final: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Horario de las clases: A tiempo completoDe lunes a viernes, de 8.30 a 15.35 horas (en semanas festivas, de 8.30 a 17.10 horas).
-
Lengua de enseñanza: Alemán
-
Duración: 16 Semanas
Análisis de datos
Introducción al análisis de datos (aprox. 1 día)
Modelo de referencia CRISP-DM
Flujos de trabajo de análisis de datos
Definición de inteligencia artificial, aprendizaje automático, aprendizaje profundo
Requisitos y función en la empresa de ingenieros de datos, científicos de datos y analistas de datos
Repaso de los fundamentos de Python (aprox. 1 día)
Análisis de datos (aprox. 3 días)
Módulos centrales de Python en el contexto del análisis de datos (NumPy, Pandas)
Proceso de preparación de datos
Algoritmos de minería de datos en Python
Inteligencia artificial (IA) en el proceso de trabajo
Presentación de tecnologías específicas de IA
y posibles aplicaciones en el entorno profesional
Visualización de datos (aprox. 3 días)
Análisis exploratorio de datos
Perspectivas
Calidad de los datos
Análisis de beneficios
Visualización con Python: Matplotlib, Seaborn, Plotly Express
Narración de datos
Gestión de datos (aprox. 2 días)
Arquitecturas de big data
Bases de datos relacionales con SQL
Comparación de bases de datos SQL y NoSQL
Inteligencia empresarial
Protección de datos en el contexto del análisis de datos
Análisis de datos en un contexto de big data (aprox. 1 día)
Enfoque MapReduce
Spark
NoSQL
Cuadros de mando (aprox. 3 días)
Biblioteca: Cuadros de mando
Estructura y personalización de cuadros de mando
Devoluciones de llamada
Minería de textos (aprox. 1 día)
Preprocesamiento de datos, visualización
Biblioteca: SpaCy
Trabajo por proyectos (aprox. 5 días)
Consolidar los contenidos aprendidos
Presentación de los resultados del proyecto
Aprendizaje automático
Introducción al aprendizaje automático (aprox. 5 días)
¿Por qué aprendizaje automático?
Ejemplos de aplicación
Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje parcialmente supervisado, aprendizaje por refuerzo
Ejemplos de conjuntos de datos
Conocer los datos
Datos de entrenamiento, validación y prueba
Visualización de datos
Hacer predicciones
Aprendizaje supervisado (aprox. 5 días)
Clasificación y regresión
Generalización, ajuste excesivo y ajuste insuficiente
Tamaño del conjunto de datos
Algoritmos de aprendizaje supervisado
Modelos lineales
Clasificadores Bayes
Árboles de decisión
Bosque aleatorio
Impulso por gradiente
k-vecinos más cercanos
Máquinas de vectores soporte
Campo aleatorio condicional
Redes neuronales y aprendizaje profundo
Probabilidades
Aprendizaje no supervisado (aprox. 5 días)
Tipos de aprendizaje no supervisado
Preprocesamiento y escalado
Transformaciones de datos
Escalado de datos de entrenamiento y de prueba
Reducción dimensional
Ingeniería de características
Aprendizaje múltiple
Descomposición de componentes principales (PCA)
Factorización de matrices no negativas (NMF)
Aprendizaje múltiple con t-SNE
Análisis de clústeres
Agrupación de k-Means
Agrupación por conglomerados
Análisis jerárquico de conglomerados
DBSCAN
Algoritmos de clúster
Evaluación y mejora (aprox. 2 días)
Selección y evaluación de modelos
Ajuste de los hiperparámetros de un estimador
Validación cruzada
Búsqueda en cuadrícula
Métricas de evaluación
Clasificación
Trabajo por proyectos (aprox. 3 días)
Consolidar los contenidos aprendidos
Presentación de los resultados del proyecto
Aprendizaje profundo
Introducción al aprendizaje profundo (aprox. 1 día)
El aprendizaje profundo como tipo de aprendizaje automático
Fundamentos de las redes neuronales (aprox. 4 días)
Perceptrón
Cálculo de redes neuronales
Optimización de los parámetros del modelo, backpropagation
Bibliotecas de aprendizaje profundo
Regresión frente a clasificación
Curvas de aprendizaje, sobreajuste y regularización
Optimización de hiperparámetros
Descenso de gradiente estocástico (SGD)
Momentum, optimizador Adam
Tasa de aprendizaje
Red neuronal convolucional (CNN) (aprox. 2 días)
Clasificación de imágenes
Capas convolucionales, capas de agrupamiento
Capas de remodelación, aplanamiento, pooling de media global
Arquitecturas CNN ImageNet-Competition
Redes neuronales profundas, gradientes de fuga, conexiones de salto, normalización por lotes
Aprendizaje por transferencia (aprox. 1 día)
Adaptación de modelos
Formación previa no supervisada
Aumento de datos de imágenes, IA explicable
CNN regional (aprox. 1 día)
Localización de objetos
Problemas de regresión
Redes neuronales ramificadas
Métodos de generación creativa de imágenes (aprox. 1 día)
Redes Generativas Adversariales (GAN)
Deepfakes
Modelos de difusión
Redes neuronales recurrentes (aprox. 2 días)
Análisis de secuencias
Capas recurrentes
Retropropagación en el tiempo (BPTT)
Análisis de series temporales
Problemas de gradiente explosivo y evanescente
LSTM (memoria a corto plazo larga)
GRU (Unidad Recurrente Controlada)
RNN profunda
LSTM profunda
Tratamiento de textos mediante redes neuronales (aprox. 2 días)
Preprocesamiento de textos
Incrustación de capas
Clasificación de textos
Análisis de sentimientos
Aprendizaje de transferencia en PNL
Traducciones
Método secuencia a secuencia, arquitectura codificador-decodificador
Modelos lingüísticos (aprox. 1 día)
BERT, GPT
Capas de atención, transformadores
Tuberías de generación de texto
Resumidores
chatbots
Aprendizaje profundo por refuerzo (aprox. 1 día)
Control de sistemas dinámicos
Sistemas de agentes
Entrenamiento mediante recompensas
Gradientes de políticas
Aprendizaje Q profundo
Redes neuronales bayesianas (aprox. 1 día)
Incertidumbres en las redes neuronales
Evaluación estadística de las previsiones
Confianza, desviación típica
Datos desequilibrados
Métodos de muestreo
Trabajo por proyectos (aprox. 3 días)
Consolidar los contenidos aprendidos
Presentación de los resultados del proyecto
Aprendizaje por Refuerzo
Introducción al aprendizaje por refuerzo (aprox. 1 día)
Definición y conceptos básicos
Diferencias con otros métodos de aprendizaje
Ámbitos de aplicación y ejemplos
Procesos de decisión de Markov (MDP) (aprox. 2 días)
Definición y propiedades de los MDP
Funciones de valor y política
Ecuaciones de Bellman
Enfoque de programación dinámica
Q-Learning (aprox. 2 días)
Definición y algoritmo
Exploración frente a explotación
Convergencia y propiedades de optimización
Aplicaciones en juegos, robótica y otros ámbitos
Aprendizaje profundo por refuerzo (aprox. 3 días)
Aprendizaje Q profundo
Gradientes de políticas deterministas profundas (DDPG)
Métodos críticos de actor
Métodos de gradiente de política
Temas avanzados (aprox. 4 días)
Aprendizaje por refuerzo basado en modelos
Aprendizaje por refuerzo multiagente
Aprendizaje por refuerzo inverso
Metaaprendizaje por refuerzo
Aplicaciones prácticas (aprox. 3 días)
Implementación de algoritmos de aprendizaje por refuerzo
Aplicación a problemas y casos prácticos seleccionados
Evaluación y ajuste de los algoritmos
Resumen y perspectivas (aprox. 2 días)
Resumen de los conceptos y resultados más importantes
Retos y evolución futura del aprendizaje por refuerzo
Trabajo por proyectos (aprox. 3 días)
Consolidar los contenidos aprendidos
Presentación de los resultados del proyecto
Es posible que se produzcan cambios. El contenido del curso se actualiza periódicamente.
Tras el curso, tendrá conocimientos sobre análisis y visualización de datos, así como sobre gestión de datos. Conocerá las razones más importantes para utilizar el aprendizaje automático, los ámbitos de aplicación y las distintas categorías y conceptos del aprendizaje automático. También conocerá los ámbitos de aplicación del aprendizaje profundo y el funcionamiento de las redes neuronales. Comprenderá cómo las redes neuronales pueden reconocer objetos en imágenes y son capaces de proporcionar aprendizaje automático y procesos documentales.
También comprenderá los conceptos básicos del aprendizaje por refuerzo y conocerá las diferencias con otros métodos de aprendizaje. Estará familiarizado con los procesos de decisión de Markov, el aprendizaje Q y el aprendizaje de refuerzo profundo, y podrá aplicar temas avanzados como el aprendizaje de refuerzo basado en modelos y multiagente.
Titulados en informática, matemáticas, ingeniería eléctrica e ingeniería comercial.
Dado que las empresas tienen que gestionar y estructurar cantidades cada vez mayores de datos para analizar y fijar objetivos para sus procesos empresariales, las competencias en análisis de datos son muy demandadas en todos los sectores.
El aprendizaje automático se utiliza en numerosos ámbitos de aplicación: el desarrollo independiente de filtros de spam adecuados para Internet, la creación de previsiones precisas de los niveles de existencias en la gestión de la cadena de suministro o el desarrollo de previsiones de compra para clientes individuales o segmentos de clientes en marketing. Los empleados cualificados en el campo del aprendizaje automático pueden trabajar en todos los sectores y, por tanto, están muy solicitados en el mercado laboral.
El aprendizaje profundo puede utilizarse para analizar grandes cantidades de datos en busca de patrones y modelos. Por eso se utiliza a menudo en el contexto de la inteligencia artificial para el reconocimiento facial, de objetos o del habla, por ejemplo en el reconocimiento médico de imágenes, el reconocimiento de texto y del habla en las ventas, la seguridad de los datos informáticos o la supervisión de las transacciones financieras. Por tanto, los especialistas con estos conocimientos pueden emplearse de muy diversas formas y están muy solicitados en el mercado laboral.
El aprendizaje por refuerzo se utiliza a menudo en robótica y tecnología de la automatización, pero también en la industria del automóvil, por ejemplo para funciones de asistencia al conductor, o en el desarrollo y optimización de sistemas de transporte autónomos. Los especialistas con los conocimientos pertinentes están muy solicitados en el mercado laboral de todos los sectores.
Su significativo certificado proporciona una visión detallada de las cualificaciones que ha adquirido y mejora sus perspectivas profesionales.
Concepto didáctico
Tus profesores están altamente cualificados tanto profesional como didácticamente y te enseñarán desde el primer hasta el último día (no hay sistema de autoaprendizaje).
Aprenderá en grupos reducidos y eficaces. Los cursos suelen constar de 6 a 25 participantes. Las lecciones generales se complementan con numerosos ejercicios prácticos en todos los módulos del curso. La fase práctica es una parte importante del curso, ya que durante ella se procesa lo aprendido y se adquiere confianza y rutina en su aplicación. La parte final del curso incluye un proyecto, un estudio de caso o un examen final.
Aula virtual alfaview
Las clases se imparten utilizando la moderna tecnología de vídeo alfaview®, ya sea desde la comodidad de su propia casa o en nuestras instalaciones en Bildungszentrum. Todo el curso puede verse cara a cara a través de alfaview®, comunicarse entre sí con una calidad de voz sincronizada con los labios y trabajar en proyectos conjuntos. Por supuesto, también podrás ver y hablar con tus formadores conectados en directo en cualquier momento y recibirás clases de tus profesores en tiempo real durante todo el curso. Las clases no son e-learning, sino auténtica enseñanza presencial en directo a través de la tecnología de vídeo.
Los cursos de formación de alfatraining están subvencionados por Agentur für Arbeit y certificados de acuerdo con el reglamento de homologación AZAV. Al presentar una solicitud a Bildungsgutscheino Aktivierungs- und Vermittlungsgutschein, la totalidad de los costes del curso suelen correr a cargo de su organismo financiador.
También es posible obtener financiación a través de Europäischen Sozialfonds (FSE), Deutsche Rentenversicherung (DRV) o programas de financiación regionales. Como soldado regular, tiene la posibilidad de asistir a cursos de formación continua a través de Berufsförderungsdienst (BFD). Las empresas también pueden cualificar a sus empleados a través de un programa de financiación de Agentur für Arbeit (Qualifizierungschancengesetz).