Curso-Taller de IA para Principiantes
Objetivo del curso: Este curso busca que tengas tu primer acercamiento con un lenguaje de programación dirigido al entrenamiento de IA. Conocerás los fundamentos del funcionamiento de algoritmos de entrenamiento para aprendizaje supervisado y no supervisado. El objetivo es que puedas tener una perspectiva general sobre el funcionamiento e implementación de estos métodos de aprendizaje. Al concluir el curso podrás definir por tu cuenta tu siguiente paso en tu camino como programador y buscar alternativas en tu área de estudio/trabajo de la implementación de la IA.
- Duración 10 horas, cinco sesiones de dos horas
- Costo 60 USD
- Fechas: Martes y Jueves de 19:00 a 21:00, del 17 al 26 de junio 2025
- Modalidad: En línea, clases en vivo
- Instructor: Daniel Rangel
- Recurso de Conexión: Zoom
Resumen de Módulos
Módulo 1: Introducción a Python
El objetivo de este módulo es conocer las herramientas básicas que usarás en los talleres. Empezarás a utilizar Python conociendo conceptos fundamentales de este lenguaje de programación. También conocerás lo que son las librerías (módulos dentro de Python) que te serán útiles para el entrenamiento de los modelos de IA.
Módulo 2: Bases de datos para entrenamiento de redes
El entrenamiento de un modelo de IA requiere de datos, sin embargo, los datos no están listos para ser utilizados en un entrenamiento. En este módulo conocerás fuentes de datos y funciones básicas de Pandas: una poderosa librería para manejar bases de datos. También aprenderás a pre-procesar tus bases de datos para posteriormente entrenar un modelo. Además, conocerás Kaggle, una página web con bases de datos abierta al público.
Módulo 3: Sesiones de Entrenamiento
En este módulo diseñarás una red neuronal con Pytorch, que entrenarás con los datos procesados del módulo pasado. El objetivo es desarrollar un modelo supervisado de aprendizaje. Después de diseñar tu red, configurarás una sesión de entrenamiento para tu modelo. Finalmente aprenderás a evaluar el desempeño general de tu modelo.
Módulo 4: Aprendizaje No Supervisado
En este módulo usaremos un método de Aprendizaje de Máquinas llamado aprendizaje No Supervisado. Para desarrollar este modelo, usarás un algoritmo llamado K-Means de la librería SciKitLearn. El objetivo es realizar un análisis de los elementos de una base de datos a través de grupos o clusters.
Contenido
- Módulo 1: Introducción a Python
- Python
- Librerías
- Pytorch
- Numpy
- Pandas
- ScikitLearn
- Tipos de Datos
- Integrales, Strings, y floats
- Listas
- Indexar
- Tensores
- Funciones
- For loops
- Classes
- Funciones de IA
- Función de Pérdida
- Optimizador
- Módulo 2: Bases de datos para entrenamiento de redes
- Plataforma Kaggle
- Descarga de base de datos
- Identificación de almacén
- Tratamiento de datos con Pandas
- Funciones de tratamiento de datos
- Conjuntos para Entrenamiento
- Conjunto Entrenador
- Conjunto Evaluador
- Funciones para bases de datos
- TensorDataset
- DataLoader
- Escaladores de Datos
- Plataforma Kaggle
- Módulo 3: Sesiones de Entrenamiento
- Arquitectura de una Red Neuronal
- Nodos
- Capas
- Funciones de Activación
- Sesiones de Entrenamiento
- Loop de Entrenamiento
- Épocas
- Valores de Pérdida
- Sesiones de Evaluación
- Extracción del modelo
- Predicción de datos
- Overfitting y Underfitting
- Arquitectura de una Red Neuronal
- Módulo 4: Aprendizaje No Supervisado
- Conceptos
- Datos sin etiquetas
- Análisis de bases de datos
- Clasificación
- Means Clustering
- Escalabilidad
- Etiquetas
- Visualización de datos
- Evaluación de resultados
- Reducción de dimensionalidad con PCA
- Conceptos