Intel: Obtén ahora un curso gratuito de Python orientado a Inteligencia Artificial

Este curso está dirigido a desarrolladores, estudiantes o profesionales de la industria de otros campos de la ingeniería y la informática que sienten curiosidad por la IA. 

Explore la inteligencia artificial, para qué se usa y por qué, sin las matemáticas que implican los cursos posteriores.

Los temas cubiertos incluyen:

• La historia de la IA y por qué es una de las tecnologías clave de la actualidad
• El papel de la IA en la empresa y en diversas industrias, desde la medicina hasta la conducción automatizada
• Por qué los datos son importantes tanto para entrenar redes neuronales como para los pasos de un flujo de trabajo de ciencia de datos
• Una introducción al aprendizaje supervisado y al aprendizaje profundo (antes de realizar un curso completo de aprendizaje profundo)
• Una introducción al hardware y software actuales

Al final de este curso, los estudiantes tendrán conocimientos prácticos de:

• La definición de IA, aprendizaje automático, aprendizaje profundo y los desarrollos históricos que ahora diferencian la IA moderna de la IA del pasado.
• Cómo la IA puede ayudar a resolver problemas en la industria actual (con ejemplos) y cómo se está volviendo más importante en la informática empresarial
• La importancia de los conjuntos de datos, las fuentes de datos, la resolución de problemas con datos y los flujos de trabajo de ciencia de datos.
• Los fundamentos del aprendizaje supervisado y una introducción a los conceptos del aprendizaje profundo
• Cómo se pueden aplicar el hardware y el software Intel® para resolver problemas de IA

El curso se estructura en torno a ocho semanas de conferencias y ejercicios. Cada semana requiere 90 minutos para completarse. 

Los ejercicios se implementan en Python *, por lo que se recomienda familiarizarse con el idioma (puede aprender a lo largo del camino).

Prerrequisitos

Programación Python *

Semana 1

Esta clase presenta los conceptos clave de la IA:

• La definición de IA, aprendizaje automático y aprendizaje profundo
• Desarrollos históricos que ahora diferencian la IA moderna de la IA anterior
• Ejemplos de aprendizaje automático y aprendizaje profundo
• Las diferencias entre el aprendizaje supervisado y no supervisado
• Ejemplos de dónde se está aplicando la IA

Semana 2

Esta clase cubre las industrias que están siendo transformadas por la IA y da ejemplos de:

• Salud y genómica
• Transporte y conducción automatizada
• Cadena minorista y de suministro
• Finanzas
• Industrial
• Gobierno

Semana 3

Esta clase se centra en la IA en la empresa, presenta el flujo de trabajo de la ciencia de datos y le enseña cómo:

• Identificar los pasos en el flujo de trabajo de la ciencia de datos.
• Identificar los roles clave y los conjuntos de habilidades dentro del campo de la IA.
• Describir formas de estructurar un equipo de IA.
• Identificar los conceptos erróneos comunes de la ciencia de datos
• Identificar los componentes del mantenimiento del modelo de IA después de la implementación.

Semana 4

Esta clase presenta el concepto de aprendizaje supervisado. Usted será capaz de:

• Explicar cómo formular un problema de aprendizaje supervisado.
• Comparar y comprender las diferencias entre entrenamiento e inferencia.
• Describir los peligros del sobreajuste y el entrenamiento frente a los datos de prueba.
• Comprender cómo se aplica el lenguaje de programación Python a la IA.

Para obtener una visión más avanzada del aprendizaje automático y el aprendizaje supervisado, consulte  Aprendizaje automático .

Semana 5

Esta clase se enfoca en fuentes y tipos de datos. Dado que los datos son una parte fundamental del entrenamiento de una red neuronal de inteligencia artificial, esta lección analiza:

• Cómo reconocer situaciones en las que se necesitan más muestras de datos
• Gestión de datos, aumento de datos e ingeniería de funciones
• Cómo identificar problemas como sobreajuste y desajuste
• Varios conjuntos de datos populares utilizados en el entrenamiento de redes neuronales.
• Diferentes métodos de preprocesamiento de datos
• Formas de etiquetar datos
• Cómo identificar desafíos al trabajar con datos

Semana 6

Esta sesión revisa los principios del aprendizaje profundo, que incluyen:

• Los conceptos básicos del aprendizaje profundo y cómo encaja en la inteligencia artificial y el aprendizaje automático
• Los tipos de problemas que resuelve el aprendizaje profundo
• Los pasos para construir un modelo de red neuronal
• La definición de una red neuronal convolucional (CNN)
• Transferir el aprendizaje y por qué es útil
• Arquitecturas de aprendizaje profundo comunes

Para obtener una visión más avanzada del aprendizaje profundo, consulte  Aprendizaje profundo .

Semana 7

Esta semana cubre el hardware, que incluye:

• Computación de extremo a extremo para IA
• Las capacidades que brindan los centros de datos, las puertas de enlace y la informática de borde.
• Los diferentes tipos de procesadores desde el centro de datos hasta el borde
• Cómo se aplica el hardware Intel® a la IA

Semana 8

Concluya el curso con una revisión de los componentes básicos del software importantes. Esta clase cubre:

• Marcos de aprendizaje profundo
• Bibliotecas y marcos optimizados para la arquitectura Intel®
• El impacto de big data y el uso de la biblioteca BigDL para Apache Spark *
• Obtener acceso a Intel® AI DevCloud