Este curso cubre una serie de prácticas para preparar y trabajar con datos para entrenar y correr sistemas y redes neuronales de IA contemporáneas. Proporciona además técnicas para diseñar y optimizar redes neuronales, incluyendo enfoques para la medición y el ajuste del desempeño del modelo de red neuronal. Las prácticas y técnicas están documentadas como patrones de diseño que pueden ser aplicados individualmente o en diferentes combinaciones para abordar una variedad de problemas y requerimientos comunes de los sistemas de IA. Además, los patrones son mapeados a los enfoques de aprendizaje, áreas funcionales y tipos de redes neuronales que se presentaron en el Módulo 1: Fundamentos de Inteligencia Artificial.
Se cubren los siguientes temas principales:
– Data Wrangling Patterns for Preparing Data for Neural Network Input
– Feature Encoding for Converting Categorical Features
– Feature Imputation for Inferring Feature Values
– Feature Scaling for Training Datasets with Broad Features
– Text Representation for Converting Data while Preserving Semantic and Syntactic Properties
– Dimensionality Reduction to Reduce Feature Space for Neural Network Input
– Supervised Learning Patterns for Training Neural Network Models
– Supervised Network Configuration for Establishing the Number of Neurons in Network Layers
– Image Identification for using a Convolutional Neural Network
– Sequence Identification for using a Long Short Term Memory Neural Network
– Unsupervised Learning Patterns for Training Neural Network Models
– Pattern Identification for Visually Identifying Patterns via a Self Organizing Map
– Content Filtering for Generating Recommendations
– Model Evaluation Patterns for Measuring Neural Network Performance
– Training Performance Evaluation for Assessing Neural Network Performance
– Prediction Performance Evaluation for Predicting Neural Network Performance in Production
– Baseline Modeling for Assessing and Comparing Complex Neural Networks
– Model Optimization Patterns for Refining and Adapting Neural Networks
– Overfitting Avoidance for Tuning a Neural Network
– Frequent Model Retraining for Keeping a Neural Network in Synch with Current Data
– Transfer Learning for Accelerating Neural Network Training
Duración: 1 día
Tomar el Curso en un Taller
Este curso se puede tomar como parte de los talleres guiados e impartidos por Instructores Certificados de Arcitura. Estos talleres pueden estar abiertos para registrarse públicamente o pueden ser impartidos de manera privada para una organización en particular. Los Instructores Certificados pueden impartir los talleres en persona en una localidad específica o virtualmente utilizando un sistema remoto habilitado para video, como puede ser WebEx. Visite la página del Calendario de Talleres para consultar el calendario actual de talleres públicos o visite la página de Capacitación Privada para obtener más información sobre las opciones de impartición de talleres privados en todo el mundo que ofrece Arcitura.
A continuación se muestran los materiales base proporcionados a los participantes de los talleres públicos y privados.
Nótese que como participante de un taller, usted puede ser candidato a recibir un descuento al adquirir el Kit de Estudio para este curso.
Tomar el Curso usando un Kit de Estudio
Este curso puede ser completado por medio del autoestudio al adquirir un Kit de Estudio, el cual incluye los materiales básicos del curso así como materiales y recursos adicionales diseñados específicamente para el autoestudio y la preparación de exámenes. 
Visite la página del Kit de Estudio de Inteligencia Artificial Módulo 2 para consultar información y detalles de los precios. También visite la página de Descripción General de los Kits de Estudio para obtener información sobre descuentos en los Paquetes de Kits de Estudio para la Certificación para cada ruta de certificación individual.
Los siguientes materiales se proporcionan en el Kit de Estudio para este curso:
Tomar el Curso usando un Kit de Estudio Electrónico
Este curso puede ser completado por medio del autoestudio al adquirir una suscripción para Kit de Estudio Electrónico, la cual incluye acceso en línea a los materiales básicos del curso así como a materiales y recursos adicionales diseñados para el autoestudio y la preparación de exámenes.
Visite la página del Kit de Estudio Electrónico de Inteligencia Artificial Módulo 2 para consultar información y detalles de los precios. También visite la página de Descripción General de los Kits de Estudio Electrónico para obtener información sobre descuentos en los Paquetes de Kits de Estudio Electrónico para la Certificación para cada ruta de certificación individual.
Este Kit de Estudio Electrónico proporciona acceso a los siguientes materiales:
Los Kits de Estudio y Paquetes de Estudio se pueden adquirir por medio de la tienda en línea. Al comprar y registrar este Kit de Estudio, usted puede ser candidato a recibir un descuento en el registro de este curso como parte de un taller público.
Certificación
Este curso es uno de tres cursos utilizados para la preparación del Examen AI90.01. Se requiere una calificación aprobatoria en este examen para obtener la certificación como Especialista en Inteligencia Artificial.