Inteligencia Artificial con Python (Copy 1)

Acerca de este curso

La Especialización en Inteligencia Artificial con Python te capacita para desarrollar soluciones inteligentes aplicando machine learning, deep learning y procesamiento de lenguaje natural. Aprenderás programación en Python y R, manejo de datos con librerías como Pandas y NumPy, y construcción de modelos con TensorFlow, Keras, PyTorch y Scikit-learn. Al finalizar, estarás preparado para trabajar como desarrollador de IA, científico de datos o especialista de machine learning, en uno de los campos más demandados del sector tecnológico.

Contenido del curso

Fundamentos de Python para Inteligencia Artificial
Aprende a programar en Python desde cero con un enfoque práctico orientado a la inteligencia artificial. Domina la sintaxis, estructuras de control, programación orientada a objetos y el uso de librerías clave como NumPy y Pandas para manipulación de datos. Este curso sienta las bases sólidas para desarrollar proyectos de IA con buenas prácticas de codificación.

1: Sintaxis y Semántica de Python

05:46
2: Datos Simples

11:05
3: Datos Complejos

19:14
4: Estructuras de control

10:28
5: Funciones

16:13
6: Programación orientada a objetos (POO)

09:42
7: POO aplicada a un ejemplo

27:32
8: Librerías esenciales (Numpy)

09:43
9: Librerías esenciales (Pandas)

10:00
10: Entornos de desarrollo

08:41
11: Buenas prácticas

12:04
asdf

Machine Learning
Explora los fundamentos del machine learning y aplica algoritmos supervisados y no supervisados con Python. Aprende a construir modelos de regresión, clasificación y clustering utilizando Scikit-learn, y evalúa su rendimiento con métricas clave. Ideal para quienes buscan iniciarse en la inteligencia artificial aplicada a datos reales.

1: Introducción Machine Learning

16:16
2: Aprendizaje supervisado (Regresión lineal)

04:50
3: Aprendizaje supervisado (Regresión logística)

04:49
4: Árboles de decisión

05:15
5: Random forest

10:21
6: Support Vector Machines (SVM)

04:57
7: Clustering (K-Means)

08:49
8: Evaluación de modelos (Métricas)

04:20
9: Evaluación de modelos (Validación Cruzada)

03:00
10: Aplicaciones prácticas de ML con Python y Stickit-Learn

55:31

Deep Learning
Domina el deep learning desde cero construyendo redes neuronales con TensorFlow, Keras y PyTorch. Aprende a diseñar modelos densos (DNN), convolucionales (CNN) y recurrentes (RNN/LSTM), utilizando técnicas modernas de optimización y regularización. Un curso clave para desarrollar soluciones avanzadas de visión artificial y secuencias.

1: ¿Qué es una Red Neuronal?

20:51
2: Fundamentos de TensorFlow y Keras

09:21
3: Construcción de Redes Neuronales Densas (DNN) con Keras

29:54
4: Funciones de Activación

21:53
5: Funciones de Optimización

39:22
6: Redes Neuronales Convolucionales (CNN) para Visión Artificial

23:41
7: Introducción a Redes Neuronales Recurrentes

08:50
8: Introducción a PyTorch

19:43
9: Regularización en Redes Neuronales

05:53
10: Técnicas para Evitar Overfitting

06:21

Procesamiento de Lenguaje Natural (NLP)
Especialízate en procesamiento de lenguaje natural con Python. Aprende técnicas de preprocesamiento, análisis de sentimientos, representación semántica de texto y uso de modelos como Word2Vec, BERT y GPT. Aplica librerías como NLTK y spaCy para construir soluciones inteligentes basadas en texto y lenguaje humano.

1: Introducción al NLP (Primera parte)

11:10
2: Introducción al NLP (Segunda parte)

15:01
3:Tokenización

04:41
4: Stemming y Lemmatización

07:36
5: Representación de Texto: Bag-of-Words

05:26
6: Representación de Texto: TF-IDF

05:32
7: Análisis de Sentimientos con Python

20:30
8: Modelos de Lenguaje y Embeddings (Word2Vec)

32:41
9: Modelos de Lenguaje y Embeddings (GloVe)

32:13
10: Introducción a Transformers y Modelos como BERT/GPT

10:20
11: Librerías NLP en Python: NLTK

16:39
12: Librerías NLP en Python: spaCy

04:32

Programación en R para Análisis en IA
Adquiere habilidades en programación con R para análisis de datos e inteligencia artificial. Aprende a manipular y visualizar datos con dplyr, data.table y ggplot2, y a aplicar modelos estadísticos básicos. Este curso complementa tu formación técnica para abordar proyectos de IA con un enfoque estadístico y analítico.

Acerca de este curso

Contenido del curso

1: Sintaxis y Semántica de Python

2: Datos Simples

3: Datos Complejos

4: Estructuras de control

5: Funciones

6: Programación orientada a objetos (POO)

7: POO aplicada a un ejemplo

8: Librerías esenciales (Numpy)

9: Librerías esenciales (Pandas)

10: Entornos de desarrollo

11: Buenas prácticas

asdf

1: Introducción Machine Learning

2: Aprendizaje supervisado (Regresión lineal)

3: Aprendizaje supervisado (Regresión logística)

4: Árboles de decisión

5: Random forest

6: Support Vector Machines (SVM)

7: Clustering (K-Means)

8: Evaluación de modelos (Métricas)

9: Evaluación de modelos (Validación Cruzada)

10: Aplicaciones prácticas de ML con Python y Stickit-Learn

1: ¿Qué es una Red Neuronal?

2: Fundamentos de TensorFlow y Keras

3: Construcción de Redes Neuronales Densas (DNN) con Keras

4: Funciones de Activación

5: Funciones de Optimización

6: Redes Neuronales Convolucionales (CNN) para Visión Artificial

7: Introducción a Redes Neuronales Recurrentes

8: Introducción a PyTorch

9: Regularización en Redes Neuronales

10: Técnicas para Evitar Overfitting

1: Introducción al NLP (Primera parte)

2: Introducción al NLP (Segunda parte)

3:Tokenización

4: Stemming y Lemmatización

5: Representación de Texto: Bag-of-Words

6: Representación de Texto: TF-IDF

7: Análisis de Sentimientos con Python

8: Modelos de Lenguaje y Embeddings (Word2Vec)

9: Modelos de Lenguaje y Embeddings (GloVe)

10: Introducción a Transformers y Modelos como BERT/GPT

11: Librerías NLP en Python: NLTK

12: Librerías NLP en Python: spaCy

1: Tipos de Datos en R

2: Estructuras de datos en R

3: Bibliotecas de R: dplyr

4: Bibliotecas de R: data.table

5: Bibliotecas de R: Práctica con data.table

6: Visualización de Datos con ggplot2

7: Modelado Estadístico Básico en R