Intel® AI Academy | Todos los cursos

Introducción a IA

Resumen

Este curso es para desarrolladores, estudiantes o profesionales de la industria provenientes de otros campos de la ingeniería o la ciencia de la computación que sientan curiosidad por la inteligencia artificial. Explore la inteligencia artificial (para qué se la utiliza y por qué) sin las matemáticas que se utilizan en cursos posteriores.

Los temas cubiertos incluyen:

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

Al finalizar este curso, los estudiantes tendrán un conocimiento práctico de:

  • La definición de inteligencia artificial, aprendizaje automático y los desarrollos históricos que ahora distinguen a la inteligencia artificial moderna de la inteligencia artificial del pasado
  • De qué manera la inteligencia artificial puede resolver problemas actuales en la industria (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 la ciencia de datos
  • Los aspectos básicos del aprendizaje supervisado y una introducción a los conceptos de aprendizaje profundo
  • De qué manera el hardware y el software Intel® se pueden aplicar para resolver problemas relacionados con la inteligencia artificial

El curso está estructurado en torno a ocho semanas de clases y ejercicios. Cada semana requiere 90 minutos. Los ejercicios se implementan en Python*, así que recomendamos que se familiarice con el lenguaje (puede ir aprendiendo sobre la marcha)

Semana 1

En esta clase se presentan los conceptos clave la inteligencia artificial:

  • La definición de inteligencia artificial, aprendizaje automático y aprendizaje profundo
  • Los desarrollos históricos que ahora distinguen a la inteligencia artificial moderna de la anterior
  • Ejemplos de aprendizaje automático y aprendizaje profundo
  • Las diferencias entre el aprendizaje supervisado y el no supervisado
  • Ejemplos de dónde se está aplicando la inteligencia artificial

Descargar

Semana 2

En esta clase se analizan las industrias que están siendo transformadas por la inteligencia artificial y se brindan ejemplos de:

  • Sector sanitario y genómica
  • Transporte y conducción automatizada
  • Comercio minorista y cadena de suministro
  • Finanzas
  • Industrial
  • Gobierno

Descargar

Semana 3

Esta clase se centra en la inteligencia artificial en la empresa, se introduce el flujo de trabajo de la ciencia de datos y se le enseña cómo:

  • Identificar los pasos en el flujo de trabajo de la ciencia de datos
  • Identificar los roles clave y los conjuntos de datos dentro del campo de la inteligencia artificial
  • Describir maneras de estructurar un equipo de inteligencia artificial
  • Identificar ideas erróneas comunes en la ciencia de datos
  • Identificar los componentes del mantenimiento del modelo de la inteligencia artificial después de la implementación

Descargar

Semana 4

En esta clase se presenta el concepto de aprendizaje supervisado. Usted podrá:

  • Explicar cómo formular un problema de aprendizaje supervisado
  • Comparar y comprender las diferencias entre el entrenamiento y la inferencia
  • Describir los riesgos del sobreajuste y el entrenamiento en comparación con la prueba de datos
  • Comprender cómo se aplica el lenguaje de programación Python a la inteligencia artificial

Descargar

Para una perspectiva más avanzada sobre el aprendizaje automático y el aprendizaje supervisado, consulte Aprendizaje automático.

Semana 5

Esta clase se centra en los tipos y las fuentes de datos. Dado que los datos son un aspecto fundamental del entrenamiento de una red neural de inteligencia artificial, en esta clase se analiza:

  • Cómo reconocer situaciones en las cuales se necesitan más muestras de datos
  • Limpieza y transformación (wrangling) de datos, ampliación de datos e ingeniería de características
  • Cómo identificar problemas como sobreajuste o subajuste
  • Varios conjuntos de datos populares utilizados en redes neurales
  • Diferentes métodos de preprocesamiento de datos
  • Maneras de etiquetar datos
  • Cómo identificar dificultades al trabajar con datos

Descargar

Semana 6

En esta sesión se examinan los principios del aprendizaje profundo, entre ellos:

  • Los aspectos fundamentales del aprendizaje profundo y qué lugar ocupa dentro de la inteligencia artificial y el aprendizaje automático
  • Los tipos de problemas que resuelve el aprendizaje profundo
  • Los pasos para desarrollar un modelo de red neural
  • La definición de red neural convolucional (CNN)
  • Aprendizaje mediante transferencia y por qué es útil
  • Arquitecturas comunes de aprendizaje profundo

Descargar

Para una perspectiva más avanzada sobre el aprendizaje profundo, consulte Aprendizaje profundo.

Semana 7

En esta semana nos ocupamos del hardware, lo que incluye:

  • Informática integral para inteligencia artificial
  • Las capacidades provistas por los centros de datos, las puertas de enlace y la informática de perímetro
  • Los diferentes tipos de procesadores desde el centro de datos hasta el perímetro
  • Cómo se aplica el hardware Intel® a la inteligencia artificial

Descargar

Semana 8

El curso finaliza con una revisión de los módulos de software importantes. Esta clase cubre:

  • Marcos de aprendizaje profundo
  • Marcos y bibliotecas 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

Descargar