Artificial Intelligence Technologies Specialist (TLG)

1. Identificar las diferentes definiciones relacionadas con la Ciencia de Datos y la IA, los casos de éxito, casos de uso y su impacto en las organizaciones, las tendencias en IA y los elementos de una estrategia de IA, con el objetivo de desarrollar una organización eficiente basada en inteligencia artificial y establecer un marco de referencia común en las organizaciones. 2. Definir el nivel de impacto de los casos de uso de IA en su organización para cumplir con los requerimientos de la estrategia de negocio, por ejemplo: disminuir costos, aumentar clientes, mejorar la experiencia del usuario, mejorar el uso de activos, etc., así como desarrollar la estrategia de IA de la organización.

1. Ilustrar cómo diseñar, refinar y optimizar prompts para interactuar con modelos de IA generativa. 2. Construir prompts eficientes para obtener respuestas de la IA generativa más precisas.

1. Revisar cómo las máquinas derivan conclusiones a partir de premisas usando inferencia lógica. Este campo se centra en algoritmos que automatizan los procesos de razonamiento, permitiendo que las computadoras resuelvan problemas y apoyen la toma de decisiones automatizada en diversas aplicaciones. 2. Aplicar algoritmos que automatizan los procesos de razonamiento, permitiendo que las computadoras resuelvan problemas y apoyen la toma de decisiones automatizada en diversas aplicaciones.

1. Experimentar con técnicas de optimización avanzadas para resolver problemas complejos de manera eficiente, aplicables en campos como la IA y la investigación de operaciones, mejorando tareas como la programación y la asignación de recursos. 2. Aplicar técnicas de optimización avanzadas para resolver problemas complejos de manera eficiente, aplicables en campos como la IA y la investigación de operaciones, mejorando tareas como la programación y la asignación de recursos.

1. Experimentar con técnicas de optimización avanzadas para resolver problemas complejos de manera eficiente, aplicables en campos como la IA y la investigación de operaciones, mejorando tareas como la programación y la asignación de recursos. 2. Aplicar técnicas de optimización avanzadas para resolver problemas complejos de manera eficiente, aplicables en campos como la IA y la investigación de operaciones, mejorando tareas como la programación y la asignación de recursos.

1. Interpretar la configuración que se ha utilizado para el desarrollo de modelos inteligentes no supervisados de datos mediante scikit-learn de Python, poniendo especial atención en la selección adecuada del número de agrupaciones que cumplan lo mejor posible con los requerimientos de la tarea. 2. Crear modelos inteligentes no supervisados de datos mediante scikit-learn de Python, seleccionando el número adecuado de agrupaciones y analizando la efectividad del modelo mediante medidas de calidad que cumplan lo mejor posible con los requerimientos de la tarea.

1. Seleccionar y configurar un modelo de aprendizaje supervisado utilizando las librerías Numpy, Pandas y Scikit-learn de Python, con el apoyo de un modelo de lenguaje de gran tamaño (LLM) para resolver problemas de regresión y clasificación. Obtener el modelo con el mejor desempeño posible, cuidando en particular que no esté subajustado ni sobreajustado.

Explorar la modelación de ML utilizando datos de aplicaciones reales. Utilizar la modelación de ML utilizando datos de aplicaciones reales.

Explorar las herramientas matemáticas de cálculo diferencial, algebra lineal y ML utilizando NumPy and scikit-learn para comprender los fundamentos de Ciencia de Datos. Utilizar las herramientas matemáticas de cálculo diferencial, algebra lineal y ML utilizando NumPy and scikit-learn para comprender los fundamentos de Ciencia de Datos.

1. Identificar metodologías de cada una de las etapas del pipeline de Procesamiento de Lenguaje Natural, para que en una etapa posterior se permita desarrollar visualizaciones o modelos de IA. 2. Aplicar metodologías de cada una de las etapas del pipeline de Procesamiento de Lenguaje Natural, para que en una etapa posterior se permita desarrollar visualizaciones o modelos de IA.

1. Identificar las etapas del pipeline de ML (Machine Learning) que se automatizan con AutoML para diferentes herramientas. 2. Identificar las etapas del pipeline de ML (Machine Learning) que se automatizan con AutoML para diferentes herramientas.

1. Interpretar la configuración de los parámetros de PySpark de Python en la modelación inteligente de grandes volúmenes de datos, utilizada para cumplir lo mejor posible con los requerimientos de la tarea. 2. Crear modelos inteligentes supervisados de grandes volúmenes de datos utilizando PySpark de Python; seleccionar el modelo adecuado y analizar la exactitud y precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea.

1. Utilizar Spark con Python para crear modelos predictivos que cumplan lo mejor posible con los requerimientos de la tarea. 2. Crear modelos inteligentes supervisados y no supervisados de grandes volúmenes de datos utilizando PySpark de Python; seleccionar el modelo adecuado, analizar la exactitud y precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea e interpretar los resultados.

1. Experimentar con la biblioteca PyTorch para desarrollar modelos de aprendizaje profundo. 2. Aplicar la biblioteca PyTorch de Python para desarrollar modelos de aprendizaje profundo.

1. Revisar la biblioteca TensorFlow en Python para desarrollar modelos de aprendizaje profundo. 2. Aplicar la biblioteca TensorFlow en Python para desarrollar modelos de aprendizaje profundo.

1. Explorar el uso de transformadores para realizar tareas de clasificación de texto, generación de texto, resumen de texto y respuesta a preguntas. 2. Aplicar el uso de transformadores para realizar tareas de clasificación de texto, generación de texto, resumen de texto y respuesta a preguntas.

1. Experimentar con algoritmos de aprendizaje por refuerzo, que tienen la peculiaridad de que aprenden del medio ambiente en el que trabajan, para lograr los objetivos de la tarea a realizar. 2. Utilizar algoritmos de aprendizaje por refuerzo, que tienen la peculiaridad de que aprenden del medio ambiente en el que trabajan, para lograr los objetivos de la tarea a realizar.

Evaluar mediante un proyecto que el conjunto de competencias adquiridas en el programa de entrenamiento genere en la organización y/o persona, un impacto de mejora medible, claramente estructurado y autogestionado por parte del participante.