upGrad

Máster en Aprendizaje Automático e Inteligencia Artificial

Este programa es ideal para:

• Profesionales en activo que buscan la transición a roles de IA/ML
• Ingenieros y desarrolladores de software que buscan especializarse en soluciones impulsadas por IA
• Científicos y analistas de datos que buscan conocimientos avanzados en aprendizaje profundo e IA
• Graduados de STEM ansiosos por desarrollar experiencia en aprendizaje automático y aplicaciones de IA

Estadísticas y EDA

• EDA + Bienvenido
• Introducción a Git y Github
• Caso práctico de Lending Club
• Estadísticas inferenciales
• Evaluación de la hipótesis

Aprendizaje automático - I

• Módulo de regresión lineal
• Tarea de regresión lineal: empresa de bicicletas compartidas (regresión de la demanda)
• Regresión logística
• Naive Bayes
• Selección de modelo
• Semana de repaso - Prueba de habilidades

Aprendizaje automático - II

• Regresión avanzada
• Asignación de regresión avanzada + SVM (opcional)
• Modelos de árboles
• Bosques aleatorios + consideraciones prácticas
• Impulso - 1
• Agrupamiento no supervisado
• PCA
• Caso de éxito de Telecom Churn
• Buffer - Prueba de habilidad

Aprendizaje profundo

• Introducción a las redes neuronales - Parte 1
• Introducción a las redes neuronales - Parte 2
• Redes neuronales convolucionales
• Tarea: Redes neuronales convolucionales
• CNN: Consideraciones prácticas
• Redes neuronales recurrentes
• Reconocimiento de gestos - Proyecto
• Examen el domingo Fin de semana
• Semana de repaso - Prueba de habilidades (DL)

Procesamiento natural del lenguaje

• PNL - Procesamiento léxico
• PNL - Procesamiento Sintáctico
• Tarea de PNL: procesamiento sintáctico
• PNL - Procesamiento semántico
• Proyecto de clasificación de billetes
• Buffer - Prueba de habilidad (PNL)

Electiva: MLops Electiva

• Módulo de prerrequisitos
• Introducción a MLops
• Diseño de sistemas de aprendizaje automático
• Experimentación con datos y modelos mediante MLflow
• Automatización y orquestación de tuberías con Airflow
• Construyendo infraestructura de aprendizaje continuo
• Proyecto MLOps
• PNL Avanzada - Introducción al Mecanismo de Atención
• PNL avanzada: Introducción a los transformadores
• CV avanzado: detección de objetos y segmentación semántica
• MLOps + Implementación: DL (Teoría)
• MLOps + Implementación: DL (Estudio de caso)
• Examen el domingo Fin de semana
• Semana de repaso - Prueba de habilidades

Optativa: IA generativa Optativa

• PNL Avanzada - Introducción al Mecanismo de Atención
• PNL avanzada: Introducción a los transformadores
• "Fundamentos de la IA generativa, ChatGPT e ingeniería rápida utilizando técnicas avanzadas, cadenas de pensamiento y razonamiento no racional"
• Desarrollo de productos utilizando API de OpenAI, ajuste fino con la técnica STaR en Python
• Integración de voz mediante Whisper API e implementación de aplicaciones mediante Flask
• Fundamentos de LLMS multimodales como difusión estable, recorrido intermedio
• "Fundamentos de diseño, fotografía y desarrollo de productos utilizando difusión estable en Python y aplicaciones de LLM para problemas de ciencia de datos como agrupamiento y clasificación"
• Proyecto GenAI
• Aplicaciones de los LLM para crear incrustaciones para documentos de gran tamaño
• Aplicaciones de almacenes de vectores como Pinecone para almacenar e indexar incrustaciones de documentos grandes
• Comprenda la importancia de LangChain y sus aplicaciones
• Inicializar los agentes, herramientas y almacén de vectores para almacenamiento y recuperación.
• Conecte los componentes usando Chain y explore el poder de las herramientas en LangChain
• Escale e implemente aplicaciones de IA generativa mediante los servicios de Azure OpenAI
• Futuros avances en IA generativa

piedra angular

• piedra angular

Metodologías de investigación

• Introducción a la investigación y el proceso de investigación
• Diseño de la investigación
• Revisión de literatura
• Gestión de proyectos de investigación
• Habilidades de redacción y presentación de informes
• Ética científica

Disertación de maestría

• Investigar patrones dietéticos y huellas dactilares de metabolitos de consumidores de comida para llevar (rápida) utilizando PCA y métodos de agrupamiento.
• Investigar un diagnóstico de enfermedades oculares utilizando datos oftálmicos por imágenes
• Estructurar imágenes médicas con geometría de la información
• Uso de feeds de redes sociales para colocar tweets sobre desastres naturales en un mapa
• Prevención del fraude con tarjetas de crédito mediante el reconocimiento de patrones
• Desarrollando un sistema de recomendación para un gigante de los medios
• Modelado de riesgos para actividades financieras y banca de inversión

Al completar este programa usted:

• Domine los conceptos de IA y ML con aplicaciones relevantes para la industria
• Construir e implementar modelos de IA para casos de uso del mundo real
• Adquiera experiencia en aprendizaje profundo, PNL y visión artificial.
• Desarrollar experiencia práctica con más de 10 proyectos de ML/IA
• Avanza en tu carrera con credenciales reconocidas mundialmente de LJMU

Después de completar este programa, podrás explorar roles como:

• Domine los conceptos de IA y ML con aplicaciones relevantes para la industria
• Construir e implementar modelos de IA para casos de uso del mundo real
• Adquiera experiencia en aprendizaje profundo, PNL y visión artificial.
• Desarrollar experiencia práctica con más de 10 proyectos de ML/IA
• Avanza en tu carrera con credenciales reconocidas mundialmente de LJMU