Cursos y Certificaciones InternacionalesDesarrollo de SoftwareCurso Python AI Engineering

Curso Internacional Python AI Engineering

Modalidad online
Modalidad Online en vivo
Solicitar información Descargar folleto

WhatsApp Conversemos

Duración
56 horas académicas
Certificación
Certificación internacional a nombre de New Horizons
Trainers certificados
Trainers certificados
Clases grabadas
Clases grabadas hasta 90 días

Presentación

El curso Python AI Engineering: Machine Learning, Deep Learning & Generative AI prepara profesionales para diseñar y desplegar soluciones de inteligencia artificial de extremo a extremo con Python. Desarrollarás competencias en ingeniería de datos, automatización de pipelines, modelado supervisado y no supervisado, Deep Learning con Keras e integración de IA Generativa en entornos empresariales.

  • Acceso a clases grabadas hasta por 90 días
  • Proyecto integrador aplicado a un escenario real de negocio
  • IA Generativa & LLMs: prompts, consumo vía API e integración empresarial
  • Publicación de modelos mediante APIs (enfoque productivo)

Objetivos de aprendizaje

Desarrollar competencias para arquitectar soluciones de inteligencia artificial con Python, construyendo pipelines automatizados con trazabilidad y versionamiento; diseñar y optimizar modelos de Machine Learning; implementar Deep Learning; integrar IA Generativa mediante APIs; y desplegar modelos en entornos productivos con buenas prácticas de ingeniería.
Malla del curso

  • Sesión 1: Optimización avanzada con Pandas
  • Arquitectura interna de DataFrames · MultiIndex · optimización de memoria (category, downcasting)
  • Operaciones vectorizadas vs iterativas · profiling y cuellos de botella · feature engineering automatizable
  • Sesión 2: Automatización y pipelines de datos
  • Diseño lógico de pipelines ML · scripts productivos vs notebooks · modularización avanzada
  • Manejo estructurado de errores · batch vs incremental · versionamiento de datasets
  • Sesión 3: Integración y control profesional
  • Integración con SQL y APIs REST · JSON complejos · logging estructurado
  • Reproducibilidad de experimentos · trazabilidad de datos y modelos
  • Enfoque: pipelines automatizados con versionamiento, trazabilidad y prácticas de ingeniería

  • Sesión 4: Recolección y preparación de datos
  • Obtención de datasets · limpieza estructurada · train/test/validation
  • Feature engineering · manejo de datos desbalanceados
  • Sesión 5: Selección e implementación de modelos
  • Regresión lineal y logística (práctico) · árboles y Random Forest
  • Gradient Boosting básico · comparación técnica de modelos
  • Sesión 6: Evaluación de modelos
  • Métricas de regresión y clasificación · matriz de confusión · ROC/AUC
  • Validación cruzada · overfitting y underfitting (práctico)
  • Sesión 7: Implementación y publicación
  • Serialización (joblib/pickle) · versionado de modelos
  • API simple con FastAPI · consumo vía HTTP · automatización de reentrenamiento
  • Resultado: modelos supervisados listos para producción + publicación vía API

  • Sesión 8: Clustering aplicado
  • K-Means · DBSCAN · selección de número de clusters · interpretación de segmentos · casos empresariales
  • Sesión 9: Reducción de dimensionalidad
  • PCA práctico · visualización de componentes · preparación para ML · integración en pipelines
  • Aplicación: segmentación y reducción de dimensionalidad integradas a pipelines

  • Sesión 10: Fundamentos prácticos
  • Perceptrón multicapa · funciones de activación · backpropagation (visión conceptual)
  • Implementación con Keras
  • Sesión 11: Aplicaciones prácticas
  • Red neuronal para clasificación y regresión · regularización · early stopping
  • Comparación ML clásico vs Deep Learning
  • Criterio: cuándo escalar de ML tradicional a redes neuronales (Keras)

  • Sesión 12: Fundamentos de IA Generativa
  • ¿Qué es un LLM? · arquitectura transformer (visión conceptual) · casos de uso empresariales
  • Limitaciones y riesgos
  • Sesión 13: Consumo de LLM con Python (proyecto)
  • Pipeline completo: preparación de datos → modelo supervisado o no supervisado → publicación vía API
  • Integración con módulo generativo (LLM) · presentación técnica del proyecto
  • Proyecto integrador: ML + API + LLM (enfoque productivo)
Culmina con un proyecto integrador aplicado a un escenario real de negocio

Dirigido a desarrolladores, data professionals, analistas y profesionales de TI que buscan arquitectar, entrenar y desplegar soluciones de IA con Python, pasando de “entrenar modelos” a construir sistemas listos para producción integrables con APIs y productos digitales.

Recomendable contar con nociones de programación (idealmente Python) y conceptos básicos de datos. No es indispensable, pero suma tener fundamentos de estadística y manejo de datasets. Se trabajará con prácticas aplicadas y enfoque de ingeniería.

Conoce a nuestro trainer

Foto de Marlon Leandro

Marlon Leandro

AI Engineer – Baufest | MBA | Software Architect

Ingeniero de Sistemas y MBA con experiencia en arquitectura y desarrollo de software, especializado en Inteligencia Artificial (GenAI, Machine Learning y Deep Learning).

Ha liderado proyectos de implementación tecnológica en soluciones frontend y backend, aplicando Python, Cloud Computing, Microservicios y Business Intelligence en entornos empresariales.

Se desempeña como docente y conferencista en tecnologías emergentes, integrando visión estratégica con aplicación práctica orientada a resultados.

Certificación Internacional

Los participantes que cumplan satisfactoriamente con los requisitos y normas del programa recibirán:

Certificado Internacional
Para aprobar el curso se requiere obtener una nota mínima de 12 y acreditar al menos el 75% de asistencia. Ambos criterios son obligatorios para la certificación.
Loading

  • ¿Tienes preguntas? Ponte en contacto con nosotros

Iniciar
This website uses cookies to ensure you get the best experience on our website. Learn more
OK SETTINGS