Aprendizaje Automático de Alto Rendimiento, Aprendizaje Profundo y Ciencia de Datos - Principios y Práctica

Resumen

Master high-performance computing principles for machine learning and deep learning, focusing on practical implementation strategies and advanced techniques for optimizing data science workflows.

Programa

• Introducción a la Computación de Alto Rendimiento (HPC) en IA
Descripción general de los conceptos de HPC y su importancia en IA
Principales diferencias entre la computación tradicional y HPC
• Fundamentos del Aprendizaje Automático
Aprendizaje supervisado vs. no supervisado
Algoritmos clave: Regresión lineal, árboles de decisión, agrupamiento
• Fundamentos del Aprendizaje Profundo
Redes neuronales: Arquitectura y entrenamiento
Modelos clave de aprendizaje profundo: CNNs, RNNs, Transformers
• Arquitectura de Computación de Alto Rendimiento
Computación paralela y su papel en el aprendizaje automático
Descripción general de CPUs, GPUs, TPUs y FPGA
• Optimización de Flujos de Trabajo de Aprendizaje Automático
Preprocesamiento de datos e ingeniería de características a escala
Técnicas eficientes de ajuste de hiperparámetros
• Técnicas Avanzadas de Aprendizaje Profundo
Aprendizaje de transferencia y ajuste fino de modelos
Despliegue de modelos en entornos de producción
• Aprendizaje Automático Distribuido
Marcos para entrenamiento distribuido: TensorFlow, PyTorch, Horovod
Gestión de la distribución de datos y sincronización
• Perfilado de Rendimiento y Optimización
Herramientas de perfilado y métricas de rendimiento
Técnicas para la optimización de memoria y reducción del tiempo de cómputo
• Prácticas Avanzadas de Ciencia de Datos
Manejo eficiente de grandes conjuntos de datos
Automatización y orquestación de procesos de datos
• Estudios de Caso e Implementación Práctica
Estudios de caso de la industria que muestran HPC en aplicaciones de IA
Proyectos prácticos: Implementación de soluciones HPC en escenarios del mundo real
• Tendencias Futuras en IA y HPC
Tecnologías emergentes en la aceleración de IA
Consideraciones éticas y desafíos en los sistemas de IA de alto rendimiento
• Proyecto Final
Diseñar e implementar una solución de alto rendimiento para una tarea compleja de IA
Presentación y revisión por pares de los resultados del proyecto

---

Materias

Data Science