Envíanos tu consulta

Buscar cursos

Catálogo 2024-25

Cursos ¡Últimas plazas!Servicios FUNDAE Tutoriales Plataforma LMS

Solicitar información

Buscar cursos

Solicitar información

Formación

Modalidades

Próximas Convocatorias

Temario

FAQ

Solicitar información

Cursos de Data/Cursos de Machine Learning/Curso Machine Learning con ML Kit

Curso Machine Learning con ML Kit: Desarrollo de Aplicaciones Móviles

DISPONIBLE EN MODALIDAD:

Aula Virtual Personalizada

Curso orientado a desarrolladores y científicos de datos que deseen adquirir habilidades en el uso de ML Kit para crear modelos de Machine Learning, desplegarlos y mantenerlos para garantizar escalabilidad y optimización.

En este curso, los participantes se adentrarán en ML Kit, la plataforma de Machine Learning de Google para desarrolladores, explorando sus ventajas, distinciones clave y licencias disponibles. Se aprenderá a cargar datos de diferentes fuentes, realizar transformaciones y modelado, crear modelos de clasificación, regresión y predicción, y desplegarlos en aplicaciones móviles y web. Se abordarán buenas prácticas, técnicas de monitorización y mantenimiento. Los estudiantes completarán proyectos reales de análisis de sentimiento y recomendación de productos, aplicando los conocimientos adquiridos en situaciones prácticas.

Desarrollo de aplicaciones móviles

A quién va dirigido nuestro curso de Machine Learning con ML Kit

Desarrolladores y Científicos de datos con experiencia previa en programación interesados en aprender a desarrollar soluciones de Machine Learning con ML Kit.

Objetivos de nuestro curso de Machine Learning con ML Kit

Comprender los fundamentos de ML Kit y su relevancia en el desarrollo de soluciones de Machine Learning de esta API de Google
Aprender a preparar y cargar datos desde distintos orígenes en ML Kit
Crear modelos de clasificación, regresión y predicción utilizando las capacidades de ML Kit
Optimizar y desplegar modelos en aplicaciones móviles y web
Aplicar buenas prácticas en el desarrollo, monitorización y mantenimiento de soluciones de Machine Learning con ML Kit

Qué vas a aprender en nuestro curso de Machine Learning con ML Kit

Requisitos de nuestro curso de Machine Learning con ML Kit

Conocimientos fundamentales de Machine Learning y experiencia de programación
Disponer de una cuenta de Google con acceso a Firebase y acceso a licencias correspondientes para trabajar con ML Kit
Tener un equipo con acceso a un usuario con permisos de instalación y conexión estable a Internet
Tener instalados previamente ML Kit, Git y Visual Studio Code en el equipo

Contenido del curso

tema 1

Introducción a ML Kit

Introducción a ML Kit y por qué es importante en el desarrollo de soluciones de Machine Learning
Definición de ML Kit como una plataforma de Machine Learning de Google diseñada para desarrolladores
Importancia de ML Kit para acelerar la implementación de modelos de Machine Learning en aplicaciones móviles y web
Ventajas de ML Kit, como la facilidad de uso, la integración con Firebase y el soporte para diferentes plataformas
Comparación con otras bibliotecas de Machine Learning como TensorFlow y Scikit-learn.
Distinciones clave de ML Kit, como el enfoque en soluciones móviles y la integración con Firebase.
Casos de uso específicos donde ML Kit sobresale frente a otras opciones.
Licencias disponibles de ML Kit: Free, Firebase Blaze y otras opciones
Comparación de las características y limitaciones de cada tipo de licencia.
Recomendaciones sobre qué licencia elegir según las necesidades del proyecto.

tema 2

Arquitectura de ML Kit

Introducción a los componentes principales de la arquitectura de ML Kit:
Descripción de los componentes principales de ML Kit: Vision, Natural Language, Translation, Smart Reply y otros.
Explicación de cómo funcionan estos componentes y cómo se integran en aplicaciones.
Ejemplos de uso de cada componente para tareas específicas de Machine Learning.
Introducción a las soluciones Cloud ofrecidas por ML Kit, como Firebase ML.
Ventajas de utilizar soluciones Cloud para desplegar modelos de Machine Learning.
Instrucciones para configurar y desplegar modelos en Firebase ML.

tema 3

Fundamentos y primeros pasos para extraer datos hacia ML Kit

Usos de ML Kit para desarrollar soluciones de Machine Learning
Aplicaciones prácticas de ML Kit en el desarrollo de soluciones reales.
Exploración de los casos de uso más comunes y cómo ML Kit puede ayudar a resolverlos.
Ejemplos de aplicaciones que utilizan ML Kit para mejorar la experiencia del usuario.
Instalación y configuración de ML Kit en el entorno de desarrollo.
Configuración de las herramientas y servicios adicionales necesarios para trabajar con ML Kit.
Resolución de problemas comunes durante la configuración inicial.
Introducción a la carga de datos desde distintos orígenes
Cargando datos desde archivos CSV
Cargando datos a través de conexiones a bases de datos SQL
Cargando datos a través de conexiones a bases de datos NoSQL
Cargando datos de otros orígenes de datos destacables (Open data, APIs, etc.)

tema 4

Procesado de datos: Transformación, modelado y carga de datos

Procesos de limpieza y transformación de datos para prepararlos para el análisis.
Ejemplos de carga de datos en tiempo real desde bases de datos en la nube.
Modelado de datos en ML Kit: tipos de datos y estructura
Definición de los diferentes tipos de datos compatibles con ML Kit.
Organización de datos en estructuras adecuadas para su procesamiento en ML Kit.
Uso de bibliotecas y funciones específicas de ML Kit para el modelado de datos.
Transformaciones y limpieza de datos en ML Kit
Técnicas y herramientas para la limpieza y preparación de datos en ML Kit.
Aplicación de transformaciones para mejorar la calidad y la precisión de los datos.
Procesamiento de datos faltantes y valores atípicos.

tema 5

Creación de modelos de clasificación en ML Kit

Descripción de los diferentes tipos de clasificadores ofrecidos por ML Kit.
Identificación de escenarios donde los modelos de clasificación son útiles.
Ejemplos de aplicaciones prácticas que utilizan modelos de clasificación.
Introducción a la preparación de datos para el entrenamiento de modelos
Proceso de selección y etiquetado de datos de entrenamiento.
División de datos en conjuntos de entrenamiento y prueba.
Consideraciones sobre el tamaño y la calidad del conjunto de datos de entrenamiento.
Introducción al entrenamiento y evaluación de modelos de clasificación en ML Kit
Utilización de algoritmos de clasificación adecuados para el conjunto de datos.
Evaluación del rendimiento del modelo utilizando métricas como precisión, recall y F1-score.
Ajuste de hiperparámetros para mejorar el rendimiento del modelo.

tema 6

Optimización, validación y despliegue de modelos de clasificación

Optimización y ajuste de parámetros de modelos de clasificación
Métodos para optimizar los parámetros del modelo de clasificación.
Técnicas de validación cruzada y búsqueda de cuadrícula.
Importancia de evitar el sobreajuste y el subajuste del modelo.
Implementación y despliegue de modelos de clasificación en aplicaciones móviles y web
Integración de modelos de clasificación entrenados en aplicaciones móviles y web.
Uso de API y SDK de ML Kit para implementar modelos en diferentes plataformas.
Pruebas y verificación del correcto funcionamiento del modelo en la aplicación final.

tema 7

Creación de modelos de regresión en ML Kit

Introducción a los modelos de regresión y sus aplicaciones
Explicación de los conceptos fundamentales de regresión y su uso en ML Kit.
Ejemplos de escenarios donde los modelos de regresión son útiles.
Comparación de modelos de regresión con otros tipos de modelos.
Preparación de datos para el entrenamiento de modelos de regresión
Selección y transformación de variables para el conjunto de datos de entrenamiento.
División de datos en conjuntos de entrenamiento y prueba.
Consideraciones sobre el tamaño y la calidad del conjunto de datos.

tema 8

Entrenamiento, implementación y despliegue de modelos de regresión

Entrenamiento y evaluación de modelos de regresión en ML Kit
Selección de algoritmos de regresión adecuados para el conjunto de datos.
Evaluación del rendimiento del modelo utilizando métricas como el error cuadrático medio (MSE).
Ajuste de hiperparámetros para mejorar el rendimiento del modelo.
Introducción a la implementación y despliegue de modelos de regresión en aplicaciones móviles y web
Integración de modelos de regresión entrenados en aplicaciones móviles y web.
Uso de API y SDK de ML Kit para implementar modelos de regresión en diferentes plataformas.
Pruebas y verificación del correcto funcionamiento del modelo en la aplicación final.

tema 9

Creación de modelos predictivos en ML Kit

Conceptos y fundamentos de los modelos predictivos
Definición de modelos predictivos y su importancia en el análisis de datos.
Ejemplos de casos de uso donde los modelos predictivos son esenciales.
Comparación de modelos predictivos con otros tipos de modelos de Machine Learning.
Preparación de datos para el entrenamiento de modelos predictivos
Selección de características relevantes para el conjunto de datos de entrenamiento.
Tratamiento de datos faltantes y valores atípicos.
División de datos en conjuntos de entrenamiento y prueba.

tema 10

Entrenamiento, implementación y despliegue de modelos de regresión

Entrenamiento y evaluación de modelos predictivos en ML Kit
Selección de algoritmos adecuados para el tipo de predicción deseado.
Evaluación del rendimiento del modelo utilizando métricas de precisión y error.
Ajuste de parámetros para optimizar el rendimiento del modelo.
Implementación y despliegue de modelos predictivos en aplicaciones móviles y web
Integración de modelos predictivos entrenados en aplicaciones móviles y web.
Uso de API y SDK de ML Kit para implementar modelos predictivos en diferentes plataformas.
Pruebas y verificación del correcto funcionamiento del modelo en la aplicación final.

tema 11

Buenas prácticas en el desarrollo de soluciones de Machine Learning con ML Kit

Identificación de posibles problemas y errores comunes
Enumeración de errores frecuentes en el desarrollo de soluciones de Machine Learning.
Cómo detectar y corregir problemas de sobreajuste, subajuste y datos desequilibrados.
Mejores prácticas para garantizar la calidad y la precisión del modelo.

tema 12

Optimización, escalabilidad de modelos, monitorización y mantenimiento

Técnicas para mejorar la eficiencia y escalabilidad del modelo
Optimización de la velocidad y el rendimiento del modelo para grandes conjuntos de datos.
Uso de técnicas de compresión de modelos para reducir el tamaño y el consumo de recursos.
Consideraciones para implementar modelos en sistemas con limitaciones de recursos.
Monitorización y mantenimiento de modelos en producción
Establecimiento de prácticas de monitorización para supervisar el rendimiento del modelo en tiempo real.
Procedimientos de mantenimiento para actualizar y mejorar el modelo a medida que cambian los datos y las condiciones.
Recomendaciones para mantener el modelo seguro y protegido de posibles amenazas.

tema 13

Proyecto Final: Análisis de Sentimiento en Redes Sociales

Introducción al proyecto clasificación para analizar el sentimiento de los mensajes en redes sociales.
Preparación de un conjunto de datos de entrenamiento con mensajes etiquetados según su sentimiento.
Entrenamiento del modelo de clasificación utilizando ML Kit.
Integración del modelo en una aplicación móvil o web para analizar en tiempo real el sentimiento de mensajes.
Uso de API y SDK de ML Kit para implementar el modelo en la aplicación.
Pruebas y validación del correcto funcionamiento del modelo.

tema 14

Proyecto Final: Recomendación de Productos

Introducción al desarrollo de un modelo de regresión para recomendar productos a los usuarios según sus preferencias.
Recopilación de datos de historiales de compras y preferencias de los usuarios.
Preparación y limpieza de datos para el entrenamiento del modelo.
Integración del modelo en una aplicación móvil o web para ofrecer recomendaciones personalizadas a los usuarios.
Uso de API y SDK de ML Kit para implementar el modelo en la aplicación.
Pruebas y validación del correcto funcionamiento del modelo.

Preguntas Frecuentes de Machine Learning con ML Kit

¿Cuáles son los Beneficios del curso Machine Learning con ML Kit?

El curso te permitirá adquirir conocimientos prácticos sobre cómo implementar modelos de Machine Learning utilizando ML Kit. Esto incluirá la capacidad de integrar reconocimiento de texto, detección de rostros y clasificación de imágenes en tus aplicaciones empresariales.

¿El curso de Machine Learning con ML Kit se puede bonificar a través de FUNDAE?

Sí, el curso de Machine Learning con ML Kit puede ser bonificado a través de FUNDAE, permitiendo a las empresas recuperar el coste de la formación.

¿En qué modalidades se imparte el curso de Machine Learning con ML Kit?

El curso de Machine Learning con ML Kit se imparte en modalidad online y en aula virtual personalizada, adaptándose a las necesidades y horarios de tu empresa.

¿Qué habilidades desarrollaré con el curso de Machine Learning con ML Kit?

Desarrollarás habilidades para implementar tecnologías de Machine Learning en aplicaciones móviles, como reconocimiento de texto, detección de rostros y clasificación de imágenes, mejorando las capacidades técnicas de tu equipo.

¿Cómo puedo inscribirme en el curso de Machine Learning con ML Kit?

Puedes inscribirte en el curso rellenando los formularios que aparecen en la web. Esto permitirá a nuestro equipo ponerse en contacto contigo para finalizar el proceso de inscripción.