Envíanos tu consulta
Términos y condiciones *
logoImagina
iconoCurso

Curso de Machine Learning con ML Kit

DISPONIBLE EN MODALIDAD:
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.
iconClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClient
Aprende Machine Learning con ML Kit: Curso completo
¿A quién va dirigido?
Desarrolladores y Científicos de datos con experiencia previa en programación interesados en aprender a desarrollar soluciones de Machine Learning con ML Kit.
Objetivos
  • 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 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.

Requisitos
  • 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
Temario del curso
tema 1Introducción 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 2Arquitectura 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 3Fundamentos 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 4Procesado 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 5Creación 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 6Optimización, 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 7Creación 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 8Entrenamiento, 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 9Creación 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 10Entrenamiento, 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 11Buenas 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 12Optimización, 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 13Proyecto 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 14Proyecto 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.

Formación Bonificada para Empresas a través de FUNDAE

Somos entidad organizadora de FUNDAE, todas nuestras formaciones se pueden bonificar hasta el 100%, sujeto a vuestro crédito disponible y a cumplir con todos los requisitos de realización establecidos por la Fundación Estatal para el Empleo.

 

Si desconoces el funcionamiento de las bonificaciones, ofrecemos el servicio de gestión en FUNDAE, consúltanos cualquier duda que te surja.

Descargar Guía FUNDAE
imagenFundae
iconClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClient