Dirigido a profesionales, estudiantes, desarrolladores e investigadores de organizaciones que necesitan detectar proactivamente anomalías en áreas como ciberseguridad, fraude financiero, control de calidad o mantenimiento de equipos, utilizando inteligencia artificial para prevenir impactos negativos en el negocio.
Formar especialistas en la utilización de la inteligencia artificial para detectar y predecir anomalías en grandes volúmenes de datos, protegiendo así a las organizaciones de posibles amenazas como amenazas a la ciberseguridad, transacciones financieras fraudulentas, defectos de productos o estado del equipo.
Módulo 1. Introducción
• Conocer al instructor.
• Crear una cuenta en courses.nvidia.com/join.
Módulo 2. Detección de Anomalías en Datos de Red Usando XGBoost Acelerado por GPU
• Aprender a detectar anomalías mediante aprendizaje supervisado.
• Preparar los datos para la aceleración por GPU utilizando el conjunto de datos proporcionado.
• Entrenar un clasificador binario y multiclase utilizando el popular algoritmo de aprendizaje automático XGBoost.
• Evaluar y mejorar el rendimiento del modelo antes de su despliegue.
Módulo 3. Descanso
Módulo 4. Detección de Anomalías en Datos de Red Usando Autoencoders Acelerados por GPU
• Aprender a detectar anomalías mediante aprendizaje no supervisado moderno.
• Construir y entrenar un autoencoder basado en aprendizaje profundo para trabajar con datos no etiquetados.
• Aplicar técnicas para separar las anomalías en múltiples clases.
• Explorar otras aplicaciones de los autoencoders acelerados por GPU.
Módulo 5. Descanso
Módulo 6. Proyecto: Detección de Anomalías en Datos de Red Usando GANs
• Aprender a detectar anomalías mediante GANs (Redes Generativas Antagónicas).
• Entrenar un modelo de aprendizaje no supervisado para crear nuevos datos.
• Usar esos nuevos datos para convertir el problema en uno de aprendizaje supervisado.
• Comparar el rendimiento de este nuevo enfoque con métodos más establecidos.
Módulo 7. Evaluación y Sesión de Preguntas y Respuestas
Aprenda a detectar anomalías mediante el aprendizaje supervisado Arquitecturas de modelos y tipos de datos comunes en detección de anomalías. Evaluar y mejorar el rendimiento del modelo antes de la implementación. Explorar otras aplicaciones de los autocodificadores acelerados por GPU. Proyecto propio con un framework moderno de deep learning (TensorFlow/PyTorch).
Dr. Mauricio José Carrera Abarca
Especialista en Inteligencia Artificial, Machine Learning y Analítica
Cuenta con más de 33 años de experiencia como consultor en Inteligencia Artificial y Machine Learning, colaborando con empresas globales de los sectores automotriz, financiero y comercio electrónico. Es NVIDIA Ambassador y cuenta con certificaciones en Deep Learning y detección de anomalías, además de amplia experiencia como conferencista y catedrático en inteligencia de negocios y analítica en la Universidad Anáhuac.
A QUIÉN VA DIRIGIDO
Dirigido a profesionales, estudiantes, desarrolladores e investigadores de organizaciones que necesitan detectar proactivamente anomalías en áreas como ciberseguridad, fraude financiero, control de calidad o mantenimiento de equipos, utilizando inteligencia artificial para prevenir impactos negativos en el negocio.
OBJETIVO
Formar especialistas en la utilización de la inteligencia artificial para detectar y predecir anomalías en grandes volúmenes de datos, protegiendo así a las organizaciones de posibles amenazas como amenazas a la ciberseguridad, transacciones financieras fraudulentas, defectos de productos o estado del equipo.
TEMARIO
Módulo 1. Introducción
• Conocer al instructor.
• Crear una cuenta en courses.nvidia.com/join.
Módulo 2. Detección de Anomalías en Datos de Red Usando XGBoost Acelerado por GPU
• Aprender a detectar anomalías mediante aprendizaje supervisado.
• Preparar los datos para la aceleración por GPU utilizando el conjunto de datos proporcionado.
• Entrenar un clasificador binario y multiclase utilizando el popular algoritmo de aprendizaje automático XGBoost.
• Evaluar y mejorar el rendimiento del modelo antes de su despliegue.
Módulo 3. Descanso
Módulo 4. Detección de Anomalías en Datos de Red Usando Autoencoders Acelerados por GPU
• Aprender a detectar anomalías mediante aprendizaje no supervisado moderno.
• Construir y entrenar un autoencoder basado en aprendizaje profundo para trabajar con datos no etiquetados.
• Aplicar técnicas para separar las anomalías en múltiples clases.
• Explorar otras aplicaciones de los autoencoders acelerados por GPU.
Módulo 5. Descanso
Módulo 6. Proyecto: Detección de Anomalías en Datos de Red Usando GANs
• Aprender a detectar anomalías mediante GANs (Redes Generativas Antagónicas).
• Entrenar un modelo de aprendizaje no supervisado para crear nuevos datos.
• Usar esos nuevos datos para convertir el problema en uno de aprendizaje supervisado.
• Comparar el rendimiento de este nuevo enfoque con métodos más establecidos.
Módulo 7. Evaluación y Sesión de Preguntas y Respuestas
RESULTADOS DE APRENDIZAJE
Aprenda a detectar anomalías mediante el aprendizaje supervisado Arquitecturas de modelos y tipos de datos comunes en detección de anomalías. Evaluar y mejorar el rendimiento del modelo antes de la implementación. Explorar otras aplicaciones de los autocodificadores acelerados por GPU. Proyecto propio con un framework moderno de deep learning (TensorFlow/PyTorch).
PROFESORES
Dr. Mauricio José Carrera Abarca
Especialista en Inteligencia Artificial, Machine Learning y Analítica
Cuenta con más de 33 años de experiencia como consultor en Inteligencia Artificial y Machine Learning, colaborando con empresas globales de los sectores automotriz, financiero y comercio electrónico. Es NVIDIA Ambassador y cuenta con certificaciones en Deep Learning y detección de anomalías, además de amplia experiencia como conferencista y catedrático en inteligencia de negocios y analítica en la Universidad Anáhuac.
Egresado Anáhuac
¡Como egresado de la Universidad Anáhuac, tienes un 20% de beca en la inversión total del programa de tu interés! Aprovecha esta oportunidad exclusiva y sigue impulsando tu desarrollo profesional.
Aparta tu lugar
¡Asegura tu lugar y paga mientras cursas! Inscríbete hoy y garantiza tu espacio, con la flexibilidad de dividir tus pagos a lo largo del curso. Puedes realizar los pagos en línea con tarjeta de crédito o débito.
Pagos subsecuentes
Nuestros programas ofrecen la posibilidad de pagarse en mensualidades durante su desarrollo. Sin embargo, si el programa que seleccionaste cuenta con el aval de la Universidad Anáhuac, pero es desarrollado en colaboración con un experto externo, las facilidades de pago disponibles te serán proporcionadas directamente por dicho colaborador.
Pago total
Puedes optar por cubrir el costo total del programa en un sólo pago, que también puedes realizar en línea con tarjeta de crédito o débito.
¿Qué programas no aplican?
Los siguientes programas no cuenta con el 20% de beca ni la posibilidad de adquirirlos por medio de pagos en cuotas.
BLS ACLS Paquete BLS+ACLS Salvacorazones Introducción a la Bioética Comités Hospitalarios Cuidados Paliativos Bioética y Biojurídica Cuida tu salud mental Voluntad anticipada Bienestar mental y Burnout Metodología para la Toma de Decisiones en Bioética clínica Diplomado en Temas Prácticos de Bioética
Use flechas izquierda/derecha para navegar por la presentación de diapositivas o deslizar a la izquierda/derecha si usa un dispositivo móvil
Elegir una selección da como resultado una actualización de página completa.
Presione la tecla de espacio y luego las teclas de flecha para hacer una selección.
