Materiales de la Masterclass de IA con proyectos reales
Los datasets y los notebooks de Colab de los cinco proyectos del curso: emociones, salud, marketing, finanzas y arte generativo. Cada sección tiene su carpeta de materiales y su cuaderno. Las secciones 1 y 7 no llevan datos: la primera es la introducción y la última es el tutorial de AWS.
Masterclass en Inteligencia Artificial: con Proyectos Reales
Desata el poder de la IA para resolver problemas prácticos del mundo real en Finanzas, Tecnología, Arte y Salud.
- 26 h de vídeo
- Avanzado 🐸🐸🐸🐸
Sección 2: Emociones con IA
- Materiales de la sección
Google Drive · carpeta
El dataset de reconocimiento de emociones faciales y todo lo necesario para el proyecto.
- Notebook de la sección
Google Colab
El cuaderno que se sigue en clase. Ábrelo y haz una copia en tu Drive antes de tocar nada.
Sección 3: IA en salud
- Materiales de la sección
Google Drive · carpeta
Las imágenes médicas y los datos del proyecto de diagnóstico asistido.
- Notebook de la sección
Google Colab
El cuaderno del proyecto de salud, paso a paso.
Sección 4: IA en negocios (marketing)
- Materiales de la sección
Google Drive · carpeta
Los datos de clientes para segmentar y perfilar campañas.
- Notebook de la sección
Google Colab
El cuaderno del proyecto de marketing.
Sección 5: IA en negocios (finanzas) y AutoML
- Materiales de la sección
Google Drive · carpeta
Los datos financieros del proyecto y del bloque de AutoML.
- Notebook de la sección
Google Colab
El cuaderno de finanzas, donde además se deja que AutoML busque el modelo por ti.
Sección 6: IA creativa
- Materiales de la sección
Google Drive · carpeta
Las imágenes de partida del proyecto de generación artística.
- Notebook de la sección
Google Colab
El cuaderno de IA creativa. Es el que más GPU pide: si vas justo, activa el acelerador en Colab antes de ejecutarlo.
¿Cinco proyectos y ninguna explicación?
Los cuadernos se ejecutan solos, pero eso no es aprender. En el curso se construyen desde cero: por qué esa arquitectura, por qué esos datos y qué hacer cuando el modelo no converge.