Síguenos en Facebook 

Los cursos presenciales fueron pospuestos

​por el COVID-19

Inicio y fin del curso
Sábado 18 de Abril 2020
​Sábado 23 de Mayo 2020
Horarios
38 horas, 6 sesiones sabatinas de 8.30am a 2.50pm
Lugar
Calle Arquímedes 130, Polanco, Polanco IV Secc, Miguel Hidalgo, 11570 Ciudad de México, CDMX​
Ver googlemaps
Instructor
Ing. Irving Uribe, ​ver su reseña aquí

¿Qué es el PLN?

​


Aprende a

programar algoritmos

que entiendan

​el lenguaje humano​


​

Objetivo del curso

Aprender a programar algoritmos que entiendan el lenguaje humano, entendiendo los conceptos fundamentales para analizar y clasificar texto. 

• Desarrollar 6 casos de estudio prácticos: 
  • corrector gramatical utilizando elementos básicos del lenguaje, 
  • clasificador spamless (anti spam) utilizando bag of words, 
  • análisis de sentimientos para reseñas de películas (buena/mala), 
  • implementación de una red pre-entrenada para reconocimiento de imágenes y descripción verbal, 
  • chatbot para contestar preguntas de cultura general,
  • asistente virtual realizado con Alexa (recordadora de eventos y datos importantes
• Herramientas a aprender a usar: Jupyter,   Colab,   NLTK,   Sklearn,   Numpy,    Spacy,   Displacy,   Pandas,  MatPlotLib,  Google's Word2Vect,   Stanford's Glove,   GenSim,   Keras,  Alexa Skill Kit. ​

Contenido del curso

1. ​Fundamentos del procesamiento de lenguaje natural y elementos básicos del lenguaje 
   1. Introducción al PLN: ¿qué es el procesamiento de lenguaje natural?, conceptos básicos, breve historia, aplicaciones comunes, ¿cómo funciona?, técnicas comunes.
   2. Herramientas para utilizar en el curso: preparación del ambiente de trabajo, vista rápida a Colab y Jupyter Notebook,
   3. Elementos básicos del lenguaje: tokenización, forma del token, parts of speech (PoS) / partes del discurso, ¿cómo se determinan las PoS de manera programática?, dependencias / relaciones sintácticas, árboles de dependencias sintácticas, ¿cómo se determinan las dependencias sintácticas?, steaming, lematización, tagging (etiquetado) de frases, diccionarios para etiquetado de frases, reconocimiento automático de entidades.
   4. Caso de estudio: corrector gramatical (utilizando elementos básicos del lenguaje).
2. Algoritmos de clasificación usando bag of words y aprendizaje automático
   1. Técnicas de aumento de datos: ¿Qué es el aumento de datos?, suma de ejemplos, diccionarios de variaciones comunes, diccionarios de campos semánticos, inserción / eliminación aleatoria de características, mezcla de características, fraseado (uso de N-gramas).
   2. Preprocesamiento de la información: ¿Qué es?, lematización como técnica de preprocesamiento, manejo de prefijos y sufijos, filtrado de stopwords (palabras vacías), filtrado automático de stopwords, filtrado personalizado de stopwords. 
   3. Extracción de características: extracción de tokens, extracción de PoS, reducción de características.
   4. Algoritmos de bag of words (BoW) / bolsa de palabras: aplicaciones de bag of words, tf-idf (Term frequency - inverse document frequency), tf-idf para extracción de características.
   5. Aprendizaje automático aplicado a BoW: árboles de decisión para BoW, máquinas de soporte vectorial para BoW, matrices de confusión, ¿qué es una matriz de confusión?, métricas obtenidas de las matrices de confusión, 
   6. Caso de estudio: clasificador spamless (anti spam) utilizando bag of words.
3. Redes neuronales artificiales y word embeddings
   1. Aprendizaje de embeddings: ¿qué es word embeddings? ¿cómo funcionan los embeddings? ¿cómo determinar la distancia entre palabras?
   2. Uso de PCA (análisis de componentes principales): ¿qué es PCA? utilizar PCA para embeddings, 
   3. Modelos de deep learning: ¿qué es un modelo neuronal? funcionamiento básico de modelos neuronales, ¿qué es deep learning? ¿cómo se utiliza en el PLN? modelos de DNN + embeddings para clasificación binaria de textos, funciones de activación, capas de flattening (aplanamiento), funciones de costo.
   4. Modelos de redes neuronales convolucionales: ¿qué es una red neuronal convolucional?,  modelos de CNN + embeddings + N-gramas para clasificación binaria de textos, capas convolucionales, capas de pooling, influencia de los N-gramas en la red neuronal, comparación de DNN contra CNN.
   5. Modelos de redes LSTM (Long-Short Term Memory): problema con las RNN, funcionamiento de las redes LSTM, modelos de CNN (LSTM) + embeddings + N-gramas para clasificación binaria de textos. 
   6. Comparación de modelos neuronales
   7. Caso de estudio: análisis de sentimientos para reseñas de películas (buena/mala)
4. Aplicaciones comunes del PLN
   1. Modelos neuronales multiclase: ¿qué es dropout?, funciones de activación (Multiclase), ejercicio de comparación DNN / CNN / LSTM multiclase
   2. Técnicas para revisión de la calidad del entrenamiento: cohesión entre frases, separación entre frases, frases confusas para el sistema
   3. Clasificación de textos (multiclase). Clasificador de aclaraciones para servicios bancarios. 
   4. Recomendadores. Sistema de recomendación de series de Netflix según descripción del usuario
   5. Descriptores de imagen
   6. Caso de estudio: implementación de una red pre-entrenada para reconocimiento de imágenes, en combinación con PLN para describir fotos propias
5. Construcción de chatbots
   1. Introducción a los chatbots: ¿qué es un chatbot? chatbots más conocidos, estructura general de un chatbot. 
   2. Modelos de reconocimiento de intenciones: ¿qué es una intención / intent?, implementación de CNN para reconocimiento de intenciones.
   3. Modelos de reconocimiento de gramáticas de humanización y umbrales de decisión: funcionamiento de gramáticas de humanización, gramáticas fuertes y gramáticas débiles, implementación de umbrales de decisión y respuestas default para respuestas del chatbot. 
   4. Modelos de reconocimiento de entidades: ¿qué es una entidad, búsqueda por diccionario de entidades, uso de expresiones regulares, modelos entrenados para reconocimiento de entidades.
   5. Flujos conversacionales: niveles contextuales, árboles conversacionales
   6. El lenguaje AIML para chatbots: ¿qué es el lenguaje AIML? ¿por qué el lenguaje AIML gana concursos de chatbots?e implementación de AIML con python.
   7. Caso de estudio: chatbot para contestar preguntas de cultura general.
6. Amazon Alexa e implementación de asistentes virtuales 
   1. Introducción a los asistentes virtuales: ¿qué es un asistente virtual? sistemas speech to text y text to speech, asistentes virtuales más conocidos, diferencias entre un chatbot y un asistente virtual. 
   2. Alexa, el asistente virtual de Amazon: ¿qué es Amazon - Alexa?
      ¿qué es Amazon - Lex? Características y capacidades de Amazon - Alexa, ambiente de trabajo (Amazon development).
   3. Estructura de Amazon Alexa: skills y estructura de Alexa, wake words (Palabras activadoras), action words (Invocación de skills)
      manejo de intents en Alexa, manejo de entities/slots en Alexa.
   4. Elementos adicionales: uso de display e integración de skills en dispositivos echo / Android / IOS.
   5. Convertir Alexa en un asistente virtual (procesos transaccionales): implementación de bases de datos para Alexa, de triggers y de sesiones personalizadas. ¿Cómo hacer integración con otras plataformas / programas / dispositivos?
   6. Manejo de errores y debugueo en Alexa: implementación de logs en el código de Alexa y uso de cloudwatch para manejo de errores.
   7. VI.G.- Otras plataformas de PLN (Google - DialogFlow, IBM - Watson, IPSoft - Amelia, Inbenta - Inbenta)
   8. Caso de estudio: asistente virtual realizado con Alexa (recordadora de eventos y datos importantes)

Requisitos

• Laptop (es recomendable que tenga puerto Ethernet y con procesador de 64bits). 
• Para la sesión final, es necesario contar con un dispositivo móvil Android o IOs en el que se pueda instalar la App de Alexa de Amazon.
• Para el curso puedes usar Windows, Mac o Linux como tu gustes.
• Es indispensable estar motivado por aprender a usar algoritmos de aprendizaje automático.
• Asegurate de darnos tus datos de contacto al comprar (tu nombre completo, tu e-mail y tu numero telefónico). 

Conocimientos Previos

• Es necesario conocer las matemáticas de los primeros semestres de una carrera STEM (Science, Technology, Engineering and Mathematics)
• Es deseable tener nociones básicas de Machine Learning y Deep Learning, se emplearán en el curso funciones que involucran a este tipo de algoritmos como cajas negras. 
• Es necesario saber programar en algún lenguaje.
• Saber Python es recomendable, pero no es indispensable. Se puede aprender en la marcha del curso. Te proporcionamos ejercicios de Python y sus soluciones para que aprendas antes de que inicie el curso. Descarga GRATIS los ejercicios de Python y pruébate a ti mismo. NO se requiere tarjeta de crédito o débito.

Descarga los ejercicios

Reconocimiento

Al finalizar el curso, recibe un reconocimiento con valor curricular y holograma de autenticidad, parecido al que sigue:

Registro ante la Secretaría del Trabajo y Previsión Social: 
​ZAGE-810930-FW2-0005

Enfoque

En Actumlogos, creemos que toda teoría está supeditada a la práctica. Por eso, el énfasis de este curso está en resolver los ejercicios y entender su solución bajo la luz de la teoría necesaria. Entender conceptos, permite resolver problemas; y resolver problemas, permite mejorar el entendimiento de la teoría. 

​¿Para quién es este curso?

Para quienes estén interesados en programar algoritmos que analicen y clasifiquen lenguaje natural en texto y en voz. Este conocimiento es muy usado por la empresas para crear chatbots que atienden a sus empleados y clientes; y para extraer información de las conversaciones humanas. 

Cupo

Mínimo 18 personas, máximo 24 personas

Inversión

Reserva tus lugares y paga el resto una semana antes que inicie el curso.

Reserva tu lugar

Precio: ​5,500 pesos por persona 

Inscribete

Inscríbete con más amigos. Al comprar 2 o más lugares en el curso:

• Si es profesionista, el precio por persona es de 4,500 pesos. 
• Si es estudiante, el precio por persona es de 3,750 pesos. 

Valido para grupos de estudiantes, de profesionistas o mezclados. 

Ejerce el descuento grupal

Opciones de Pago: transferencia/deposito bancario, tarjeta de crédito/débito,  Paypal, Stripe.

Datos para transferencia

Preguntas Frecuentes

¿Que sistema operativo debo usar durante el curso? ​

Puedes usar cualquier sistema operativo: Windows, Linux o Mac IOS. Durante el curso usarás  Colab un servicio GRATUITO de Google sin instalar nada en tu computadora desde cualquier sistema operativo. Además, te enseñaremos cómo instalar el ambiente de trabajo en tu computadora para puedas liberarte de las restricciones de Colab. 

​​¿PUEDEN FACTURAR?

Sí, claro que sí, pero tendremos que añadir el IVA correspondiente. ​​