El Diplomado en Compresión de Modelos (Quant/Prune/Distill) explora técnicas avanzadas para optimizar modelos de aprendizaje automático, enfocándose en la cuantización, poda (pruning) y destilación (distillation). Se centra en la reducción del tamaño y la complejidad de los modelos, mejorando la eficiencia computacional y el rendimiento en entornos de recursos limitados, como dispositivos móviles o sistemas embebidos. Abarca la aplicación práctica de estas metodologías para lograr inferencia más rápida y menor consumo de energía, manteniendo una alta precisión.
El programa proporciona experiencia práctica en la implementación de estrategias de compresión, utilizando herramientas y bibliotecas de software relevantes para la optimización de modelos, incluyendo TensorFlow y PyTorch. Permite a los profesionales desarrollar habilidades para diseñar y desplegar modelos de aprendizaje automático más eficientes, contribuyendo al avance en campos como visión por computador, procesamiento del lenguaje natural y reconocimiento de voz, preparando a los participantes para roles en ingeniería de machine learning y ciencia de datos.
Palabras clave objetivo (naturales en el texto): cuantización, poda, destilación, compresión de modelos, optimización de modelos, eficiencia computacional, aprendizaje automático, TensorFlow, PyTorch.
1.370 €
2.
3.
4.
5.
2. Dominio Profundo en la Comprensión y Optimización de Modelos de IA: Cuantización, Poda y Destilación
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
Aquí tienes el contenido solicitado:
5. Maestría en la Comprensión, Optimización y Reducción de Modelos de IA: Cuantización, Poda y Destilación
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
**Módulo 1 — Introducción a la Compresión de Modelos de IA**
1.1 Fundamentos de la Compresión de Modelos de IA: Necesidad y Beneficios.
1.2 Visión General de Quantización, Poda y Destilación.
1.3 El Impacto de la Compresión en el Rendimiento y la Eficiencia.
1.4 Tipos de Modelos de IA y su Aplicabilidad a la Compresión.
1.5 Herramientas y Bibliotecas Esenciales para la Compresión.
1.6 Flujos de Trabajo Típicos de Compresión: Un Enfoque General.
1.7 Medidas de Evaluación del Impacto de la Compresión.
1.8 Consideraciones Éticas y de Sesgo en Modelos Comprimidos.
1.9 Casos de Uso y Aplicaciones Reales de la Compresión de IA.
1.10 Tendencias Futuras y el Futuro de la Compresión de Modelos.
2.2 Introducción a la Optimización de Modelos de IA
2.2 Fundamentos de la Cuantización
2.3 Fundamentos de la Poda
2.4 Fundamentos de la Destilación
2.5 Técnicas de Cuantización: Reducción de la Precisión
2.6 Técnicas de Poda: Eliminación de Conexiones y Pesos
2.7 Técnicas de Destilación: Transferencia de Conocimiento
2.8 Herramientas y Frameworks para la Optimización
2.9 Evaluación y Métricas de Rendimiento
2.20 Estudios de Caso y Ejemplos Prácticos
3.3 Introducción a la Quantización, Poda y Destilación: Conceptos Clave
3.2 Cuantización: Reducción del Tamaño del Modelo y Aceleración
3.3 Poda: Eliminación de Conexiones Irrelevantes
3.4 Destilación: Transferencia de Conocimiento y Compresión
3.5 Implementación Práctica de la Quantización
3.6 Estrategias Avanzadas de Poda: Pruning Estructurado y No Estructurado
3.7 Técnicas de Destilación: Teacher-Student y Distillation con Datos Sintéticos
3.8 Evaluación del Rendimiento y Métricas de Optimización
3.9 Herramientas y Frameworks para la Compresión de Modelos
3.30 Casos de Estudio: Aplicaciones y Desafíos en la Compresión de IA
4.4 Introducción a la Compresión de Modelos de IA: Fundamentos y Motivación
4.2 Quantización: Reducción de la Precisión Numérica
4.3 Poda: Eliminación de Conexiones Irrelevantes
4.4 Destilación: Transferencia de Conocimiento a Modelos Más Pequeños
4.5 Técnicas Avanzadas de Quantización: Cuantización Adaptativa y Dinámica
4.6 Métodos Avanzados de Poda: Poda Estructurada y No Estructurada
4.7 Estrategias de Destilación: Destilación de Respuestas y de Características
4.8 Herramientas y Marcos de Trabajo para la Compresión de Modelos
4.9 Medición y Evaluación del Rendimiento de los Modelos Comprimidos
4.40 Casos de Estudio y Aplicaciones Prácticas
5.5 Introducción a la Compresión de Modelos de IA: Conceptos y Necesidad
5.5 Cuantización: Reducción del Tamaño del Modelo y Aceleración
5.3 Poda: Eliminación de Conexiones Innecesarias en Redes Neuronales
5.4 Destilación: Transferencia de Conocimiento de Modelos Grandes a Pequeños
5.5 Estrategias de Implementación de Cuantización, Poda y Destilación
5.6 Herramientas y Bibliotecas para la Compresión de Modelos
5.7 Evaluación del Rendimiento y la Precisión Post-Compresión
5.8 Optimización del Flujo de Trabajo para la Compresión de Modelos
5.9 Casos de Estudio: Aplicaciones de la Compresión de Modelos en la Industria
5.50 Tendencias Futuras en la Compresión de Modelos de IA
6.6 Introducción a la Cuantización, Poda y Destilación en IA
6.2 Fundamentos de la Cuantización: Tipos y Aplicaciones
6.3 Poda de Modelos: Técnicas y Estrategias
6.4 Destilación de Modelos: Transferencia de Conocimiento
6.5 Optimización de Modelos con Cuantización, Poda y Destilación
6.6 Herramientas y Frameworks para la Compresión de Modelos
6.7 Evaluación y Métricas de Rendimiento en Modelos Comprimidos
6.8 Casos de Estudio: Aplicaciones Prácticas de Compresión de IA
6.9 Despliegue y Escalabilidad de Modelos Optimizados
6.60 Tendencias Futuras en la Compresión de Modelos de IA
7.7 Introducción a la Compresión de Modelos de IA: Conceptos Fundamentales
7.2 Cuantización: Reducción de la Precisión Numérica
7.3 Poda: Eliminación de Conexiones y Pesos Irrelevantes
7.4 Destilación: Transferencia de Conocimiento a Modelos Más Pequeños
7.7 Optimización de la Cuantización: Técnicas y Herramientas
7.6 Técnicas Avanzadas de Poda: Estrategias y Aplicaciones
7.7 Destilación: Métodos y Consideraciones Prácticas
7.8 Evaluación y Comparación de Métodos de Compresión
7.9 Implementación Práctica y Estudios de Caso
7.70 Desafíos y Futuro de la Compresión de Modelos de IA
Director Académico del DSD — SEIUM Design & Industrial Design Institute
Profesor de Diseño Industrial, Diseño de Vehículos, Transportation Design, UX/HMI, Color & Trim, Iluminación y Desarrollo de Producto
El Prof. Luca Benedetti, de nacionalidad italiana, es Director Académico del DSD — SEIUM Design & Industrial Design Institute y responsable de diseño industrial, de producto y vehículos, experiencia de usuario, interacción persona-máquina, interfaces HMI, Color & Trim y prototipado.
Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute
Profesor de Robótica, Automatización Inteligente, Sistemas Autónomos, Percepción Artificial, Control Avanzado y Mecatrónica.
El Prof. Kenji Takahashi, de nacionalidad japonesa, es Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute y responsable de robótica industrial, robots móviles, mecatrónica, control avanzado, percepción artificial, navegación e inteligencia embebida y autónoma.
Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute
Profesora de Inteligencia Artificial, Ciencia de Datos, Ingeniería de Datos, MLOps, Simulación, Gemelos Digitales y Computación Científica
La Dra. Lucía Hernández Vega, de nacionalidad española, es Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute y responsable de inteligencia artificial, ciencia e ingeniería de datos, visión artificial, IA generativa, MLOps y gemelos digitales.
Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute
Profesor de Electrónica, Sistemas Embebidos, Telecomunicaciones, Diseño de Hardware, FPGA, IoT y Sistemas de Tiempo Real
El Dr. Kevin O’Connor, de nacionalidad irlandesa, es Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute y responsable de electrónica, sistemas embebidos, telecomunicaciones, diseño de circuitos, microcontroladores, FPGA, IoT y desarrollo de hardware electrónico.
Director Académico del SNO — SEIUM Naval & Offshore Institute
Profesor de Arquitectura Naval, Ingeniería Marítima, Sistemas de Propulsión, Construcción Naval e Ingeniería Offshore
El Dr. Javier Ferrer Salvatierra, de nacionalidad española, es Director Académico del SNO — SEIUM Naval & Offshore Institute y responsable de arquitectura naval, ingeniería marítima, construcción, propulsión, sistemas auxiliares, ingeniería offshore, seguridad y descarbonización marítima.
Directora Académica del RSC — SEIUM Rail & Smart Cities Institute
Profesora de Ingeniería Ferroviaria, Señalización, Movilidad Urbana, Infraestructuras Inteligentes y Sistemas de Transporte
La Dra. Isabel Martín Robles, de nacionalidad española, es Directora Académica del RSC — SEIUM Rail & Smart Cities Institute y profesora responsable de las áreas de ingeniería ferroviaria, señalización, sistemas de control del tráfico, movilidad urbana, transporte inteligente, infraestructuras conectadas y planificación de ciudades inteligentes.
Director Académico del SEN — SEIUM Energy & Networks Institute
Profesor de Sistemas Eléctricos de Potencia, Smart Grids, Energías Renovables, Almacenamiento y Digitalización de Redes
El Dr. Carlos Navarro Sanz, de nacionalidad española, es Director Académico del SEN — SEIUM Energy & Networks Institute y responsable de sistemas eléctricos, redes inteligentes, renovables, almacenamiento, operación, protecciones, subestaciones, digitalización y planificación energética.
Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM
Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.
Testimonios de clientes que avalan nuestra calificación