Curso AWS Machine Learning Engineer + AI Practitioner + Cloud Practitioner (Triple Certificación)

Aprenderás los conceptos y fundamentos de Cloud Computing, así como el funcionamiento de los principales servicios de cómputo, almacenamiento en bloques, gestión de acceso e identidades y almacenamiento de objetos.

• Laboratorio práctico para crear una cuenta con capa gratuita desde la consola de AWS.
• Laboratorio práctico para conocer los servicios que vienen incluidos en la capa gratuita.
• Laboratorio práctico para crear usuarios y grupos de IAM.
• Laboratorio práctico para acceder a la consola de AWS usando un usuario de IAM.

Aprenderás las características más importantes y el funcionamiento de los servicios para creación de redes virtuales, servidores virtuales y discos de almacenamiento virtuales.

• Laboratorio práctico para identificar y conocer los componentes más importantes de una red privada virtual.
• Laboratorio práctico para crear un servidor virtual con sistema operativo Linux y conexion remota vía SSH.
• Laboratorio práctico para crear discos de almacenamiento virtuales y asociarlos con un servidor virtual.
• Laboratorio práctico para realizar un backup de un disco de almacenamiento virtual.

Aprenderás las características más importantes y el funcionamiento de los servicios de gestión de acceso e identidades y el servicio de almacenamiento de objetos.

• Laboratorio práctico para crear un bucket privado en S3, activar el versionamiento de archivos, la encriptación, la transferencia acelerada, replicación entre regiones y manejo de carga de archivos utilizando diferentes clases de almacenamiento.
• Laboratorio práctico para crear roles que serán utilizados por servidores virtuales.
• Laboratorio práctico para crear roles utilizados por usuarios para dar accesos temporales.

Aprenderás las características más importantes de los servicios de sistemas de archivos elásticos, base de datos relacionales y sistemas de cache elásticos.

• Laboratorio práctico para crear un sistema de archivo elástico de tipo NFS conectado a un servidor virtual con sistema operativo Linux.
• Laboratorio práctico para crear una base de datos de acceso público en RDS.
• Laboratorio práctico para crear un cluster de servidores de cache elástico implementado con Redis.

Aprenderás las características más importantes y el funcionamiento de los servicios de balanceador de carga elástico, autoescalamiento con EC2, certificados digitales, servicios de auditoria, monitoreo, funciones Lambda e infraestructura como código.

• Laboratorio práctico para crear un balanceador de carga elástico para aplicaciones web conectado a dos servidores virtuales con sistema operativo Linux y Apache.
• Laboratorio práctico para crear un certificado digital gratuito.Laboratorio práctico para crear un evento programado en CloudWatch de inicio y terminación de servidores virtuales conectado una función Lambda.
• Laboratorio práctico para ejecutar una plantilla de CloudFormation que despliegue un servidor virtual.

Aprenderás los servicios mas importantes de seguridad, cumplimiento y administración de costos.

• Laboratorio práctico para configurar alarmas de consumo basado en presupuestos usando AWS Budgets.
• Laboratorio práctico para conocer el tablero general de facturación usando AWS Billing Dashboard.
• Laboratorio práctico para identificar y controlar los consumos diarios usando AWS Cost Explorer.

Aprenderás los conceptos y fundamentos de la Inteligencia Artificial, el Machine Learning y el Deep Learning. Así como los casos prácticos de uso y el ciclo de vida para el desarrollo y entrenamiento de modelos de Machine Learning.

• Laboratorio práctico para entrenar un Modelo de Machine Learning usando Amazon SageMaker.
• Laboratorio práctico para crear un Chatbot usando Amazon Lex.
• Laboratorio práctico para reconocimiento de imágenes y objetos usando visión artificial con Amazon Rekognition.

Aprenderás los conceptos y fundamentos de la Inteligencia Artificial Generativa para utilizar los modelos fundacionales Large Language Model (LLM). Describir la infraestructura y las tecnologías de AWS para crear aplicaciones de IA generativa. Así como las capacidades y limitaciones de la IA generativa para resolver problemas empresariales.

• Laboratorio práctico para desplegr y probar un LLM usando Amazon SageMaker JumpStart.
• Laboratorio práctico para descubrir las funcionalidades disponibles de IA Generativa en Amazon Bedrock usando PartyRock.
• Laboratorio práctico para generar código en Java y Python usando Amazon Q Developer en Visual Studio.

Aprenderás a diseñar aplicaciones que utilizan modelos fundacionales. Además de usar las técnicas de ingeniería de peticiones, entrenamiento y ajuste de modelos fundacionales y describir los métodos para evaluar su rendimiento.

• Laboratorio práctico para construir una base de conocimiento y agente virtual usando Amazon Bedrock.
• Laboratorio práctico usando la API conversacional de Amazon Bedrock.

Aprenderás a proteger las aplicaciones de IA tomando en consideración las regulaciones de gobernanza y cumplimiento empresarial.

• Laboratorio práctico para conocer servicios de seguridad, cumplimiento y gobernanza en AWS.

Aprenderás a diseñar aplicaciones de IA que sean responsables y utilicen modelos 100% transparentes y explicables.

• Laboratorio práctico para implementar limites en agentes de IA generativa usando Amazon Bedrock Guardrails.

Aprenderás los servicios de analítica de Big Data para las tareas Colección y Procesamiento de Datos a gran escala. Utilizaremos de manera práctica los servicios administrados de Kinesis.

• Laboratorio práctico para procesar archivos de log de multiples servidores utilizando Kinesis Data Streams.
• Laboratorio práctico para consumir y analizar la información de logs mediante Kinesis Data Analytics y funciones Lambda.
• Laboratorio práctico para derivar el resultado obtenido hacia servicios de almacenamiento como S3 utilizando Kinesis Data Firehose.

Aprenderás las técnicas recomendadas para analisis de datos exploratorios y los modelos de entrenamiento para regresiones, clasificaciones binarias y multi clase, agrupamiento, recomendación, predicciones. Asimismo revisaremos las metricas mas importantes para medir el desempeño y optimizar los algoritmos.

• Laboratorio práctico para realizar ingenieria de parametros, etiquetado de datos, formateo y manejo de datos faltantes.
• Laboratorio práctico para revisar los algoritmos de XGBoost, logistic regression, K-means, linear regression, decision trees, random forest, RNN, CNN, Ensemble y Transfer Learning.
• Laboratorio práctico para visualización de datos usando librerias como Panda, Matplotlib y Seaborn.

Revisaremos a detalle la guía oficial en español del examen de certificación AWS Cloud Practitioner asi como las 10 preguntas de ejemplo para conocer los tips, consejos y estrategias de resolución. Además se realizará el Simulador Oficial del examen de AWS que consta de 20 preguntas, donde los alumnos podrán validar su conocimientos aprendidos y preparación impartida en clase.

Revisaremos a detalle la guía oficial del examen de certificación AWS AI Practitioner así como las 10 preguntas de ejemplo para conocer los tips, consejos y estrategias de resolución. Además se realizará el Simulador Oficial del examen de AWS que consta de 20 preguntas, donde los alumnos podrán validar su conocimientos aprendidos y preparación impartida en clase.

Revisaremos a detalle la guía oficial del examen de certificación AWS Machine Learning Engineer - Associate asi como las 10 preguntas de ejemplo para conocer los tips, consejos y estrategias de resolución. Además se realizará el Simulador Oficial del examen de AWS que consta de 20 preguntas, donde los alumnos podrán validar su conocimientos aprendidos y preparación impartida en clase.