Temario del curso
Revisión de los fundamentos de la IA generativa
- Repaso rápido de los conceptos de la IA generativa.
- Aplicaciones avanzadas y estudios de caso.
Análisis profundo de las redes generativas adversarias (GAN)
- Estudio en profundidad de las arquitecturas GAN.
- Técnicas para mejorar el entrenamiento de GAN.
- GAN condicionales y sus aplicaciones.
- Proyecto práctico: Diseño de una GAN compleja.
Autoencoders variacionales avanzados (VAE)
- Exploración de los límites de los VAE.
- Representaciones desacopladas en los VAE.
- Beta-VAE y su importancia.
- Proyecto práctico: Construcción de un VAE avanzado.
Transformers y modelos generativos
- Comprensión de la arquitectura Transformer.
- Transformers preentrenados generativos (GPT) y BERT para tareas generativas.
- Estrategias de ajuste fino para modelos generativos.
- Proyecto práctico: Ajuste fino de un modelo GPT para un dominio específico.
Modelos de difusión
- Introducción a los modelos de difusión.
- Entrenamiento de modelos de difusión.
- Aplicaciones en la generación de imágenes y audio.
- Proyecto práctico: Implementación de un modelo de difusión.
Aprendizaje por refuerzo en IA generativa
- Fundamentos del aprendizaje por refuerzo.
- Integración del aprendizaje por refuerzo con modelos generativos.
- Aplicaciones en el diseño de juegos y la generación de contenido procedural.
- Proyecto práctico: Creación de contenido con aprendizaje por refuerzo.
Temas avanzados en ética y sesgo
- Deepfakes y medios sintéticos.
- Detección y mitigación del sesgo en modelos generativos.
- Consideraciones legales y éticas.
Aplicaciones específicas por industria
- IA generativa en la atención médica.
- Industrias creativas y entretenimiento.
- IA generativa en la investigación científica.
Tendencias de investigación en IA generativa
- Avances y avances recientes.
- Problemas abiertos y oportunidades de investigación.
- Preparación para una carrera de investigación en IA generativa.
Proyecto integrador
- Identificación de un problema adecuado para la IA generativa.
- Preparación y aumento avanzado de conjuntos de datos.
- Selección, entrenamiento y ajuste fino del modelo.
- Evaluación, iteración y presentación del proyecto.
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos y algoritmos fundamentales del aprendizaje automático.
- Experiencia con programación en Python y uso básico de TensorFlow o PyTorch.
- Familiaridad con los principios de las redes neuronales y el aprendizaje profundo.
Público objetivo
- Científicos de datos.
- Ingenieros de aprendizaje automático.
- Profesionales de la IA.
Testimonios (2)
El estilo interactivo, los ejercicios
Tamas Tutuntzisz
Curso - Introduction to Prompt Engineering
Traducción Automática
Un excelente repositorio de recursos para futuras consultas, estilo del instructor (lleno de buen sentido del humor y gran nivel de detalle)
Adam - GE Aerospace Poland Sp. z o.o.
Curso - Prompt Engineering for ChatGPT
Traducción Automática
