Temario del curso
Repaso de los fundamentos de la IA generativa
- Breve repaso de los conceptos de IA generativa.
- Aplicaciones avanzadas y estudios de caso.
Profundización en las Redes Generativas Adversarias (GANs)
- Estudio exhaustivo de las arquitecturas GAN.
- Técnicas para mejorar el entrenamiento de GANs.
- GANs condicionales y sus aplicaciones.
- Proyecto práctico: Diseño de una GAN compleja.
Autoencoders Variacionales Avanzados (VAEs)
- Exploración de los límites de los VAEs.
- Representaciones desacopladas en los VAEs.
- Beta-VAEs y su importancia.
- Proyecto práctico: Construcción de un VAE avanzado.
Transformers y Modelos Generativos
- Comprensión de la arquitectura Transformer.
- Transformadores 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 videojuegos y la generación de contenido procedimental.
- 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 sector
- IA generativa en el ámbito de la salud.
- Industrias creativas y entretenimiento.
- IA generativa en la investigación científica.
Tendencias de investigación en IA generativa
- Avances recientes y descubrimientos importantes.
- Problemas abiertos y oportunidades de investigación.
- Preparación para una carrera en investigación en IA generativa.
Proyecto final
- Identificación de un problema adecuado para la IA generativa.
- Preparación y aumento de conjuntos de datos avanzados.
- Selección, entrenamiento y ajuste fino del modelo.
- Evaluación, iteración y presentación del proyecto.
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos fundamentales y algoritmos del aprendizaje automático.
- Experiencia con programación en Python y uso básico de TensorFlow o PyTorch.
- Conocimiento de los principios de las redes neuronales y el aprendizaje profundo.
Público objetivo
- Científicos de datos
- Ingenieros de aprendizaje automático
- Profesionales de IA
Reseñas (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
