Temario del curso
Revisión de los fundamentos de la IA generativa
- Breve repaso de los conceptos de la IA generativa
- Aplicaciones avanzadas y estudios de caso
Análisis profundo de las Redes Generativas Adversariales (GANs)
- Estudio en profundidad de las arquitecturas GAN
- Técnicas para mejorar el entrenamiento de GANs
- GANs condicionales y sus aplicaciones
- Proyecto práctico: Diseño de una GAN compleja
Autoencodeadores Variacionales (VAEs) avanzados
- Exploración de los límites de los VAEs
- Representaciones desentrañadas en VAEs
- Beta-VAEs y su relevancia
- 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 la IA generativa
- Conceptos básicos del aprendizaje por refuerzo
- Integración del aprendizaje por refuerzo con modelos generativos
- Aplicaciones en el diseño de juegos y la generación procedural de contenido
- Proyecto práctico: Creación de contenido con aprendizaje por refuerzo
Temas avanzados sobre ética y sesgo
- Deepfakes y medios sintéticos
- Detección y mitigación del sesgo en modelos generativos
- Consideraciones legales y éticas
Aplicaciones específicas de la industria
- IA generativa en el sector salud
- Industrias creativas y entretenimiento
- IA generativa en la investigación científica
Tendencias de investigación en IA generativa
- Últimos avances y descubrimientos
- Problemas abiertos y oportunidades de investigación
- Preparación para una carrera en investigación de IA generativa
Proyecto final
- 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 la programación en Python y uso básico de TensorFlow o PyTorch
- Familiaridad con los principios de las redes neuronales y el aprendizaje profundo
Audiencia objetivo
- Científicos de datos
- Ingenieros de aprendizaje automático
- Profesionales de la 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