Temario del curso
Repaso de los fundamentos de la IA generativa
- Rápida recapitulación de los conceptos de IA generativa
- Aplicaciones avanzadas y estudios de caso
Profundización en las Redes Generativas Adversariales (GAN)
- Estudio detallado 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 separadas en los VAE
- Beta-VAE 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
- 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 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 descubrimientos más recientes
- 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 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
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