Temario del curso
Revisión de los Fundamentos de la IA Generativa
- Rápida recapitulación de conceptos de IA generativa.
- Aplicaciones avanzadas y casos de estudio.
Profundización en Redes Generativas Adversarias (GANs)
- Estudio detallado 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)
- Explorando los límites de los VAEs.
- Representaciones desvinculadas en VAEs.
- Beta-VAEs 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 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 diseño de juegos y generación procedural de contenido.
- Proyecto práctico: Creación de contenido mediante 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 el sector salud.
- Industrias creativas y entretenimiento.
- IA generativa en investigación científica.
Tendencias de Investigación en IA Generativa
- Avances recientes y descubrimientos destacados.
- 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 Siguientes Pasos
Requerimientos
- Comprensión de conceptos fundamentales de aprendizaje automático y algoritmos.
- 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
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
