Temario del curso
Revisión de los fundamentos de la inteligencia artificial generativa
- Repaso rápido de los conceptos de la inteligencia artificial generativa.
- Aplicaciones avanzadas y estudios de casos.
Análisis profundo de las redes generativas adversarias (GAN)
- Estudio detallado de las arquitecturas GAN.
- Técnicas para mejorar el entrenamiento de las 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 desentrelazadas 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 para generación (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 inteligencia artificial generativa
- Conceptos básicos del aprendizaje por refuerzo.
- Integración del aprendizaje por refuerzo con modelos generativos.
- Aplicaciones en el diseño de juegos y la generación procedimental de contenido.
- Proyecto práctico: Creación de contenido mediante aprendizaje por refuerzo.
Temas avanzados de ética y sesgo
- Deepfakes y medios sintéticos.
- Detección y mitigación del sesgo en modelos generativos.
- Consideraciones legales y éticas.
Aplicaciones específicas por industria
- Inteligencia artificial generativa en la salud.
- Industrias creativas y entretenimiento.
- Inteligencia artificial generativa en la investigación científica.
Tendencias de investigación en inteligencia artificial generativa
- Últimos avances y logros destacados.
- Problemas abiertos y oportunidades de investigación.
- Preparación para una carrera en investigación de inteligencia artificial generativa.
Proyecto final
- Identificación de un problema adecuado para la inteligencia artificial generativa.
- Preparación avanzada de conjuntos de datos y aumento 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.
- Especialistas en 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
