Shop

Este módulo explora la aplicación de la IA generativa en una gama de escenarios empresariales y ofrece una cobertura fundamental de los conceptos, modelos, buenas prácticas y redes neuronales de la IA generativa, incluyendo los modelos de Redes Generativas Adversariales (GANs),  autocodificadores Variacionales (VAEs) y Transformadores. Todo el contenido está escrito en español sencillo y fácil de entender. 

Se cubren los siguientes temas principales:

• Factores de negocio y tecnológicos de la IA generativa
• Beneficios de la IA generativa
• Riesgos y retos comunes del uso de la IA generativa
• Categorías de problemas empresariales que aborda la IA generativa
• Cómo entender los modelos, los algoritmos y las redes neuronales
• Tipos de IA generativa
• Cómo entender las Redes Generativas Adversariales (GANs)
• Cómo entender los Autocodificadores Variacionales (VAEs)
• Cómo entender los Transformadores
• Pasos para construir sistemas de IA
• Buenas prácticas de la IA generativa

Este módulo profundiza en una gama de prácticas y técnicas de ingeniería de IA predictiva, y además proporciona una introducción detallada a los componentes de arquitectura de redes neuronales. El módulo ilustra cómo y cuándo se deben definir y aplicar distintas prácticas y componentes de los sistemas de IA con redes neuronales. Finalmente, el módulo proporciona un conjunto de principios clave y buenas prácticas para llevar a cabo técnicas de ingeniería de IA.

Se cubren los siguientes temas principales:

• Selección de modelos de IA predictiva y ajuste de hiperparámetros
• Despliegue, monitoreo y mantenimiento de modelos de IA predictiva
• Detección y mitigación de sesgos de IA predictiva
• Explicabilidad e interpretabilidad de modelos de IA predictiva
• Técnicas de evaluación y validación de modelos de IA predictiva
• Técnicas de preprocesamiento de datos, sobreajuste y regularización
• Cómo entender las redes neuronales y los modelos de IA predictiva
• Tipos de redes neuronales, neuronas, capas, enlaces, pesos
• Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época
• Funciones de activación (Sigmoid, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
• Tipos de células neuronales (de entrada, retroalimentada, ruidosa, escondida, probabilística, en espiga, recurrente, de memoria, de núcleo, convolucional, de grupo, de salida, de coincidencia de entrada, etc.)
• Arquitecturas de redes neuronales comunes para sistemas de IA predictiva

Este módulo proporciona una cobertura a profundidad de las prácticas de ingeniería esenciales para entrenar y operar sistemas de IA generativa, incluyendo diversas técnicas de procesamiento, filtrado y gestión de datos específicas para la generación de contenido creativo. El módulo además cubre temas comúnmente relacionados, como el procesamiento del lenguaje natural (PLN), el aprendizaje por transferencia y el uso de modelos preentrenados.

Se cubren los siguientes temas principales:

• Representación y codificación de datos
• Espacio latente y su manipulación
• Ingeniería de prompts
• Métricas para la evaluación de modelos generativos
• Selección de modelos de IA generativa y ajuste de hiperparámetros
• Despliegue, monitoreo y mantenimiento de modelos de IA generativa
• Detección y mitigación de sesgos de IA generativa
• Explicabilidad e interpretabilidad de modelos de IA generativa
• Técnicas de evaluación y validación de modelos para la IA generativa
• Técnicas de preprocesamiento de datos, sobreajuste y regularización
• Técnicas de optimización del rendimiento para modelos de IA generativa
• Cómo entender las redes neuronales y los modelos de IA generativa
• Tipos de redes neuronales, neuronas, capas, enlaces, pesos en la IA generativa
• Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época en la IA generativa
• Funciones de activación (Leaky ReLU, Tanh, ReLU, Softmax, Sigmoid, Softplus)
• Tipos de células neuronales (de entrada, retroalimentada, ruidosa, escondida, probabilística, en espiga, recurrente, de memoria, de núcleo, convolucional, de grupo, de salida, de coincidencia de entrada, etc.)
• Arquitecturas de redes neuronales comunes para sistemas de IA generativa

Este módulo proporciona una comprensión esencial de la arquitectura de sistemas y soluciones de IA. Explica los distintos tipos, alcances y modos de arquitectura de sistemas de IA y proporciona una cobertura detallada de los módulos nucleares de los sistemas de IA (incluyendo ingesta de datos, preprocesamiento de datos, ingeniería de características, motor de inferencia y repositorio de modelos) y los monitores de los sistemas de IA (incluyendo de operaciones, de datos, de modelos y monitores auxiliares).

Se cubren los siguientes temas principales:

• Comparación entre la arquitectura de IA y la ingeniería de IA
• Arquitecturas de producto de IA vs. arquitecturas de IA a medida
• Alcances de la arquitectura de IA (sistema y solución)
• Modos operativos de soluciones de IA (entrenamiento y producción)
• Tipos de arquitectura de sistemas de IA (monolítica, modular, híbrida)
• Almacenamiento de datos para soluciones de IA (interno, externo, híbrido)
• Módulos nucleares de los sistemas de IA
• Ingesta de datos para fuentes comunes de datos de IA predictiva e IA generativa
• Preprocesamiento de datos en los sistemas de IA predictiva e IA generativa
• Ingeniería de características en los sistemas de IA predictiva e IA generativa
• Motor de inferencia en los sistemas de IA predictiva e IA generativa
• Repositorio de modelos en los sistemas de IA predictiva e IA generativa
• Monitores de operaciones (de rendimiento, de recursos)
• Monitores de datos (de entrada, de salida)
• Monitores de modelos (de peso y gradiente, de distribución de activación, de sesgo e imparcialidad)
• Monitores auxiliares (de explicabilidad, de robustez y ataque adversarial, de calidad de datos, de etiquetado de datos)