Shop

Este módulo cubre una gama de redes, modelos y técnicas comunes de IA generativa, incluyendo redes neuronales especializadas y prácticas para gestionar y optimizar sistemas y procesos de entrenamiento de modelos de IA generativa. El módulo no cubre fórmulas matemáticas ni programación y está dirigido a profesionales de TI en general.

Se cubren los siguientes temas principales:

• Guardianes éticos y Traductores de resultados
• Modelos lingüísticos preentrenados (PLMs) y Aprendizaje por transferencia
• Inyección de ruido, Ajuste de temperatura y Chispas aleatorias
• Cómo trabajar con Redes Generativas Adversariales (GANs)
• Cómo trabajar con Autocodificadores Variacionales (VAEs)
• Cómo trabajar con Transformadores
• Cómo trabajar con Redes Generativas Adversariales Condicionales (cGANs)
• Cómo trabajar con Redes Neuronales Recurrentes (RNNs) y Memoria de corto/lago plazo (LSTM)
• Modelos lingüísticos de gran tamaño (LLMs) y Procesamiento del lenguaje natural (PLN)
• Evaluación de modelos y Evaluación del rendimiento del entrenamiento
• Modelado de referencia y Optimización de modelos
• Prevención del sobreajuste

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 cubre una serie de técnicas para trabajar con GANs, VAEs, modelos de difusión, modelos autorregresivos, transformadores, así como aprendizaje por transferencia y aprendizaje por refuerzo. Los temas incluyen gestión de conjuntos de datos de gran tamaño, gestión de ciclos iterativos de entrenamiento de modelos, fomento de salidas de contenido creativo y cómo trabajar con distintos formatos de datos para fines de generación de contenido. Las técnicas se pueden aplicar individualmente o en distintas combinaciones para abordar una gama de problemas y requerimientos comunes de los sistemas de IA generativa.

Se cubren los siguientes temas principales:

• Manipulación de datos para preparar los datos para las entradas de modelos generativos
• Codificación de características para optimizar las entradas de modelos generativos
• Imputación de características para mejorar los datos para las entradas de modelos generativos
• Escalamiento de características para optimizar datos para las entradas de modelos generativos
• Representación de textos para convertir datos para las entradas de modelos generativos
• Reducción de la dimensionalidad para reducir el espacio de características para las entradas de modelos generativos
• Aprendizaje no supervisado para entrenar modelos generativos
• Configuración de modelos generativos para definir el número de neuronas en las capas de red
• Generación de imágenes para usar una red generativa adversarial
• Generación de secuencias para usar una red neuronal de memoria a corto-largo plazo
• Patrones de aprendizaje supervisado para entrenar modelos generativos
• Identificación de patrones mediante una red generativa adversarial
• Filtrado de contenidos para eliminar contenidos no seguros
• Patrones de evaluación de modelos para medir el rendimiento de modelos generativos
• Evaluación del rendimiento de entrenamiento para evaluar el rendimiento de modelos generativos
• Evaluación del rendimiento de generación de contenido para predecir el rendimiento de modelos generativos en producción
• Modelado de referencia para evaluar y comparar modelos generativos complejos
• Patrones de optimización de modelos para refinar y adaptar modelos generativos
• Prevención del sobreajuste para ajustar un modelo generativo
• Reentrenamiento frecuente de modelos para mantener un modelo generativo en sincronía con los datos actuales 
• Aprendizaje por transferencia para acelerar el entrenamiento de modelos generativos
• Aprendizaje por refuerzo para modelos generativos

Este módulo proporciona una serie de ejercicios y problemas de laboratorio basados en casos de estudio, diseñados para poner a prueba su capacidad para aplicar sus conocimientos de los temas cubiertos en los módulos anteriores. Completar este laboratorio ayuda a reforzar la comprensión de los temas anteriores y demuestra cómo se pueden aplicar diferentes prácticas y tecnologías en conjunto como parte de soluciones más amplias.