Temas cubiertos

• 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

• Entrenamiento de modelos generativos y cómo entender el ciclo de entrenamiento
• 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

Temas cubiertos

• 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

Temas cubiertos

• 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

Temas cubiertos

• 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

Temas cubiertos