Modelos de Lenguaje Grandes para Todos: Desde lo Básico hasta el Uso Práctico (Edición 2026)
Este curso es una introducción práctica y amigable para principiantes a los Modelos de Lenguaje Grandes (LLM), como ChatGPT y Gemini. Diseñado para estudiantes de cualquier origen, explica cómo funcionan los LLM a nivel alto, qué pueden y no pueden hacer, y cómo usarlos de manera efectiva en el estudio, el trabajo y la vida cotidiana. A través de demostraciones prácticas y ejercicios guiados, aprenderás técnicas de redacción de prompts, cómo evaluar críticamente sus salidas, cómo manejar sesgos y falsedades (hallucinaciones), y cómo utilizar herramientas comunes (por ejemplo, documentos, resúmenes, traducción, tareas de datos) de forma segura y responsable. Al finalizar el curso, podrás crear tu propio flujo de trabajo personal con LLM para tareas reales: redacción, investigación, planificación y productividad, sin necesidad de conocimientos avanzados de programación.
Descripción del curso
📚 Resumen del Contenido
Este curso es una introducción práctica y accesible para principiantes a los Modelos de Lenguaje Grandes (LLMs) como ChatGPT y Gemini. Diseñado para estudiantes de cualquier origen, explica de forma general cómo funcionan los LLMs, qué pueden y no pueden hacer, y cómo usarlos de manera efectiva en estudios, trabajo y la vida cotidiana. A través de demostraciones prácticas y ejercicios guiados, aprenderás técnicas de prompts, cómo evaluar críticamente sus salidas, cómo manejar alucinaciones y sesgos, y cómo utilizar herramientas comunes (por ejemplo, documentos, resúmenes, traducción, tareas con datos) de forma segura y responsable. Al final del curso, podrás crear tu propio "flujo de trabajo con LLM" para tareas reales: redacción, investigación, planificación y productividad, sin necesidad de habilidades avanzadas de programación.
Desde la lógica matemática fundamental hasta la orquestación distribuida de agentes: formando arquitectos de sistemas de élite para la era de los grandes modelos.
🎯 Objetivos de Aprendizaje
- Cognitivo: Comprender los pilares matemáticos del Aprendizaje Automático (álgebra lineal, cálculo, probabilidad) y la evolución histórica de las arquitecturas neuronales desde los Perceptrones hasta los LSTMs.
- Basado en habilidades: Navegar servidores remotos usando comandos de shell Unix e implementar gráficos computacionales básicos utilizando motores de diferenciación automática.
- Afectivo: Valorar la importancia del "fundamento teórico" frente a la "abstracción prematura" al depurar sistemas complejos como explosiones de gradientes.
- Generado
- Cognitivo: Explicar los mecanismos del pipeline post-entrenamiento, incluyendo la distinción entre el Ajuste Fino Supervisado (SFT) y los marcos de Aprendizaje por Refuerzo (RL) como GRPO.
- Basado en habilidades: Diseñar un pipeline de entrenamiento multi-etapa—desde el inicio frío hasta la alineación final—utilizando técnicas de Ajuste Fino Eficiente en Parámetros (PEFT) como LoRA.
- Afectivo: Valorar el cambio de ver la IA como una "caja negra mágica" hacia un sistema ingenieril compuesto por capas mecánicas y razonamiento interno deliberado.
- Cognitivo: Contrastar los marcos de integración lineal con la orquestación cíclica basada en grafos y diferenciar entre protocolos de integración vertical (MCP) e horizontal (A2A).
- Basado en habilidades: Definir nodos especializados y bordes condicionales usando principios de teoría de grafos e implementar un servidor MCP usando FastMCP para conectar agentes con datos externos.
- Afectivo: Valorar la importancia de la "ejecución cíclica" y la gestión de estado al imitar flujos cognitivos humanos complejos.
Lecciones 共 7 课时 · 预计 21.0h
Lecciones
Lesson
This lesson challenges the "API fallacy" by emphasizing that true LLM mastery requires moving beyond high-level wrappers to understand the underlying mathematical foundations of linear algebra, calculus, and tensor mechanics. Students learn that grounding their practice in these core principles is essential for effective debugging, hardware optimization, and transitioning from cloud-based models to localized architectures.
This lesson explores the engineering mechanics behind Transformers, focusing on how Scaled Dot-Product Attention and the QKV framework enable models to process and predict text. Students will learn how to implement these concepts using matrix operations and stability techniques like positional encoding and layer normalization to ensure efficient, stable model training.
This lesson explores how raw base models are transformed into reliable assistants through a post-training pipeline involving supervised fine-tuning, reinforcement learning, and efficient adaptation techniques like LoRA. Students will learn how to build reasoning capabilities and optimize model performance on limited hardware by focusing on targeted parameter updates rather than full-model retraining.
This lesson explores the transition of prompt engineering into a formal discipline, emphasizing the use of Retrieval-Augmented Generation (RAG) and multi-provider orchestration to ensure system resilience and accuracy. Students learn to move beyond basic heuristics by implementing semantic chunking and architectural safeguards to mitigate hallucinations and prevent single-point-of-failure vulnerabilities in production environments.
This lesson explores the strategic shift toward local LLM deployment to address enterprise needs for data privacy, cost management, and operational resiliency. It also clarifies the critical distinction between OSI-compliant Open Source models and Open Weights models, emphasizing the importance of verifying licensing and usage restrictions for compliance.
This lesson explores the shift from linear AI chains to autonomous agentic workflows, which utilize graph-based architectures to enable cyclic execution, self-correction, and complex decision-making. Students will learn how to leverage state management, the Model Context Protocol (MCP), and multi-agent communication to build intelligent systems capable of reasoning and tool use.
This lesson guides students in transitioning from passive API users to expert architects by mastering autonomous system design, including the Model Context Protocol (MCP) and Agent-to-Agent (A2A) communication. It emphasizes building empirical engineering intuition through local pipelines, rigorous performance evaluation, and an understanding of advanced post-training alignment techniques like GRPO.