Fundamentos de IA Generativa en Python
Una guía completa para comprender e implementar inteligencia artificial generativa y modelos de lenguaje grandes (LLMs). Este curso abarca la transición desde los fundamentos teóricos hasta el desarrollo práctico basado en Python, incluyendo GANs, modelos de difusión, transformadores, fine-tuning y despliegue en producción.
Descripción del curso
📚 Resumen del Contenido
Una guía completa para comprender e implementar Inteligencia Artificial Generativa y Modelos de Lenguaje de Gran Tamaño (LLMs). Este curso cubre la transición desde los fundamentos teóricos hasta el desarrollo práctico basado en Python, incluyendo GANs, modelos de difusión, transformadores, fine-tuning y despliegue en producción.
Domina los principios básicos y las aplicaciones prácticas de los modernos LLMs y técnicas generativas con Python.
Autor: Carlos Rodriguez
Agradecimientos: Agradecimientos especiales a la esposa del autor, Jill, a sus padres y a los revisores técnicos Morgan Boyce, Eric Rui y Samira Shaikh (autor del prólogo).
🎯 Objetivos de Aprendizaje
- Distinguir entre los paradigmas clásicos (discriminativos) del aprendizaje automático y los modelos de IA generativa.
- Identificar las arquitecturas fundamentales de la IA generativa, incluyendo GANs, modelos de difusión y transformadores.
- Explicar el papel y la evolución de los Modelos de Lenguaje de Gran Tamaño (LLMs) dentro del panorama más amplio de la inteligencia artificial.
- Distinguir las características únicas y los paradigmas arquitectónicos de GANs, difusores y transformadores.
- Analizar los avances y limitaciones de cada tipo de modelo, incluyendo problemas específicos como el colapso de modo o la velocidad de muestreo.
- Implementar una pipeline de Stable Diffusion y evaluar las salidas generadas usando logits y probabilidades basados en CLIP.
- Rastrear la evolución del NLP desde métodos tempranos basados en conteo y RNNs hasta representaciones distribuidas modernas y aprendizaje por transferencia.
- Explicar la mecánica técnica de Atención Multi-cabeza (MHA), Atención Self-attention, Máscaras y la Red Feed-Forward (FFN).
- Implementar una arquitectura completa de Transformador, incluyendo tokenización de datos, codificación posicional y funciones de entrenamiento/inferencia.
- Asociar funciones de prototipo (por ejemplo, Google Colab) con entornos listos para producción utilizando Docker y VS Code.
Lecciones 共 7 课时 · 预计 21.0h
Lecciones
Lesson
This lesson explores the concept of the technological Singularity and the exponential growth of AI, while establishing the fundamental distinction between discriminative models that classify data and generative models that synthesize it. Students will learn to analyze the synergy between compute, data, and algorithmic efficiency, as well as the mathematical foundations of probabilistic modeling in high-dimensional spaces.
This lesson explores the three core pillars of generative AI—GANs, diffusion models, and transformers—by analyzing their unique mathematical strategies and architectural trade-offs. Students will learn to differentiate these models based on their training stability, computational efficiency, and specific applications in multimodal synthesis.
This lesson explores the evolution of Natural Language Processing from sparse, count-based methods like TF-IDF to dense, distributed vector representations and recurrent neural architectures. It examines the limitations of RNNs and LSTMs, such as the vanishing gradient problem and the Seq2Seq bottleneck, while establishing the mathematical foundations of the Transformer architecture and self-attention mechanisms.
AI030: Production Engineering and Responsible AI Deployment (Lesson 4) explores the transition from experimental prototyping in notebooks to robust, scalable production systems. Students will learn to implement CI/CD pipelines, ensure model reliability through automated testing, and integrate fairness monitoring to meet ethical and regulatory standards.
This lesson explores the spectrum of model adaptation, comparing the computational efficiency of In-Context Learning with the specialized performance and stability of Parameter-Efficient Fine-Tuning (PEFT) and full fine-tuning. Students will learn to navigate the trade-offs between hardware constraints and model alignment, with a focus on implementing techniques like LoRA to optimize performance in resource-limited environments.
This lesson explores the necessity of domain adaptation for general-purpose LLMs, focusing on techniques like continued pre-training and fine-tuning to align model knowledge with specialized fields. Students will learn to implement parameter-efficient methods like LoRA and develop evaluation frameworks to ensure linguistic accuracy in high-stakes professional environments.
This lesson explores the paradigm shift from resource-heavy model fine-tuning to efficient prompt-based inference and in-context learning. Students will learn to master advanced prompting techniques, such as persona-based conditioning and Chain-of-Thought, to optimize model performance and maintain factual consistency.