ESQUEMA DEL CURSO
Módulo 4
Factores tecnológicos y de negocio de 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
Módulo 5
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/largo 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
Módulo 10
Factores tecnológicos y de negocio de IA
Beneficios y retos de IA
Categorías de problemas de negocio que aborda la IA
Tipos de IA (angosta, general, simbólica, no simbólica, etc.)
Enfoques y algoritmos comunes de aprendizaje de la IA
Aprendizaje supervisado, no supervisado y continuo
Aprendizaje heurístico, semi-supervisado y por refuerzo
Diseños funcionales comunes de IA
Visión por computadora
Reconocimiento de patrones
Robótica
Procesamiento del lenguaje natural (NLP)
Reconocimiento del habla
Comprensión del lenguaje natural (NLU)
Integración sin fricción
Integración del modelo de tolerancia a fallas
Redes neuronales: neuronas, capas, enlaces, pesos
Modelos de IA y entrenamiento
Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época
Funciones de activación (Sigmoide, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
Tipos de células neuronales
Arquitecturas de redes neuronales (perceptrón, profundas, autocodificadores, recurrentes, convolucionales, etc.)
Otros modelos (SVM, Kohonen, Hopfield, GAN, etc.)
Cómo construir un sistema de IA paso a paso
Principios de diseño y buenas prácticas
Módulo 11
Patrones de manipulación de datos
Codificación de características
Imputación de características
Escalamiento de características
Representación de textos
Reducción de dimensionalidad
Patrones de aprendizaje supervisado
Configuración de redes supervisadas
Identificación de imágenes (CNN)
Identificación de secuencias (LSTM)
Patrones de aprendizaje no supervisado
Identificación de patrones (mapas autoorganizados)
Filtrado de contenidos para recomendaciones
Evaluación de modelos
Evaluación de desempeño de entrenamiento
Evaluación de desempeño en producción
Modelado de referencia
Optimización de modelos
Prevención del sobreajuste
Reentrenamiento frecuente
Aprendizaje por transferencia
Módulo 12
Caso de estudio: Big Online Bazaar (BOB) Industries
Preparación de datos de entrenamiento
Perfeccionamiento del modelo
Evaluación del desempeño del modelo
Caso de estudio: Finance Link Connect (FLC) Services
Configuración de la red neuronal
Mejora de predicciones con datos faltantes
Reconocimiento de imágenes y patrones (fraude)
Procesamiento de datos numéricos y textuales
Caso de estudio: SocialMeer Media Services
Segmentación de usuarios
Clasificación de compradores activos
Segmentación avanzada
