Generative AI 1

Programa de nanogrado en IA generativa

Introducción y descripción general

El dominio de las habilidades de IA generativa, como la generación de texto e imágenes, los fundamentos del aprendizaje profundo, la PNL y la visión por computadora, es muy valioso en el panorama tecnológico actual. Estas habilidades permiten a las personas desarrollar soluciones innovadoras en diversos ámbitos, como el procesamiento del lenguaje natural, la síntesis de imágenes y los sistemas de recomendación personalizados. Con la creciente demanda de aplicaciones impulsadas por IA en industrias que van desde la atención médica hasta las finanzas, dominar la IA generativa brinda a los profesionales la capacidad de crear sistemas inteligentes que mejoran la eficiencia, la creatividad y los procesos de toma de decisiones. Además, comprender las implicaciones éticas de la IA garantiza el desarrollo y la implementación responsables de estas tecnologías, fomentando la confianza y la sostenibilidad en el campo.

Este programa de capacitación cubre principios fundamentales y prácticas avanzadas en IA generativa. Incluye temas sobre generación de texto e imágenes utilizando modelos de lenguaje grande (LLM), fundamentos del aprendizaje profundo, PNL, visión por computadora y consideraciones éticas. A través de proyectos prácticos, los alumnos adquieren habilidades para crear chatbots personalizados, herramientas de edición de fotografías con IA y agentes inmobiliarios personalizados.

Estructura del programa

Fundamentos de la IA generativa:

• Introducción a los fundamentos de la IA generativa: cubre conocimientos fundamentales sobre la IA generativa, algoritmos populares y arquitecturas para la generación de texto e imágenes.

• Fundamentos del aprendizaje profundo: conceptos básicos del aprendizaje profundo para los profesionales de la IA generativa, incluida una introducción a las bibliotecas PyTorch y Hugging Face.

• Modelos básicos: exploración de modelos básicos en IA, su aplicación a diversas tareas e implicaciones éticas.

• Adaptación de modelos de cimientos: técnicas para adaptar modelos de cimientos, incluido el ajuste rápido y el ajuste fino eficiente en parámetros (PEFT).

  → Proyecto: Ajuste ligero de un modelo de base utilizando PEFT

Modelos de lenguaje grande (LLM) y generación de texto:

• Introducción a los LLM: tipos de LLM, comprensión de sus limitaciones y capacidades, y estrategias para una ingeniería rápida.

• Fundamentos de PNL: conceptos básicos del procesamiento del lenguaje natural, codificación y generación de texto.

• Transformadores y mecanismo de atención: exploración de arquitecturas de transformadores, mecanismos de atención y modelos de transformadores modernos.

• Recuperación de generación aumentada: creación de un bot de preguntas y respuestas personalizado y aprovechamiento de las capacidades de procesamiento de lenguaje de OpenAI.

• Cree conjuntos de datos personalizados para LLM: construcción de conjuntos de datos relevantes para ajustar modelos de lenguaje grandes.

  → Proyecto: Creación de un Chatbot personalizado

Visión por computadora e IA generativa:

• Introducción a la generación de imágenes: definición de la generación de imágenes y su relevancia en la inteligencia artificial y el aprendizaje automático.

• Fundamentos de visión por computadora: comprensión de cómo las computadoras procesan y analizan datos de imágenes.

• Generación de imágenes y GAN: exploración de redes generativas adversarias (GAN) para la generación de imágenes.

• Modelos de visión por computadora basados ​​​​en transformadores: comprensión de los transformadores de visión y sus aplicaciones.

• Modelos de difusión: fundamentos de los algoritmos de difusión y trabajo práctico con los difusores Huggingface para la generación de imágenes.

  → Proyecto: Edición de fotografías con IA con Inpainting

Creación de soluciones de IA generativa:

• Introducción a la creación de aplicaciones generativas: diseño e implementación de IA generativa utilizando modelos de lenguaje grandes.

• Creación de soluciones de IA generativa con bases de datos vectoriales: conceptos básicos de bases de datos vectoriales y su aplicación en IA.

• Desarrollo de soluciones de IA generativa con LangChain: exploración del marco de LangChain para trabajar con modelos de lenguaje grandes.

  → Proyecto: Agente Inmobiliario Personalizado

Habilidades

• Fundamentos de la IA generativa : Fluidez de la IA generativa • Clasificación de imágenes • Transferencia de aprendizaje • Entrenamiento de redes neuronales • Abrazar la cara • Ajuste fino de parámetros eficientes • Ingeniería rápida • Aprendizaje profundo • PyTorch • Modelos básicos • IA ética

• Modelos de lenguajes grandes (LLM) y generación de texto : juntos API de IA • Implementación de búsqueda en Python • Transformadores de PNL • Selenio • Modelos de lenguajes grandes • Limpieza de datos • Procesamiento de lenguaje natural • API OpenAI • Redes neuronales transformadoras • Ingeniería rápida • Tokenización • Similitud de coseno • Solicitudes de API • Redes neuronales recurrentes • Mecanismos de atención • Generación de texto • Evaluación de la calidad de los datos • Incrustaciones de palabras • Extracción de datos

• Visión por computadora e IA generativa : preprocesamiento de imágenes • Transferencia de aprendizaje • Incrustaciones de palabras • IA ética • Modelos de difusión • Algoritmo YOLO • Evaluación de modelos • Generación de texto • Fluidez en visión por computadora • Clasificación de imágenes • Modelos de lenguaje grandes • Pandas • Generación de imágenes • Entrenamiento neuronal redes • Redes neuronales convolucionales • Ajuste fino de parámetros eficientes • Segmentación de imágenes • Transformadores de visión por computadora • Tokenización • Evaluación de la calidad de los datos • Redes generativas adversarias

• Creación de soluciones de IA generativa : vectores • Generación aumentada de recuperación • API OpenAI • LangChain