Large Language Models

Intermedio • 5 horas

Aprende desde cero a construir, consultar y aplicar Knowledge Graphs combinando teoría y práctica con herramientas reales para representar y aprovechar conocimiento de forma inteligente.

¿Qué aprenderás?

Comprender los fundamentos de grafos y su uso en Knowledge Graphs.

Entender cómo ontologías y taxonomías estructuran el conocimiento.

Diferenciar bases de datos tradicionales y Knowledge Graphs.

Extraer información de datos estructurados y no estructurados.

Construir y consultar Knowledge Graphs con Neo4j, RDF y SPARQL.

Explorar casos de uso reales en distintas industrias.

Contenido del Curso

Módulo 1: Introducción a los Large Language Models (LLMs)

Comprenderás qué son los LLMs, su evolución histórica, principales aplicaciones y diferencias frente a modelos tradicionales de NLP.

Módulo 2: Fundamentos Técnicos y Arquitectura de Transformers

Aprenderás los conceptos clave detrás de los LLMs, incluyendo tokens, embeddings y el funcionamiento de la arquitectura Transformer.

Módulo 3: Pre-Entrenamiento y Ajuste de LLMs

Explorarás cómo se entrenan y evalúan los LLMs, los tipos de datasets utilizados y las métricas más importantes.

Módulo 4: Prompt Engineering y Herramientas

Descubrirás cómo interactuar eficazmente con LLMs mediante prompts, y cómo usar herramientas modernas para implementar soluciones.

Módulo 5: Aplicaciones Avanzadas, Desafíos y Ética

Conocerás técnicas avanzadas como fine-tuning y RAG, junto con los desafíos, limitaciones y consideraciones éticas en el uso de LLMs.

Descripción

Este curso ofrece una introducción completa a los modelos de lenguaje grandes (LLMs), abarcando desde su evolución histórica y fundamentos teóricos hasta su implementación en aplicaciones reales. Aprenderás los conceptos clave detrás de arquitecturas como Transformers, incluyendo embeddings, self-attention y preentrenamiento, así como técnicas para entrenar, evaluar y utilizar estos modelos con herramientas modernas. Además, se exploran métodos avanzados como prompt engineering, fine-tuning eficiente (LoRA) y Retrieval-Augmented Generation (RAG), junto con estrategias para mejorar su rendimiento y controlar sus salidas, brindando una base sólida y práctica para aplicar LLMs en distintos contextos.

Conoce al profesor

Martin Arispe

Especialista en Inteligencia Artificial con experiencia en Agentes de IA, Large Language Models (LLMs) y Knowledge Graphs. Ha liderado la implementación de flujos de trabajo con Generative AI y plataformas impulsadas por IA. Participó en el proyecto MINTE en Fraunhofer IAIS (Alemania), integrando Deep Learning y Knowledge Graphs.