Aprende cómo funcionan los LLMs, sus aplicaciones y desarrolla ejercicios prácticos.
• Aprenderás qué son los LLMs y sus principales aplicaciones.
• Comprenderás cómo funciona la arquitectura Transformer.
• Explorarás el entrenamiento, evaluación y ajuste de LLMs.
• Aprenderás a diseñar prompts precisos y efectivos.
• Aplicarás técnicas como fine-tuning y RAG.
• Analizarás desafíos, limitaciones y ética en LLMs.
Comprenderás qué son los LLMs, su evolución histórica, principales aplicaciones y diferencias frente a modelos tradicionales de NLP.
Aprenderás los conceptos clave detrás de los LLMs, incluyendo tokens, embeddings y el funcionamiento de la arquitectura Transformer.
Explorarás cómo se entrenan y evalúan los LLMs, los tipos de datasets utilizados y las métricas más importantes.
Descubrirás cómo interactuar eficazmente con LLMs mediante prompts, y cómo usar herramientas modernas para implementar soluciones.
Conocerás técnicas avanzadas como fine-tuning y RAG, junto con los desafíos, limitaciones y consideraciones éticas en el uso de LLMs.
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.
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.
Prof. Edison Bejarano
Muy Pronto