Modelos de Lenguaje Grandes para Todos: Desde lo Básico hasta el Uso Práctico (Edición 2026)
Este curso es una introducción práctica y amigable para principiantes a los Modelos de Lenguaje Grandes (LLM), como ChatGPT y Gemini. Diseñado para estudiantes de cualquier origen, explica cómo funcionan los LLM a nivel alto, qué pueden y no pueden hacer, y cómo usarlos de manera efectiva en el estudio, el trabajo y la vida cotidiana. A través de demostraciones prácticas y ejercicios guiados, aprenderás técnicas de redacción de prompts, cómo evaluar críticamente sus salidas, cómo manejar sesgos y falsedades (hallucinaciones), y cómo utilizar herramientas comunes (por ejemplo, documentos, resúmenes, traducción, tareas de datos) de forma segura y responsable. Al finalizar el curso, podrás crear tu propio flujo de trabajo personal con LLM para tareas reales: redacción, investigación, planificación y productividad, sin necesidad de conocimientos avanzados de programación.
Descripción del curso
Resumen del Contenido
Este curso es una introducción práctica y accesible para principiantes a los Modelos de Lenguaje Grandes (LLMs) como ChatGPT y Gemini. Diseñado para estudiantes de cualquier origen, explica de forma general cómo funcionan los LLMs, qué pueden y no pueden hacer, y cómo usarlos de manera efectiva en estudios, trabajo y la vida cotidiana. A través de demostraciones prácticas y ejercicios guiados, aprenderás técnicas de prompts, cómo evaluar críticamente sus salidas, cómo manejar alucinaciones y sesgos, y cómo utilizar herramientas comunes (por ejemplo, documentos, resúmenes, traducción, tareas con datos) de forma segura y responsable. Al final del curso, podrás crear tu propio "flujo de trabajo con LLM" para tareas reales: redacción, investigación, planificación y productividad, sin necesidad de habilidades avanzadas de programación.
Desde la lógica matemática fundamental hasta la orquestación distribuida de agentes: formando arquitectos de sistemas de élite para la era de los grandes modelos.
Objetivos de Aprendizaje
- Cognitivo: Comprender los pilares matemáticos del Aprendizaje Automático (álgebra lineal, cálculo, probabilidad) y la evolución histórica de las arquitecturas neuronales desde los Perceptrones hasta los LSTMs.
- Basado en habilidades: Navegar servidores remotos usando comandos de shell Unix e implementar gráficos computacionales básicos utilizando motores de diferenciación automática.
- Afectivo: Valorar la importancia del "fundamento teórico" frente a la "abstracción prematura" al depurar sistemas complejos como explosiones de gradientes.
- Generado
- Cognitivo: Explicar los mecanismos del pipeline post-entrenamiento, incluyendo la distinción entre el Ajuste Fino Supervisado (SFT) y los marcos de Aprendizaje por Refuerzo (RL) como GRPO.
- Basado en habilidades: Diseñar un pipeline de entrenamiento multi-etapa—desde el inicio frío hasta la alineación final—utilizando técnicas de Ajuste Fino Eficiente en Parámetros (PEFT) como LoRA.
- Afectivo: Valorar el cambio de ver la IA como una "caja negra mágica" hacia un sistema ingenieril compuesto por capas mecánicas y razonamiento interno deliberado.
- Cognitivo: Contrastar los marcos de integración lineal con la orquestación cíclica basada en grafos y diferenciar entre protocolos de integración vertical (MCP) e horizontal (A2A).
- Basado en habilidades: Definir nodos especializados y bordes condicionales usando principios de teoría de grafos e implementar un servidor MCP usando FastMCP para conectar agentes con datos externos.
- Afectivo: Valorar la importancia de la "ejecución cíclica" y la gestión de estado al imitar flujos cognitivos humanos complejos.