Fundamentos de IA Generativa en Python

Una guía completa para comprender e implementar Inteligencia Artificial Generativa y Modelos de Lenguaje de Gran Tamaño (LLMs). Este curso cubre la transición desde los fundamentos teóricos hasta el desarrollo práctico basado en Python, incluyendo GANs, modelos de difusión, transformadores, fine-tuning y despliegue en producción.

Domina los principios básicos y las aplicaciones prácticas de los modernos LLMs y técnicas generativas con Python.

Autor: Carlos Rodriguez

Agradecimientos: Agradecimientos especiales a la esposa del autor, Jill, a sus padres y a los revisores técnicos Morgan Boyce, Eric Rui y Samira Shaikh (autor del prólogo).

1. Distinguir entre los paradigmas clásicos (discriminativos) del aprendizaje automático y los modelos de IA generativa.
2. Identificar las arquitecturas fundamentales de la IA generativa, incluyendo GANs, modelos de difusión y transformadores.
3. Explicar el papel y la evolución de los Modelos de Lenguaje de Gran Tamaño (LLMs) dentro del panorama más amplio de la inteligencia artificial.
4. Distinguir las características únicas y los paradigmas arquitectónicos de GANs, difusores y transformadores.
5. Analizar los avances y limitaciones de cada tipo de modelo, incluyendo problemas específicos como el colapso de modo o la velocidad de muestreo.
6. Implementar una pipeline de Stable Diffusion y evaluar las salidas generadas usando logits y probabilidades basados en CLIP.
7. Rastrear la evolución del NLP desde métodos tempranos basados en conteo y RNNs hasta representaciones distribuidas modernas y aprendizaje por transferencia.
8. Explicar la mecánica técnica de Atención Multi-cabeza (MHA), Atención Self-attention, Máscaras y la Red Feed-Forward (FFN).
9. Implementar una arquitectura completa de Transformador, incluyendo tokenización de datos, codificación posicional y funciones de entrenamiento/inferencia.
10. Asociar funciones de prototipo (por ejemplo, Google Colab) con entornos listos para producción utilizando Docker y VS Code.