BookOps/

馃摎 Curso de Inteligencia Artificial Libre (Nivel Avanzado)

鈿欙笍 Precondiciones

  • Contenedores y entornos reproducibles
  • Control de versiones
  • Redes y servicios b谩sicos

1. Fundamentos te贸ricos y modelos de IA

  • IA como modelo probabil铆stico
  • Inferencia, aprendizaje y evaluaci贸n
  • Modelos generativos vs discriminativos
  • Redes neuronales profundas
  • Arquitectura de transformers
  • Representaci贸n del lenguaje (tokens, embeddings)
  • Entrenamiento e inferencia de LLMs
  • Evoluci贸n de paradigmas en IA (marco conceptual)

2. Modelos de lenguaje y sistemas generativos

  • Arquitectura interna de LLMs
  • Mecanismos de atenci贸n
  • Contexto, ventanas y memoria
  • Evaluaci贸n de modelos generativos
  • Limitaciones estructurales (sesgos, alucinaciones)
  • Ajuste y optimizaci贸n de modelos
  • Sistemas multimodales

3. Sistemas de IA y arquitecturas

  • Ejecuci贸n e inferencia de modelos
  • Orquestaci贸n de servicios de IA
  • APIs y serving de modelos
  • Arquitecturas desacopladas
  • Integraci贸n de m煤ltiples modelos
  • Patrones de dise帽o de sistemas de IA

4. Sistemas con contexto, recuperaci贸n y agentes

  • Retrieval-Augmented Generation (RAG)
  • Indexaci贸n y recuperaci贸n sem谩ntica
  • Procesamiento de documentos
  • Gesti贸n de contexto
  • Sistemas aut贸nomos y agentes
  • Orquestaci贸n de tareas y workflows
  • Integraci贸n con herramientas externas

5. Extensibilidad e infraestructura

  • Pipelines de procesamiento
  • Extensi贸n mediante funciones y herramientas
  • Protocolos de interacci贸n (ej: MCP)
  • Dise帽o de plataformas de IA extensibles
  • Escalabilidad, estado y despliegue

6. Visi贸n artificial y aprendizaje visual

  • Fundamentos de visi贸n artificial (p铆xeles, color, representaciones)
  • Preprocesamiento de im谩genes y datasets
  • Modelos de clasificaci贸n de im谩genes
  • Evaluaci贸n y m茅tricas en visi贸n

7. Redes neuronales convolucionales

  • Fundamentos de redes neuronales
  • Convoluci贸n, pooling y arquitectura CNN
  • Data augmentation
  • Implementaci贸n de modelos de clasificaci贸n
  • Monitoreo y evaluaci贸n de rendimiento

8. Transfer learning y optimizaci贸n de modelos

  • Uso de modelos preentrenados (ResNet, MobileNet, etc.)
  • Fine-tuning sobre datasets espec铆ficos
  • Estrategias de regularizaci贸n
  • Mejora de rendimiento y generalizaci贸n

9. Detecci贸n y segmentaci贸n de objetos

  • T茅cnicas de detecci贸n (YOLO, SSD, Faster R-CNN)
  • Implementaci贸n de modelos de detecci贸n
  • Introducci贸n a segmentaci贸n de im谩genes
  • Sistemas de percepci贸n visual aplicados

10. Integraci贸n y despliegue de sistemas de IA

  • Despliegue de modelos en aplicaciones
  • Exposici贸n de modelos como servicios
  • Integraci贸n en sistemas productivos
  • Dise帽o de soluciones completas
  • Proyecto aplicado integrador

11. Impacto, riesgos y gobernanza de la IA

  • Sesgos y evaluaci贸n cr铆tica
  • Impacto social, laboral y ambiental
  • Desinformaci贸n y generaci贸n sint茅tica
  • Riesgos sist茅micos
  • Privacidad y uso de datos
  • Modelos abiertos vs cerrados
  • Soberan铆a tecnol贸gica