Formación Avanzada en IA, Algoritmos y LLMs

Sin categoría

Lista de deseos

Acerca de este curso

Desarrollo de Algoritmos y Estructuras de Datos

Algoritmos clásicos (búsqueda, ordenación, grafos, programación dinámica)
Complejidad computacional (Big-O, optimización)
Resolución de problemas tipo “real-world” (no solo teórico)
Preparación para sistemas de alto rendimiento

Contenido del curso

Machine Learning Engineering
End-to-end ML pipelines (entrenamiento, validación, despliegue). Feature engineering y selección de variables Modelos clásicos (regresión, árboles, boosting). Evaluación y tuning de modelos. Gestión de datasets y experiment tracking. Enfocado a llevar modelos a producción, no solo a teoría.

Deep Learning y Redes Neuronales
Fundamentos de redes neuronales (ANN, CNN, RNN, Transformers). Frameworks: TensorFlow / PyTorch. Computer Vision y NLP práctico. Optimización y entrenamiento eficiente (GPU, batching, etc). Para casos avanzados de visión, texto e inteligencia artificial moderna.

LLMs (Large Language Models) y Aplicaciones
Cómo funcionan los LLMs (transformers, embeddings). Uso de APIs (OpenAI, open-source models). Prompt engineering avanzado. Retrieval-Augmented Generation (RAG). Fine-tuning y adaptación de modelos. Evaluación de respuestas y control de calidad. Clave para construir productos con IA generativa.

Sistemas de Búsqueda y Recomendación
Motores de búsqueda (full-text, vector search). Sistemas de recomendación (collaborative filtering, embeddings). Ranking y relevancia. Personalización basada en datos. Muy demandado en eCommerce, plataformas y SaaS.

MLOps y Producción de Modelos
CI/CD para modelos de ML. Versionado de modelos y datos. Monitorización y drift detection. Escalado y serving de modelos. Herramientas: MLflow, Kubeflow, etc. Para industrializar la IA dentro de la empresa.

Arquitecturas de IA en Sistemas Reales
Diseño de sistemas con IA integrada. Microservicios + IA. Event-driven + pipelines de datos. Escalabilidad y costes en producción. Cómo integrar IA sin romper sistemas existentes.

IA Responsable y Seguridad
Sesgos en modelos y fairness. Privacidad de datos. Seguridad en aplicaciones con IA. Riesgos en LLMs (hallucinations, prompt injection). Cada vez más crítico en entornos empresariales.

Optimización y Alto Rendimiento
Paralelización y computación distribuida. Uso de GPUs/TPUs. Optimización de inferencia. Reducción de latencia en sistemas IA. Para sistemas que necesitan escalar de verdad.

Experimentación y Evaluación en IA
A/B testing en modelos. Métricas avanzadas. Validación offline vs online. Interpretabilidad de modelos. Para tomar decisiones basadas en resultados reales.

Valoraciones y reseñas de estudiantes

Aún no hay reseñas.

Aún no hay reseñas.