Curso Online en Inteligencia Artificial Generativa

1.    Fundamentos de la inteligencia artificial y el aprendizaje automático como base de los modelos generativos

1.1.  Definición, alcance y evolución histórica de la inteligencia artificial

1.2.  Principios del aprendizaje automático supervisado, no supervisado y por refuerzo

1.3.  Diferenciación entre modelos discriminativos y modelos generativos

1.4.  Conceptos estadísticos y matemáticos esenciales para la comprensión de la IA generativa

1.5.  Infraestructura computacional para el entrenamiento de modelos generativos

1.6.  Panorama actual del ecosistema de la inteligencia artificial generativa

2.    Redes neuronales profundas: arquitecturas fundamentales para la generación de contenido

2.1.  Estructura y funcionamiento del perceptrón multicapa como base del aprendizaje profundo

2.2.  Redes neuronales convolucionales y su papel en el procesamiento generativo de imágenes

2.3.  Redes neuronales recurrentes y su aplicación a la generación de secuencias

2.4.  Mecanismo de atención y la arquitectura Transformer como revolución en la IA generativa

2.5.  Técnicas de regularización, optimización y estabilización del entrenamiento profundo

2.6.  Estrategias de inicialización de pesos y su relevancia en la convergencia de modelos generativos

3.    Redes generativas adversarias: fundamentos, arquitecturas y técnicas avanzadas de entrenamiento

3.1.  Formulación teórica del marco adversario propuesto por Goodfellow

3.2.  Arquitectura y funcionamiento del generador y el discriminador

3.3.  Principales variantes arquitectónicas de las redes generativas adversarias

3.4.  Problemas frecuentes en el entrenamiento adversario y soluciones prácticas

3.5.  Generación condicionada: control de la salida mediante etiquetas, texto o imágenes de referencia

3.6.  Métricas de evaluación de la calidad y diversidad de las muestras generadas

4.    Autoencoders variacionales, modelos de difusión y otros paradigmas generativos fundamentales

4.1.  Autoencoders clásicos: compresión, reconstrucción y aprendizaje de representaciones latentes

4.2.  Autoencoders variacionales: formulación probabilística y capacidad generativa

4.3.  Variantes avanzadas de autoencoders variacionales

4.4.  Modelos de difusión: fundamentos teóricos del proceso de eliminación de ruido

4.5.  Arquitecturas clave en modelos de difusión para generación de alta fidelidad

4.6.  Modelos de flujo normalizante y su enfoque mediante transformaciones invertibles

4.7.  Análisis comparativo de paradigmas generativos: GANs, VAEs, difusión y flujos

5.    Modelos de lenguaje de gran escala: arquitectura, entrenamiento y capacidades generativas

5.1.  Evolución de los modelos de lenguaje: de los modelos n-grama a los Transformers autorregresivos

5.2.  Arquitectura detallada de los grandes modelos de lenguaje basados en Transformer

5.3.  Proceso de preentrenamiento a gran escala y su impacto en las capacidades emergentes

5.4.  Leyes de escalado y relación entre parámetros, datos y rendimiento del modelo

5.5.  Panorama de los principales modelos de lenguaje de gran escala

5.6.  Capacidades y limitaciones fundamentales de los modelos de lenguaje de gran escala

6.    Alineamiento, ajuste fino y técnicas de personalización de modelos generativos

6.1.  Concepto de alineamiento y su importancia para la seguridad y utilidad de los modelos

6.2.  Ajuste fino supervisado a partir de instrucciones y demostraciones humanas

6.3.  Aprendizaje por refuerzo a partir de retroalimentación humana (RLHF)

6.4.  Técnicas de ajuste fino eficiente en parámetros para modelos de gran escala

6.5.  Estrategias de cuantización y optimización para el despliegue eficiente de modelos

6.6.  Retrieval-Augmented Generation: integración de recuperación de información con generación

7.    Ingeniería de prompts: técnicas avanzadas de interacción y control de modelos generativos

7.1.  Fundamentos de la ingeniería de prompts y su relevancia en el aprovechamiento de modelos

7.2.  Técnicas fundamentales de prompting para la obtención de resultados de calidad

7.3.  Técnicas avanzadas de razonamiento y descomposición de tareas complejas

7.4.  Frameworks y metodologías estructuradas para el diseño sistemático de prompts

7.5.  Técnicas de control de la generación: formato, tono, extensión y restricciones de contenido

7.6.  Automatización y optimización de prompts mediante técnicas programáticas

8.    Generación multimodal: imagen, audio, vídeo y contenido tridimensional mediante IA

8.1.  Fundamentos de la generación multimodal y convergencia de modalidades

8.2.  Generación de imágenes a partir de texto: modelos y técnicas de referencia

8.3.  Generación y síntesis de audio y voz mediante modelos generativos

8.4.  Generación de vídeo: estado del arte y desafíos técnicos

8.5.  Generación de contenido tridimensional y mundos virtuales

8.6.  Modelos de visión-lenguaje y agentes multimodales

9.    Desarrollo de aplicaciones y sistemas basados en inteligencia artificial generativa

9.1.  Diseño de arquitecturas de software para aplicaciones con IA generativa integrada

9.2.  Interacción con modelos generativos mediante APIs y servicios cloud

9.3.  Frameworks y herramientas para el desarrollo de aplicaciones con LLMs

9.4.  Desarrollo de agentes autónomos basados en modelos de lenguaje

9.5.  Evaluación, monitorización y observabilidad de sistemas generativos en producción

9.6.  Integración de IA generativa en flujos de trabajo empresariales

10.    Aplicaciones sectoriales y casos de uso profesionales de la IA generativa

10.1.  Aplicaciones de la IA generativa en el sector de la salud y las ciencias biomédicas

10.2.  Aplicaciones en el sector financiero y la gestión empresarial

10.3.  Aplicaciones en las industrias creativas: diseño, publicidad y entretenimiento

10.4.  Aplicaciones en la educación y la formación profesional

10.5.  Aplicaciones en el ámbito jurídico y la administración pública

10.6.  Aplicaciones en la ingeniería, la manufactura y la investigación científica

11.    Ética, regulación, seguridad y gobernanza de la inteligencia artificial generativa

11.1.  Marco ético fundamental para el desarrollo y uso responsable de la IA generativa

11.2.  Sesgos algorítmicos en los modelos generativos: origen, manifestación y mitigación

11.3.  Desinformación, deepfakes y riesgos de uso malintencionado de contenido generado

11.4.  Marco regulatorio y normativo de la inteligencia artificial generativa

11.5.  Seguridad y robustez de los modelos generativos frente a ataques y vulnerabilidades

11.6.  Gobernanza corporativa y políticas organizacionales para el uso de IA generativa

12.    Tendencias emergentes, paradigmas futuros y evolución prospectiva de la IA generativa

12.1.  Avances en eficiencia computacional y democratización del acceso a modelos generativos

12.2.  Evolución hacia modelos de razonamiento avanzado y planificación autónoma

12.3.  Agentes autónomos de propósito general y sistemas multiagente

12.4.  Generación de mundos sintéticos, simulaciones y su impacto en la robótica

12.5.  Convergencia de la IA generativa con otras tecnologías emergentes

12.6.  Reflexión sobre el futuro del trabajo, la creatividad humana y la coexistencia con la IA generativa