Modelos de IA generativa y sistemas de GPU

Resumen

This course explores the foundations and evolution of modern generative deep learning systems, taking you from latent representation learning to advanced diffusion architectures and scalable GPU deployment strategies. Combining strong conceptual depth with practical demonstrations, this course provides a structured journey through generative modeling paradigms, architectural innovations, and production-ready optimization techniques.

You will begin by understanding Autoencoders and Variational Autoencoders (VAEs), examining how neural networks learn compressed latent representations and structured probabilistic spaces. From there, you will transition into Generative Adversarial Networks (GANs), analyzing adversarial training dynamics, instability challenges, and architectural improvements such as DCGAN and CycleGAN.

As the course progresses, you will build a deep understanding of diffusion models — including DDPM, U-Net-based denoising systems, latent diffusion, and conditional generation techniques that power modern text-to-image systems. The course then expands into GPU systems and scalable deep learning.

You will explore object detection and segmentation workloads, mixed precision training, distributed data parallel strategies, model parallelism, and production-ready GPU deployment. Through demonstrations and benchmarking exercises, you will see how modern generative systems scale efficiently while balancing memory, compute, and latency constraints.

By the end of this course, you will be able to:

• Explain how Autoencoders and VAEs learn structured latent representations. • Analyze GAN training dynamics and diagnose instability issues such as mode collapse. • Compare advanced GAN architectures and evaluate output quality trade-offs. • Understand diffusion model fundamentals and reverse denoising processes. • Design U-Net-based diffusion systems for conditional image generation. • Implement text-conditioned diffusion with guided sampling techniques. • Apply mixed precision and distributed GPU training strategies for large-scale models. • Design production-ready deployment pipelines for generative AI systems. This course is ideal for AI engineers, machine learning practitioners, researchers, and advanced students who want a rigorous understanding of generative modeling beyond surface-level API usage.

A foundational understanding of Python, linear algebra, and neural networks will be helpful. Join us to master generative deep learning, understand diffusion and adversarial systems, and build the technical depth required to design, scale, and deploy modern generative AI architectures.

Programa

• Aprendizaje de Representación Generativa
Construye una sólida base en el modelado generativo explorando Autoencoders, VAEs y GANs. Comprende el aprendizaje del espacio latente, las representaciones probabilísticas, las dinámicas de entrenamiento adversarial y los desafíos de inestabilidad como el colapso de modos. A través de demostraciones guiadas, visualizarás incrustaciones latentes, compararás salidas generativas y analizarás el comportamiento del entrenamiento en diferentes arquitecturas.
• Generación Basada en Difusión y Flow-Based
Domina los sistemas generativos modernos basados en difusión aprendiendo procesos de ruido directo, eliminación de ruido inverso y arquitecturas U-Net. Explora la generación condicional, la difusión latente y las estrategias de muestreo que impulsan los modelos de texto-a-imagen. A través de demostraciones, analizarás la programación de ruido, eliminación de ruido a múltiples escalas y la síntesis de imágenes guiada en acción.
• Sistemas de GPU y Aprendizaje Profundo Escalable
Desarrolla experiencia a nivel de sistemas optimizando el entrenamiento y despliegue de aprendizaje profundo utilizando GPUs. Aprende entrenamiento de precisión mixta, estrategias paralelas de datos distribuidos y técnicas de optimización de inferencia. Mediante comparaciones de rendimiento y análisis de rendimiento, entenderás cómo escalar modelos generativos de manera eficiente para entornos de producción del mundo real.
• Cierre del Curso
Consolida tu comprensión de las arquitecturas generativas integrando el modelado latente, el aprendizaje adversarial, los sistemas de difusión, y la optimización de GPUs en un proyecto integrador de cierre. Evalúa la calidad del modelo, la escalabilidad y la preparación para su despliegue a través de análisis estructurado y comparativas. Este módulo final refuerza el razonamiento arquitectónico y asegura que puedas diseñar, optimizar y desplegar sistemas de IA generativa moderna de principio a fin.

---

Impartido por

Edureka

---

Materias

Artificial Intelligence