Introducción a la IA Generativa vs. ML Tradicional

Resumen

Understanding the difference between traditional machine learning and generative AI is crucial for making informed decisions about AI implementation. In this course, Introduction to Generative AI vs.

Traditional ML, you’ll learn to evaluate, compare, and choose the best AI approach for your projects. First, you’ll explore the fundamentals of traditional ML, including supervised, unsupervised, and reinforcement learning.

Next, you’ll discover how generative AI models like transformers, GANs, and diffusion models work and where they excel. Finally, you’ll learn how to select the right approach based on data availability, business needs, and computational resources.

When you’re finished with this course, you’ll have the skills and knowledge of both traditional ML and generative AI needed to make strategic AI decisions and apply the right technology to your projects effectively.

Programa

• Introducción
Descripción general del curso y objetivos
Importancia de comprender los paradigmas de IA
• Fundamentos del aprendizaje automático tradicional
Aprendizaje supervisado
Definición y ejemplos
Algoritmos clave: Regresión lineal, árboles de decisión, SVM
Aprendizaje no supervisado
Agrupamiento y reducción de dimensionalidad
Algoritmos clave: K-means, PCA
Aprendizaje por refuerzo
Conceptos básicos de recompensas y políticas
Aplicaciones y algoritmos clave
• Introducción a la IA generativa
Descripción general de los modelos generativos
Conceptos clave en IA generativa
• Modelos de IA generativa
Transformadores
Arquitectura del transformador
Aplicaciones en PLN y más allá
Redes Generativas Antagónicas (GANs)
Cómo funcionan las GANs: generador vs. discriminador
Arquitecturas de GANs populares
Modelos de difusión
Comprensión de los procesos de difusión
Avances recientes y aplicaciones
• Comparación de IA generativa con MLA tradicional
Fortalezas y limitaciones de cada enfoque
Casos de uso y aplicaciones industriales
Estudios de caso: comparando resultados y eficiencias
• Marco de toma de decisiones para la implementación de IA
Evaluación de la disponibilidad y calidad de datos
Evaluación de necesidades y objetivos empresariales
Consideración de recursos computacionales
• Aplicando teoría a la práctica
Proyecto práctico: seleccionando enfoques de IA para escenarios del mundo real
Herramientas y plataformas para la implementación
• Conclusión del curso
Resumen de resultados de aprendizaje clave
Direcciones futuras en el desarrollo y estrategia de IA
• Recursos y referencias adicionales

---

Impartido por

Alper Tellioglu

---

Materias

Computer Science