Introducción a la IA Generativa vs. ML Tradicional

Resumen

Comprender la diferencia entre el aprendizaje automático tradicional y la IA generativa es crucial para tomar decisiones informadas sobre la implementación de IA. En este curso, Introducción a la IA Generativa vs.

ML Tradicional, aprenderás a evaluar, comparar y elegir el mejor enfoque de IA para tus proyectos. Primero, explorarás los fundamentos del ML tradicional, incluyendo el aprendizaje supervisado, no supervisado y por refuerzo.

A continuación, descubrirás cómo funcionan los modelos de IA generativa como los transformadores, GANs y los modelos de difusión, y en qué áreas sobresalen. Finalmente, aprenderás a seleccionar el enfoque correcto basado en la disponibilidad de datos, las necesidades comerciales y los recursos computacionales.

Cuando termines este curso, tendrás las habilidades y conocimientos tanto del ML tradicional como de la IA generativa necesarios para tomar decisiones estratégicas en IA y aplicar la tecnología adecuada a tus proyectos de manera efectiva.

Programa de estudio

• 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

Enseñado por

Alper Tellioglu

Asignaturas

Ciencias de la Computación