Fundamentos de la IA Generativa y Modelos de Lenguaje Grandes: Teoría y Práctica

Resumen

ABOUT THE COURSE:

This course provides a rigorous exploration of modern generative AI, covering latent-variable models such as Autoencoders, VAEs, GANs, and Diffusion Models that form the backbone of contemporary generative systems.Learners will develop a deep understanding of probabilistic modeling, adversarial training dynamics, denoising diffusion processes, and latent space manipulation for high-fidelity data generation.The sequence modeling module bridges classical NLP with modern architectures, introducing RNNs, LSTMs, and culminating in the Transformer framework that powers today’s Large Language Models.Emphasis is placed on mathematical foundations, architectural intuition, and practical implementation using widely adopted deep learning libraries.By the end of the course, learners will be equipped to analyze, design, and implement state-of-the-art generative models and LLM-based systems across diverse application domains.INTENDED AUDIENCE:

UG and PG students of all the AICTE affiliated institutionsPREREQUISITES:

Students must have completed introductory courses in Programming and Machine Learning/Deep Learning.Knowledge of Python and basic mathematical concepts is necessary to follow the hands-on exercises.INDUSTRY SUPPORT:

Generative AI and Large Language Models are now core technologies adopted across global and Indian industries, including software, healthcare, finance, retail, manufacturing, and creative design. Companies such as Google, Microsoft, Meta, Amazon, NVIDIA, IBM, OpenAI, and leading Indian organizations like TCS, Infosys, Wipro, LTIMindtree, Tech Mahindra, and Cognizant actively recruit professionals skilled in generative modeling and LLMs.

AI-driven startups such as HuggingFace, Stability AI, Rephrase.ai, Sarvam AI, and Qure.ai also value these competencies for developing foundation models, multimodal AI systems, and domain-specific generative applications. This course equips learners with the theoretical and practical expertise highly recognized and sought after across these industries.

Programa

• Introducción a la IA Generativa
Visión general de los modelos generativos
Aplicaciones en la industria
• Modelos de variable latente
Autoencoders
Autoencoders variacionales (VAEs)
Redes adversarias generativas (GANs)
Fundamentos de la modelación probabilística
• Modelos generativos avanzados
Modelos de difusión
Procesos de difusión de eliminación de ruido
Manipulación del espacio latente
• Modelado de secuencias y procesamiento del lenguaje natural
PLN clásico: RNNs y LSTMs
Introducción a los transformers
Modelos de lenguaje grandes (LLMs)
• Fundamentos matemáticos
Probabilidad y estadística para el aprendizaje automático
Álgebra lineal y cálculo para el aprendizaje profundo
• Arquitectura e intuición del aprendizaje profundo
Comprensión de las arquitecturas de redes neuronales
Dinámicas de entrenamiento adversario
• Implementación práctica
Práctica con autoencoders y VAEs utilizando PyTorch/TensorFlow
Construcción de GANs utilizando bibliotecas de aprendizaje profundo
Implementación de modelos de difusión y transformers básicos
• Aplicaciones contemporáneas y estudios de casos
Generación de datos de alta fidelidad
Sistemas de IA multimodal
Aplicaciones de IA generativa específicas de dominio
• Proyecto del curso
Diseño e implementación de un modelo generativo
Desarrollo de aplicaciones en el mundo real
• Conclusión y tendencias futuras en IA generativa
Arquitecturas y técnicas en evolución
Consideraciones éticas y buenas prácticas
• Evaluación
Cuestionarios y tareas
Presentación y reporte del proyecto final

---

Impartido por

Prof. Sriram Ganapathy, Prof. Ashwini Kodipalli, Prof. Baishali Garai

---

Materias

Artificial Intelligence