De la generación de código hacia la ingeniería de software: Avanzando en inteligencia de código con modelos de lenguaje.
via YouTube
YouTube
2338 Cursos
Resumen
Explora cómo los modelos de lenguaje grandes pueden avanzar más allá de la generación de código para abordar tareas complejas de ingeniería de software mediante capacidades mejoradas de razonamiento simbólico y global.
Programa de estudio
-
- Introducción a la Inteligencia de Código
-- Visión general de los modelos de lenguaje en IA
-- Contexto histórico: de los sistemas basados en reglas a las redes neuronales
- Fundamentos de la generación de código con modelos de lenguaje
-- Conceptos básicos de la arquitectura Transformer
-- Preentrenamiento y ajuste fino para la finalización de código
-- Limitaciones de las técnicas actuales de generación de código
- Razonamiento simbólico en modelos de lenguaje
-- Introducción a los conceptos de IA simbólica
-- Integración del razonamiento simbólico con modelos neuronales
-- Estudios de caso: mejora simbólica en el análisis de código
- Razonamiento global para tareas de ingeniería de software
-- Comprensión de la complejidad en ingeniería de software
-- Papel del contexto global en la comprensión del código
-- Técnicas para capturar la estructura global del código
- Aplicaciones avanzadas en ingeniería de software
-- Depuración automatizada y corrección de errores
-- Modelos asistivos para el diseño y arquitectura de software
-- Mejorando el rendimiento de modelos en bases de código heredado
- Desafíos y direcciones futuras
-- Consideraciones éticas en el desarrollo de software impulsado por IA
-- Limitaciones de las técnicas actuales de IA en ingeniería de software
-- Prospectos futuros: unificación de enfoques simbólicos y neuronales
- Taller práctico: Creación e implementación de un modelo de inteligencia de código
-- Herramientas y marcos: PyTorch, TensorFlow y Hugging Face
-- Proyecto práctico: Desarrollo de un sistema de sugerencia de código
- Conclusión y pasos siguientes
-- Resumen de los aprendizajes clave
-- Direcciones para el aprendizaje continuo y oportunidades de investigación
Enseñado por
Etiquetas