Certificado en Ingeniería de IA Generativa con LLMs
Impulsa tu carrera en ML con GenAI y LLMs. Domina lo esencial de ingeniería de GenAI y modelos de lenguaje en ~3 meses.
Así estudias: curso autodidacta
- Autodidacta y 100% en línea: contenido disponible 24/7.
- Avanzas a tu ritmo: la plataforma guarda tu progreso.
- Sin tutor ni clases en vivo: el curso está diseñado para estudiarse por tu cuenta.
- Te evalúas con actividades automáticas, sin entregas a un tutor.
Lo que serás capaz de hacer
Aprende los fundamentos de la ingeniería de IA generativa y los modelos de lenguaje extensos (LLM). Desarrolla habilidades prácticas para crear aplicaciones con modelos y herramientas como PyTorch, Hugging Face, RAG y LangChain.
- Preparar datos de texto y crear data loaders para tareas de procesamiento de lenguaje natural.
- Explicar arquitecturas generativas y aplicar tokenización, embeddings, atención y transformers en tareas como clasificación y traducción.
- Entrenar y ajustar modelos de lenguaje con técnicas de fine-tuning eficiente, como PEFT, LoRA y QLoRA, además de explorar RLHF, DPO y PPO.
- Crear aplicaciones con RAG y LangChain, incluido un bot de preguntas y respuestas como proyecto de portafolio.
Temario
UNIDAD 1 - Arquitectura de IA generativa · 14 leccionesIA Generativa y LLMs: Arquitectura y preparación de datos - UNIDAD 1 - Arquitectura de IA generativa
IA Generativa y LLMs: Arquitectura y preparación de datos - UNIDAD 1 - Arquitectura de IA generativa
- Productos IBM destacados: watsonx.governance
- Panorama de la ingeniería de IA con LLM
- Introducción al curso
- Resumen del curso
- Consejos útiles para completar el curso
- Importancia de la IA generativa
- Arquitecturas y modelos de IA generativa
- IA generativa para NLP
- Lectura: Fundamentos de las alucinaciones de la IA
- Lectura: Panorama de bibliotecas y herramientas
- Laboratorio: Exploración de bibliotecas de IA generativa
- Resumen y aspectos destacados
- Cuestionario práctico: Visión general y arquitectura de la IA generativa
- Cuestionario graduado: Arquitectura de IA generativa
UNIDAD 2 - Preparación de datos para LLM · 14 leccionesIA Generativa y LLMs: Arquitectura y preparación de datos - UNIDAD 2 - Preparación de datos para LLM
IA Generativa y LLMs: Arquitectura y preparación de datos - UNIDAD 2 - Preparación de datos para LLM
- Tokenización
- Laboratorio: Implementación de la tokenización
- Visión general de los cargadores de datos
- Calidad y diversidad de datos para un LLM eficaz
- Laboratorio: Creación de un cargador de datos NLP
- Resumen y aspectos destacados
- Cuestionario práctico: Preparación de datos
- Cuestionario graduado: Preparación de datos para LLM
- Hoja de trucos: IA generativa y LLM: Arquitectura y preparación de datos
- Glosario del curso: IA generativa y LLM: Arquitectura y preparación de datos
- Próximos pasos: Explore IBM watsonx.governance
- Conclusión del curso
- Felicitaciones y próximos pasos
- Equipo y agradecimientos
UNIDAD 3 - Fundamentos de la comprensión lingüística · 18 leccionesModelos fundacionales de Gen AI para PNL y comprensión del lenguaje - UNIDAD 3 - Fundamentos de la comprensión lingüística
Modelos fundacionales de Gen AI para PNL y comprensión del lenguaje - UNIDAD 3 - Fundamentos de la comprensión lingüística
- Introducción al curso
- Resumen del curso
- Panorama de las Specializations
- Consejos útiles para completar el curso
- Convertir palabras en características
- Predicción de categorización de documentos con Torchtext
- Formación en categorización de documentos con Torchtext
- Entrenamiento del modelo en PyTorch
- Laboratorio: Clasificación de documentos
- Resumen y aspectos destacados
- Cuestionario práctico: Comprensión del lenguaje con redes neuronales
- Modelado lingüístico con N-Grams
- N-Gramas como Redes neuronales con PyTorch
- Laboratorio: Construcción de un Modelo de lenguaje mediante el análisis de histogramas de N-gramas
- Laboratorio: Construcción y entrenamiento de una red neuronal para el modelado del lenguaje
- Resumen y aspectos destacados
- Cuestionario práctico: Modelo de N-Gramas
- Cuestionario graduado: Fundamentos de la comprensión lingüística
UNIDAD 4 - Modelos de secuencia a secuencia y Word2Vec · 19 leccionesModelos fundacionales de Gen AI para PNL y comprensión del lenguaje - UNIDAD 4 - Modelos de secuencia a secuencia y Word2Vec
Modelos fundacionales de Gen AI para PNL y comprensión del lenguaje - UNIDAD 4 - Modelos de secuencia a secuencia y Word2Vec
- Word2Vec: Introducción y modelos CBOW
- Laboratorio: Integración de Word2Vec Parte 1
- Word2Vec: Skip-Gram y modelos preformados
- Laboratorio: Integración de Word2Vec Parte 2
- Introducción a los Modelos Secuencia a Secuencia y a las Redes Neuronales Recurrentes
- Modelos RNN codificador-decodificador: Entrenamiento e inferencia
- Modelos RNN codificador-decodificador: Traducción
- Laboratorio: Desarrollo de un Modelo de secuencia a secuencia
- Implicaciones éticas de las incrustaciones de palabras y los modelos de lenguaje
- Métricas para evaluar la calidad del texto generado
- Métricas de evaluación de modelos de NLP
- Resumen y aspectos destacados
- Cuestionario práctico: Word2Vec, Modelos de secuencia a secuencia y Evaluación
- Cuestionario graduado: Word2Vec y Modelos de secuencia a secuencia
- Hoja de trucos: Modelos de IA para NLP y comprensión del lenguaje
- Glosario del curso: Modelos de IA para NLP y comprensión del lenguaje
- Conclusión del curso
- Felicitaciones y próximos pasos
- Equipo y agradecimientos
UNIDAD 5 - Conceptos fundamentales de la arquitectura de transformadores · 16 leccionesModelado Generativo del Lenguaje AI con Transformadores - UNIDAD 5 - Conceptos fundamentales de la arquitectura de transformadores
Modelado Generativo del Lenguaje AI con Transformadores - UNIDAD 5 - Conceptos fundamentales de la arquitectura de transformadores
- Introducción al curso
- Resumen del curso
- Panorama de las Specializations
- Consejos útiles para completar el curso
- Lectura: Guía para principiantes sobre los fundamentos del Modelo transformador
- Codificación posicional
- Mecanismo de atención
- Mecanismo de autoatención
- DE LA ATENCIÓN A LOS TRANSFORMADORES
- Laboratorio práctico: Mecanismo de atención y codificación posicional
- Transformadores para clasificación: Codificador
- Laboratorio práctico: Aplicación de transformadores para la clasificación
- Técnicas de optimización para la formación eficiente de transformadores
- Resumen y aspectos destacados
- Cuestionario práctico: Codificación posicional, atención y aplicación en la clasificación
- Cuestionario Graduado: Conceptos fundamentales de la arquitectura de los transformadores
UNIDAD 6 - Conceptos avanzados de arquitectura de transformadores · 27 leccionesModelado Generativo del Lenguaje AI con Transformadores - UNIDAD 6 - Conceptos avanzados de arquitectura de transformadores
Modelado Generativo del Lenguaje AI con Transformadores - UNIDAD 6 - Conceptos avanzados de arquitectura de transformadores
- Lectura: Introducción a los conceptos avanzados de los modelos transformadores
- Modelo de lenguaje con los descodificadores y los modelos tipo GPT
- Entrenamiento de modelos decodificadores
- Modelos de descodificación - Implementación de PyTorch - LM causal
- Modelos decodificadores: Implementación de PyTorch mediante entrenamiento e inferencia
- Laboratorio práctico: Decodificador GPT-like Models
- Resumen y aspectos destacados
- Cuestionario práctico: Modelos de descodificador
- Modelos de codificador con BERT: preentrenamiento mediante MLM
- Modelos de codificador con BERT: preentrenamiento con NSP
- Preparación de datos para BERT con PyTorch
- Preentrenamiento de modelos BERT con PyTorch
- Laboratorio práctico: Preentrenamiento de modelos BERT
- Laboratorio práctico: Preparación de datos para BERT
- Resumen y aspectos destacados
- Cuestionario práctico: Modelos de codificador
- Arquitectura de transformadores para la traducción de idiomas
- Arquitectura de transformadores para traducción: Implementación de PyTorch
- Laboratorio: Transformadores para la traducción
- Resumen y aspectos destacados
- Cuestionario de Práctica: Aplicación de los Transformadores para la Traducción
- Cuestionario Graduado: Conceptos avanzados de arquitectura de transformadores
- Hoja de trucos: Modelo de lenguaje con transformadores
- Glosario del curso: Modelo de lenguaje con transformadores
- Conclusión del curso
- Gracias de parte del equipo del curso
- Felicitaciones y próximos pasos
UNIDAD 7 - Transformadores y puesta a punto · 15 leccionesIngeniería Generativa de IA y Transformadores de Ajuste Fino - UNIDAD 7 - Transformadores y puesta a punto
Ingeniería Generativa de IA y Transformadores de Ajuste Fino - UNIDAD 7 - Transformadores y puesta a punto
- Introducción al curso
- Resumen del curso
- Panorama de las Specializations
- Consejos útiles para completar el curso
- Cara de abrazo vs. PyTorch
- Laboratorio: Modelos de carga e inferencia con Hugging Face
- Transformadores preformados y ajuste fino
- [Opcional] LLM de preentrenamiento con cara de abrazo
- Ajuste fino con PyTorch
- Afinar con la cara abrazada
- Laboratorio: Pre-entrenamiento y puesta a punto con PyTorch
- Laboratorio: Perfeccionamiento de transformadores con PyTorch y Hugging Face
- Lectura: Resumen y aspectos destacados
- Cuestionario práctico: Aprendizaje por transferencia en PNL
- Cuestionario graduado: Transformadores y puesta a punto
UNIDAD 8 - Ajuste fino eficiente de parámetros (PEFT) · 17 leccionesIngeniería Generativa de IA y Transformadores de Ajuste Fino - UNIDAD 8 - Ajuste fino eficiente de parámetros (PEFT)
Ingeniería Generativa de IA y Transformadores de Ajuste Fino - UNIDAD 8 - Ajuste fino eficiente de parámetros (PEFT)
- Vídeo: Introducción al PEFT
- Laboratorio Adaptadores con PyTorch
- Adaptación de bajo rango (LoRA)
- LoRA con Hugging Face y PyTorch
- Laboratorio: LoRA con PyTorch
- DE LA CUANTIZACIÓN A QLoRA
- laboratorio [Opcional]: QLoRA con cara abrazada
- Sugerencias suaves
- Consideraciones éticas en el ajuste de modelos de lenguaje grandes
- Resumen y aspectos destacados
- Cuestionario práctico: Ajuste fino eficiente de parámetros (PEFT)
- Cuestionario graduado: Ajuste fino eficiente de parámetros (PEFT)
- Hoja de trucos: Ingeniería de IA generativa y transformadores de sintonía fina
- Glosario: Ingeniería de IA generativa y transformadores de sintonía fina
- Conclusión del curso
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
UNIDAD 9 - Diferentes enfoques del ajuste fino · 17 leccionesAjuste fino avanzado de IA generativa para LLM - UNIDAD 9 - Diferentes enfoques del ajuste fino
Ajuste fino avanzado de IA generativa para LLM - UNIDAD 9 - Diferentes enfoques del ajuste fino
- Introducción al curso
- Resumen del curso
- Panorama de las Specializations
- Consejos útiles para completar el curso
- Fundamentos de la sintonización de instrucciones
- Instrucción-Sintonización con Cara de Abrazo
- Ajuste de las instrucciones
- Ajuste de instrucciones LLM
- Buenas prácticas para ajustar modelos de lenguaje grandes a la enseñanza
- Modelización de recompensas: Evaluación de respuestas
- Formación en modelos de recompensa
- Recompensar el modelado con un abrazo en la cara
- Modelización de recompensas y evaluación de respuestas
- Laboratorio Modelización de recompensas
- Cuestionario práctico: Modelado de instrucción-sintonización y recompensa
- Resumen y aspectos destacados
- Diferentes enfoques de la sintonización de instrucciones
UNIDAD 10 - Ajuste fino de los LLM causales con retroalimentación humana y preferencia directa · 24 leccionesAjuste fino avanzado de IA generativa para LLM - UNIDAD 10 - Ajuste fino de los LLM causales con retroalimentación humana y preferencia directa
Ajuste fino avanzado de IA generativa para LLM - UNIDAD 10 - Ajuste fino de los LLM causales con retroalimentación humana y preferencia directa
- Grandes modelos lingüísticos (LLM) como distribuciones
- De las distribuciones a las políticas
- Aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF)
- Optimización de la Política Proximal (PPO)
- PPO con cara de abrazo
- Formador PPO
- Truco de la derivada logarítmica
- Laboratorio: Aprendizaje por refuerzo a partir del feedback humano utilizando PPO
- Resumen y aspectos destacados
- Cuestionario práctico: Optimización de la Política Proximal (PPO)
- RPD: Función de partición
- OPD: Solución óptima
- De la política óptima a la RPD
- DPO con cara de abrazo
- Laboratorio: Optimización Directa de Preferencias (OPD) mediante Cara de Abrazo
- Perfeccione los LLM localmente con InstructLab
- Resumen y aspectos destacados
- Cuestionario práctico: Optimización de Preferencia Directa (OPD)
- Ajuste fino de los LLM causales con retroalimentación humana y preferencia directa
- Hoja de trucos: Perfeccionamiento avanzado de IA generativa para LLMs
- Glosario: Perfeccionamiento de la IA generativa para los LLM
- Conclusión del curso
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
UNIDAD 11 - Fundamentos de los agentes de IA · 17 leccionesFundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 11 - Fundamentos de los agentes de IA
Fundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 11 - Fundamentos de los agentes de IA
- Panorama de las Specializations
- Introducción al curso
- Resumen del curso
- ¿Qué son los agentes de IA?
- Comparación de diseños de sistemas de IA
- Exploración de los fundamentos de los agentes de IA
- Cuándo utilizar agentes de IA (y cuándo no)
- Práctica: Introducción a los agentes de IA
- Llamamiento de herramientas para LLM
- Por qué la IA necesita herramientas: De la suposición a la acción en el mundo real
- Métodos de creación de agentes de IA
- Laboratorio: Creación de agentes de IA desde cero con Python
- Ventajas y desventajas de los marcos de agentes de IA frente a la creación desde cero
- Cuestionario práctico: Introducción a la llamada a herramientas
- Resumen del módulo: Fundamentos de los agentes de IA
- Hoja de trucos: Agentes de IA El tiempo y el plato del día
- Cuestionario graduado: Fundamentos de los agentes de IA
UNIDAD 12 - Marco RAG · 8 leccionesFundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 12 - Marco RAG
Fundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 12 - Marco RAG
- RAG
- RAG, codificadores y FAISS
- Lab: RAG con cara de abrazo
- Laboratorio: RAG con PyTorch
- Cuestionario práctico: Introducción al GAR
- Lectura: Resumen y aspectos destacados
- Hoja de trucos: Retrieval-Augmented Generation (RAG) con Hugging Face y PyTorch
- Cuestionario graduado: Marco RAG
UNIDAD 13 - Prompt Engineering y LangChain · 17 leccionesFundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 13 - Prompt Engineering y LangChain
Fundamentos de los agentes de IA mediante RAG y LangChain - UNIDAD 13 - Prompt Engineering y LangChain
- Introducción a LangChain
- Introducción a la ingeniería de avisos y al aprendizaje en contexto
- Métodos Avanzados de Ingeniería Prompt
- Laboratorio: Ingeniería en contexto y plantillas de instrucciones
- Cadena Lingüística: Conceptos básicos
- Documentos LangChain para crear aplicaciones RAG
- Cadenas LangChain y agentes para aplicaciones de construcción
- Laboratorio LangChain
- Resumir documentos privados con RAG, LangChain y LLM
- Cuestionario práctico: Prompt Ingeniería y LangChain
- Resumen y aspectos destacados
- Cuestionario graduado: Ingeniería de indicaciones y LangChain
- Hoja de trucos: Fundamentos de la creación de agentes de IA con RAG y LangChain
- Glosario: Fundamentos de la creación de agentes de IA con RAG y LangChain
- Conclusión del curso
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
UNIDAD 14 - Cargador de documentos con LangChain · 13 leccionesProyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 14 - Cargador de documentos con LangChain
Proyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 14 - Cargador de documentos con LangChain
- Introducción al curso
- Resumen del curso
- Especialización
- Consejos útiles para completar el curso
- Cargue su documento desde distintas fuentes
- Laboratorio: Carga de documentos mediante LangChain para distintas fuentes
- Buenas prácticas para cargar documentos en aplicaciones LangChain
- Laboratorio: Poner todo el documento en Prompt y preguntar al modelo
- Cuestionario práctico: Diferentes cargadores de documentos de LangChain
- Estrategias de división del texto para un tratamiento óptimo
- Laboratorio: Aplicar técnicas de división de texto para mejorar la capacidad de respuesta del modelo
- Prueba práctica: Dividir texto
- Lectura: Resumen y aspectos destacados
UNIDAD 15 - RAG con LangChain · 11 leccionesProyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 15 - RAG con LangChain
Proyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 15 - RAG con LangChain
- Incrustar documentos con el modelo de incrustación de watsonx
- Laboratorio: Incrustación de documentos mediante el modelo de incrustación de watsonx
- Introducción a las bases de datos vectoriales para almacenar incrustaciones
- Laboratorio: Creación y configuración de una base de datos vectorial para almacenar incrustaciones de documentos
- Cuestionario práctico: Incrustación del documento
- Explore Retrievers avanzados en Langchain: Parte 1
- Explore Retrievers avanzados en Langchain - Parte 2
- Laboratorio: Desarrollo de un recuperador para obtener segmentos de documentos a partir de consultas
- Lectura: Comparar el ajuste fino utilizando InstructLab con RAG
- Cuestionario práctico: Retriever
- Resumen del módulo: RAG utilizando LangChain
UNIDAD 16 - Cree un robot de control de calidad para leer su documento · 17 leccionesProyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 16 - Cree un robot de control de calidad para leer su documento
Proyecto: Aplicaciones de IA Generativa con RAG y LangChain - UNIDAD 16 - Cree un robot de control de calidad para leer su documento
- Primeros pasos con Gradio
- Laboratorio: Configuración de una interfaz Gradio sencilla para interactuar con tus modelos
- Práctica: Introducción a Gradio
- Lectura: Visión general del proyecto
- Lectura: Construir un robot de control de calidad que aproveche LangChain y LLM para responder preguntas de un documento cargado
- Laboratorio: Construir un robot de control de calidad que aproveche LangChain y LLM para responder preguntas a partir de un documento cargado
- Prueba práctica: Construir una aplicación web QA Bot
- Resumen del módulo: Crear un robot de control de calidad para leer su documento
- Lectura: Directrices y resultados de la presentación final
- Opción 1: AI Graded - Proyecto final: Presentación y evaluación
- Opción 2: Calificación por pares - Presentación y evaluación del proyecto final
- Hoja de trucos: Proyecto: Aplicaciones de IA generativa con RAG y LangChain
- Glosario del curso: Proyecto: Aplicaciones de IA generativa con RAG y LangChain
- Cuestionario del curso: Proyecto: Aplicaciones de IA generativa con RAG y LangChain
- Conclusión del curso
- Felicitaciones y próximos pasos
- Gracias de parte del equipo del curso
Lo que harás al terminar
Podrás desarrollar y ajustar aplicaciones de IA generativa con LLM, así como presentar un proyecto práctico que demuestre tus habilidades. Estos conocimientos pueden apoyar tu desarrollo en áreas de aprendizaje automático e ingeniería de IA generativa.
¿Para quién es este curso?
Dirigido a personas con conocimientos intermedios que quieran avanzar en aprendizaje automático y adquirir experiencia práctica con IA generativa, LLM y procesamiento de lenguaje natural.
Nivel intermedio; interés en aprendizaje automático e IACertificado con validez SEP: lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $4,990 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
16 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
38 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Un certificado oficial de la SEP
- Certificado SEP incluido (sin costo). Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por IBM.
- Folio y QR verificables para compartirlo con quien te contrate.
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 16 unidades · 264 lecciones · 60 h
- 12 meses de acceso
- 38 cuestionarios de evaluación
- Certificado SEP incluido (sin costo), emitido por la SEP (Gob. del Estado de México) con folio verificable
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $4,990 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por IBM; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
¿El curso tiene validez SEP?
Sí, incluido sin costo. Al completar el curso recibes un certificado emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
¿El curso tiene tutor o clases en vivo?
No. Es un curso autodidacta: estudias por tu cuenta, a tu ritmo, sin tutor ni sesiones en vivo.
¿Cómo se evalúa?
Te evalúas con actividades automáticas, sin entregas a un tutor.





