Impulsa tu carrera en ML con GenAI y LLMs. Domina lo esencial de ingeniería de GenAI y modelos de lenguaje en ~3 meses.
Certificado del Programa
Los usuarios que se suscriban a este curso, tienen la oportunidad de obtener un Certificado de estudios con validez SEP , verificable, imprimible y descargable (PDF) .
Para Obtener tu certificado SEP deberás presentar tu certificado de finalización de coursera. Tu membresía tiene incluida la emisión de 1 Certificado para el curso que elijas.
Si quieres cursar otro programa con certificado este tiene un costo de emisión de MXN $1,950
-
-
- Productos IBM destacados: watsonx.governance 00:02:00
- Panorama de la ingeniería de IA con LLM 00:05:57
- Introducción al curso 00:03:11
- Resumen del curso 00:10:00
- Consejos útiles para completar el curso 00:02:00
- Importancia de la IA generativa 00:05:37
- Arquitecturas y modelos de IA generativa 00:06:08
- IA generativa para NLP 00:07:12
- Lectura: Fundamentos de las alucinaciones de la IA 00:10:00
- Lectura: Panorama de bibliotecas y herramientas 00:20:00
- Laboratorio: Exploración de bibliotecas de IA generativa 01:00:00
- Resumen y aspectos destacados 00:03:00
- Cuestionario práctico: Visión general y arquitectura de la IA generativa 00:20:00
- Cuestionario graduado: Arquitectura de IA generativa 00:20:00
- Tokenización 00:06:58
- Laboratorio: Implementación de la tokenización 01:00:00
- Visión general de los cargadores de datos 00:06:44
- Calidad y diversidad de datos para un LLM eficaz 00:05:00
- Laboratorio: Creación de un cargador de datos NLP 01:00:00
- Resumen y aspectos destacados 00:02:00
- Cuestionario práctico: Preparación de datos 00:20:00
- Cuestionario graduado: Preparación de datos para LLM 00:20:00
- Hoja de trucos: IA generativa y LLM: Arquitectura y preparación de datos 00:05:00
- Glosario del curso: IA generativa y LLM: Arquitectura y preparación de datos 00:04:00
- Próximos pasos: Explore IBM watsonx.governance 00:01:00
- Conclusión del curso 00:03:00
- Felicitaciones y próximos pasos 00:02:00
- Equipo y agradecimientos 00:01:00
- Introducción al curso 00:02:40
- Resumen del curso 00:10:00
- Panorama de las Specializations 00:02:00
- Consejos útiles para completar el curso 00:02:00
- Convertir palabras en características 00:06:23
- Predicción de categorización de documentos con Torchtext 00:06:30
- Formación en categorización de documentos con Torchtext 00:08:11
- Entrenamiento del modelo en PyTorch 00:02:38
- Laboratorio: Clasificación de documentos 01:00:00
- Resumen y aspectos destacados 00:02:00
- Cuestionario práctico: Comprensión del lenguaje con redes neuronales 00:20:00
- Modelado lingüístico con N-Grams 00:08:00
- N-Gramas como Redes neuronales con PyTorch 00:04:49
- Laboratorio: Construcción de un Modelo de lenguaje mediante el análisis de histogramas de N-gramas 01:00:00
- Laboratorio: Construcción y entrenamiento de una red neuronal para el modelado del lenguaje 01:00:00
- Resumen y aspectos destacados 00:02:00
- Cuestionario práctico: Modelo de N-Gramas 00:20:00
- Cuestionario graduado: Fundamentos de la comprensión lingüística 00:20:00
- Lectura: Introducción a los conceptos avanzados de los modelos transformadores 00:07:00
- Modelo de lenguaje con los descodificadores y los modelos tipo GPT 00:06:55
- Entrenamiento de modelos decodificadores 00:07:05
- Modelos de descodificación – Implementación de PyTorch – LM causal 00:05:54
- Modelos decodificadores: Implementación de PyTorch mediante entrenamiento e inferencia 00:05:03
- Laboratorio práctico: Decodificador GPT-like Models 00:45:00
- Resumen y aspectos destacados 00:01:00
- Cuestionario práctico: Modelos de descodificador 00:20:00
- Modelos de codificador con BERT: preentrenamiento mediante MLM 00:05:54
- Modelos de codificador con BERT: preentrenamiento con NSP 00:06:11
- Preparación de datos para BERT con PyTorch 00:08:47
- Preentrenamiento de modelos BERT con PyTorch 00:08:20
- Laboratorio práctico: Preentrenamiento de modelos BERT 01:00:00
- Laboratorio práctico: Preparación de datos para BERT 00:45:00
- Resumen y aspectos destacados 00:01:00
- Cuestionario práctico: Modelos de codificador 00:20:00
- Arquitectura de transformadores para la traducción de idiomas 00:05:11
- Arquitectura de transformadores para traducción: Implementación de PyTorch 00:07:54
- Laboratorio: Transformadores para la traducción 00:30:00
- Resumen y aspectos destacados 00:01:00
- Cuestionario de Práctica: Aplicación de los Transformadores para la Traducción 00:20:00
- Cuestionario Graduado: Conceptos avanzados de arquitectura de transformadores 00:20:00
- Hoja de trucos: Modelo de lenguaje con transformadores 00:15:00
- Glosario del curso: Modelo de lenguaje con transformadores 00:03:00
- Conclusión del curso 00:02:00
- Gracias de parte del equipo del curso 00:02:00
- Felicitaciones y próximos pasos 00:02:00
- Introducción al curso 00:03:11
- Resumen del curso 00:03:00
- Panorama de las Specializations 00:07:00
- Consejos útiles para completar el curso 00:05:00
- Cara de abrazo vs. PyTorch 00:06:16
- Laboratorio: Modelos de carga e inferencia con Hugging Face 00:20:00
- Transformadores preformados y ajuste fino 00:07:15
- [Opcional] LLM de preentrenamiento con cara de abrazo 01:00:00
- Ajuste fino con PyTorch 00:07:06
- Afinar con la cara abrazada 00:05:22
- Laboratorio: Pre-entrenamiento y puesta a punto con PyTorch 01:00:00
- Laboratorio: Perfeccionamiento de transformadores con PyTorch y Hugging Face 00:30:00
- Lectura: Resumen y aspectos destacados 00:10:00
- Cuestionario práctico: Aprendizaje por transferencia en PNL 00:20:00
- Cuestionario graduado: Transformadores y puesta a punto 00:20:00
- Grandes modelos lingüísticos (LLM) como distribuciones 00:07:15
- De las distribuciones a las políticas 00:03:53
- Aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF) 00:07:32
- Optimización de la Política Proximal (PPO) 00:05:05
- PPO con cara de abrazo 00:03:45
- Formador PPO 00:05:43
- Truco de la derivada logarítmica 00:15:00
- Laboratorio: Aprendizaje por refuerzo a partir del feedback humano utilizando PPO 00:30:00
- Resumen y aspectos destacados 00:04:00
- Cuestionario práctico: Optimización de la Política Proximal (PPO) 00:20:00
- RPD: Función de partición 00:05:41
- OPD: Solución óptima 00:07:59
- De la política óptima a la RPD 00:06:28
- DPO con cara de abrazo 00:05:10
- Laboratorio: Optimización Directa de Preferencias (OPD) mediante Cara de Abrazo 00:45:00
- Perfeccione los LLM localmente con InstructLab 00:15:00
- Resumen y aspectos destacados 00:03:00
- Cuestionario práctico: Optimización de Preferencia Directa (OPD) 00:20:00
- Ajuste fino de los LLM causales con retroalimentación humana y preferencia directa 00:20:00
- Hoja de trucos: Perfeccionamiento avanzado de IA generativa para LLMs 00:15:00
- Glosario: Perfeccionamiento de la IA generativa para los LLM 00:15:00
- Conclusión del curso 00:06:00
- Felicitaciones y próximos pasos 00:03:00
- Gracias de parte del equipo del curso 00:02:00
- Panorama de las Specializations 00:07:00
- Introducción al curso 00:03:04
- Resumen del curso 00:10:00
- ¿Qué son los agentes de IA? 00:12:17
- Comparación de diseños de sistemas de IA 00:05:00
- Exploración de los fundamentos de los agentes de IA 00:15:00
- Cuándo utilizar agentes de IA (y cuándo no) 00:05:00
- Práctica: Introducción a los agentes de IA 00:20:00
- Llamamiento de herramientas para LLM 00:04:50
- Por qué la IA necesita herramientas: De la suposición a la acción en el mundo real 00:04:59
- Métodos de creación de agentes de IA 00:07:00
- Laboratorio: Creación de agentes de IA desde cero con Python 00:30:00
- Ventajas y desventajas de los marcos de agentes de IA frente a la creación desde cero 00:05:00
- Cuestionario práctico: Introducción a la llamada a herramientas 00:20:00
- Resumen del módulo: Fundamentos de los agentes de IA 00:10:00
- Hoja de trucos: Agentes de IA El tiempo y el plato del día 00:10:00
- Cuestionario graduado: Fundamentos de los agentes de IA 00:20:00
- Introducción a LangChain 00:04:09
- Introducción a la ingeniería de avisos y al aprendizaje en contexto 00:05:43
- Métodos Avanzados de Ingeniería Prompt 00:05:44
- Laboratorio: Ingeniería en contexto y plantillas de instrucciones 00:30:00
- Cadena Lingüística: Conceptos básicos 00:06:58
- Documentos LangChain para crear aplicaciones RAG 00:04:29
- Cadenas LangChain y agentes para aplicaciones de construcción 00:06:37
- Laboratorio LangChain 00:40:00
- Resumir documentos privados con RAG, LangChain y LLM 00:45:00
- Cuestionario práctico: Prompt Ingeniería y LangChain 00:20:00
- Resumen y aspectos destacados 00:03:00
- Cuestionario graduado: Ingeniería de indicaciones y LangChain 00:20:00
- Hoja de trucos: Fundamentos de la creación de agentes de IA con RAG y LangChain 00:20:00
- Glosario: Fundamentos de la creación de agentes de IA con RAG y LangChain 00:05:00
- Conclusión del curso 00:02:00
- Felicitaciones y próximos pasos 00:02:00
- Gracias de parte del equipo del curso 00:02:00
- Introducción al curso 00:03:39
- Resumen del curso 00:05:00
- Especialización 00:05:00
- Consejos útiles para completar el curso 00:01:00
- Cargue su documento desde distintas fuentes 00:06:44
- Laboratorio: Carga de documentos mediante LangChain para distintas fuentes 01:00:00
- Buenas prácticas para cargar documentos en aplicaciones LangChain 00:03:00
- Laboratorio: Poner todo el documento en Prompt y preguntar al modelo 00:20:00
- Cuestionario práctico: Diferentes cargadores de documentos de LangChain 00:20:00
- Estrategias de división del texto para un tratamiento óptimo 00:06:22
- Laboratorio: Aplicar técnicas de división de texto para mejorar la capacidad de respuesta del modelo 00:30:00
- Prueba práctica: Dividir texto 00:20:00
- Lectura: Resumen y aspectos destacados 00:01:00
- Primeros pasos con Gradio 00:03:48
- Laboratorio: Configuración de una interfaz Gradio sencilla para interactuar con tus modelos 00:30:00
- Práctica: Introducción a Gradio 00:20:00
- Lectura: Visión general del proyecto 00:02:00
- Lectura: Construir un robot de control de calidad que aproveche LangChain y LLM para responder preguntas de un documento cargado 00:15:00
- Laboratorio: Construir un robot de control de calidad que aproveche LangChain y LLM para responder preguntas a partir de un documento cargado 00:30:00
- Prueba práctica: Construir una aplicación web QA Bot 00:20:00
- Resumen del módulo: Crear un robot de control de calidad para leer su documento 00:01:00
- Lectura: Directrices y resultados de la presentación final 00:02:00
- Opción 1: AI Graded – Proyecto final: Presentación y evaluación 00:30:00
- Opción 2: Calificación por pares – Presentación y evaluación del proyecto final 00:30:00
- Hoja de trucos: Proyecto: Aplicaciones de IA generativa con RAG y LangChain 00:15:00
- Glosario del curso: Proyecto: Aplicaciones de IA generativa con RAG y LangChain 00:15:00
- Cuestionario del curso: Proyecto: Aplicaciones de IA generativa con RAG y LangChain 00:20:00
- Conclusión del curso 00:03:00
- Felicitaciones y próximos pasos 00:02:00
- Gracias de parte del equipo del curso 00:02:00
Comparte esta certificación.
Información del Curso
240 Horas Curriculares
24 Créditos Académicos
Accede por tu Smartphone
Certificado oficial SEP
Aprendizaje especializado
Contenido de la Certificación
Impulsa tu carrera en ML con GenAI y LLMs. Domina lo esencial de ingeniería de GenAI y modelos de lenguaje en ~3 meses.
• El mercado de GenAI crecerá significativamente; este programa entrega habilidades esenciales en GenAI, LLMs y NLP.
• Construirás apps con frameworks y modelos base (BERT, GPT, LLaMA) usando Hugging Face, PyTorch, RAG y LangChain; explorarás tokenización, embeddings, transformers y prompt engineering.
• Ganarás experiencia práctica con laboratorios y un proyecto final (QA bot con RAG y watsonx), ideal para entrevistas.
Viñetas bajo el resumen:
• Crear un data loader NLP.
• Entrenar un language model y aplicar transformers (clasificación y traducción).
• Ingeniería de prompts e in‑context learning; fine‑tuning (PEFT, LoRA/QLoRA).
• Construir agentes/aplicaciones con RAG y LangChain; despliegue con PyTorch/HF.
CURSO 1: Generative AI and LLMs: Architecture and Data Preparation
– Diferenciar arquitecturas (RNN, transformers, VAE, GAN, difusión) y aplicaciones de LLMs.
– Tokenización y data loaders en PyTorch (NLTK, spaCy, tokenizers BERT/XLNet).
CURSO 2: Gen AI Foundational Models for NLP & Language Understanding
– Embeddings (CBOW/Skip‑gram), n‑grams y modelos de lenguaje con redes neuronales.
CURSO 3: Generative AI Language Modeling with Transformers
– Atención, encoding posicional, enmascaramiento; GPT vs BERT; tareas NLP en PyTorch/HF.
CURSO 4: Generative AI Engineering and Fine‑Tuning Transformers
– Fine‑tuning eficiente (PEFT: LoRA/QLoRA), inferencia y entrenamiento con HF/PyTorch.
CURSO 5: Generative AI Advance Fine‑Tuning for LLMs
– Instrucción y reward modeling, RLHF, DPO y PPO con Hugging Face.
CURSO 6: Fundamentals of AI Agents Using RAG and LangChain
– Conceptos de LangChain; RAG; in‑context learning y prompt engineering avanzado.
CURSO 7: Project: Generative AI Applications with RAG and LangChain
– Proyecto de portafolio: base vectorial, recuperador, interfaz (Gradio) y QA bot.
