LLM Optimización y evaluación
Optimizar e implantar sistemas LLM listos para la producción
Certificado con validez SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 240 h
100% autodidacta
26 unidades
Nivel intermedio
Modalidad
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.
Qué aprenderás
Lo que serás capaz de hacer
Aprenda el ciclo de vida completo de la optimización y evaluación de LLM a través de la experiencia práctica con técnicas listas para la producción. Esta completa Especialización le dota de las habilidades esenciales para evaluar, optimizar y desplegar grandes modelos lingüísticos de forma eficaz. Aprenderá a diseñar características para modelos ML, a implementar pruebas estadísticas rigurosas para el rendimiento LLM, a diagnosticar y solucionar alucinaciones mediante el análisis de registros, a optimizar tanto los costes computacionales como el rendimiento de la base de datos, y a construir sólidos marcos de pruebas de seguridad. El programa progresa desde los conceptos fundamentales de ML hasta las prácticas avanzadas de MLOps, cubriendo el seguimiento de experimentos con herramientas como DVC y W&B, flujos de trabajo automatizados en la nube, gestión de canalización de datos con Apache Airflow y flujos de trabajo de desarrollo de productos, incluida la documentación de requisitos y las pruebas de aceptación del usuario. A través de proyectos prácticos, analizará los informes de gastos de LLM para reducir los costes operativos, implementará el mapeo del flujo de valor para agilizar las canalizaciones de ML, creará conjuntos de pruebas completos con pruebas de mutación y desarrollará libros de ejecución operativos para sistemas de producción. Tanto si optimiza las consultas SQL para la búsqueda vectorial, como si realiza pruebas A/B para mejorar los modelos o crea sistemas de supervisión automatizados, esta Especialización proporciona la profundidad técnica y la experiencia práctica necesarias para sobresalir en las funciones de ingeniería de LLM.
- Evaluar y optimizar el rendimiento de los modelos de lenguaje a gran escala (LLM) mediante pruebas estadísticas, herramientas de MLOps y sistemas de supervisión en producción.
- Crea flujos de trabajo automatizados para la ingeniería de características, el seguimiento de experimentos y el procesamiento de datos con herramientas estándar del sector.
- Detectar errores en los modelos de lenguaje a gran escala (LLM), implementar marcos de seguridad y reducir los costes operativos mediante un análisis sistemático.
Habilidades que desarrollarás
Apache Airflow
MLOps (operaciones de aprendizaje automático)
Ajuste fino
Pruebas de aceptación del usuario (UAT)
Patrones de prompts
Aplicaciones con LLM
Seguridad en IA
Extracción, transformación y carga
Creación de scripts
Comunicación técnica
SQL
Optimización de modelos
Canalizaciones de datos
Presentación de datos
Modelos de lenguaje extensos
Programación en Python
Optimización del rendimiento
Análisis de causa raíz
Análisis estadístico
Control de versiones
Temario
UNIDAD 1 - Crear procesos de ingeniería de características · 5 leccionesDiseñar funciones y evaluar modelos para la producción - UNIDAD 1 - Crear procesos de ingeniería de características
UNIDAD 1 - Crear procesos de ingeniería de características · 5 lecciones
Diseñar funciones y evaluar modelos para la producción - UNIDAD 1 - Crear procesos de ingeniería de características
- Bienvenido Permítanos fijar sus objetivos de ML de producción
- El qué y el cómo de las canalizaciones de Scikit-learn
- Cómo Construir una ColumnaTransformadora: Paso a paso
- Construir un proceso de predicción de bajas
- Preguntas abiertas calificadas de AI
UNIDAD 2 - Evaluar los experimentos y recomendar un modelo · 5 leccionesDiseñar funciones y evaluar modelos para la producción - UNIDAD 2 - Evaluar los experimentos y recomendar un modelo
UNIDAD 2 - Evaluar los experimentos y recomendar un modelo · 5 lecciones
Diseñar funciones y evaluar modelos para la producción - UNIDAD 2 - Evaluar los experimentos y recomendar un modelo
- Por qué una puntuación alta puede ser una mentira
- De la evaluación a la recomendación
- Cómo diagnosticar el sobreajuste con TensorBoard
- Aplique su criterio: Defienda su elección de modelo
- Envíe su informe de ingeniería y evaluación de características
UNIDAD 3 - Fundamentos de PyTorch Lightning · 5 leccionesOptimizar el aprendizaje profundo: Ajuste de modelos PyTorch - UNIDAD 3 - Fundamentos de PyTorch Lightning
UNIDAD 3 - Fundamentos de PyTorch Lightning · 5 lecciones
Optimizar el aprendizaje profundo: Ajuste de modelos PyTorch - UNIDAD 3 - Fundamentos de PyTorch Lightning
- De la caldera a la brillantez: ¿Por qué PyTorch Lightning?
- Los componentes CORE: LightningModule y Trainer
- Creación del primer módulo LightningModule
- Aprendizaje práctico (HOL): Pasos de refactorización para un LightningModule de BERT
- Prueba de conocimientos: Lightning Components
UNIDAD 4 - Implementar controles de formación personalizados · 5 leccionesOptimizar el aprendizaje profundo: Ajuste de modelos PyTorch - UNIDAD 4 - Implementar controles de formación personalizados
UNIDAD 4 - Implementar controles de formación personalizados · 5 lecciones
Optimizar el aprendizaje profundo: Ajuste de modelos PyTorch - UNIDAD 4 - Implementar controles de formación personalizados
- No vuelvas a perderte tu mejor modelo
- ¿Qué son las funciones de llamada de retorno? Parada anticipada y puntos de control del modelo
- Implementación de funciones de devolución de llamada en el entrenador
- Práctica: Implementación de la detención anticipada y los puntos de control en la nube
- Prueba de conocimientos: Configuración de la devolución de llamada
UNIDAD 5 - Diagnosticar y resolver problemas relacionados con la formación · 7 leccionesOptimizar el aprendizaje profundo: Ajuste de modelos PyTorch - UNIDAD 5 - Diagnosticar y resolver problemas relacionados con la formación
UNIDAD 5 - Diagnosticar y resolver problemas relacionados con la formación · 7 lecciones
Optimizar el aprendizaje profundo: Ajuste de modelos PyTorch - UNIDAD 5 - Diagnosticar y resolver problemas relacionados con la formación
- Cuando el entrenamiento sale mal: el gradiente explosivo
- Qué hay que tener en cuenta: diagnóstico de la inestabilidad mediante gradientes
- Supervisión de gradientes con una función de devolución de llamada personalizada
- Práctica: Crear y utilizar una función de devolución de llamada para la supervisión de gradientes
- AI Coach: Depuración de un modelo inestable
- Prueba de conocimientos: Escenarios de diagnóstico
- Proyecto final: Puesta a punto, diagnóstico e implantación
UNIDAD 6 - Crear sistemas automatizados de evaluación de modelos de lenguaje a gran escala (LLM) · 6 leccionesEvaluar y optimizar el rendimiento del LLM - UNIDAD 6 - Crear sistemas automatizados de evaluación de modelos de lenguaje a gran escala (LLM)
UNIDAD 6 - Crear sistemas automatizados de evaluación de modelos de lenguaje a gran escala (LLM) · 6 lecciones
Evaluar y optimizar el rendimiento del LLM - UNIDAD 6 - Crear sistemas automatizados de evaluación de modelos de lenguaje a gran escala (LLM)
- Bienvenida: ¿Por qué se estropean los "buenos" contenidos de IA?
- Guía para la evaluación de modelos de lenguaje grande (LLM): métricas léxicas y semánticas
- Cómo calcular métricas léxicas: BLEU y ROUGE-L en Python?
- ¿Cómo calcular la similitud semántica con incrustaciones?
- Prueba de conocimientos: cómo elegir tus indicadores
- Creación de su primer script de evaluación automatizada
UNIDAD 7 - Pruebas de significación estadística · 7 leccionesEvaluar y optimizar el rendimiento del LLM - UNIDAD 7 - Pruebas de significación estadística
UNIDAD 7 - Pruebas de significación estadística · 7 lecciones
Evaluar y optimizar el rendimiento del LLM - UNIDAD 7 - Pruebas de significación estadística
- ¿Por qué adivinar cuando se puede saber? El caso de la pregunta "mejor
- El lenguaje de la experimentación: hipótesis, valores p y potencia estadística
- Cómo diseñar una competición justa: pruebas A/B para los modelos de lenguaje a gran escala (LLM)
- Haciendo números: Análisis de pruebas A/B en Python
- Pruebas de significación estadística
- Comprobación de conocimientos: Conceptos de pruebas estadísticas
- Diálogo con el Coach: Interpretación de los resultados de las pruebas A/B
UNIDAD 8 - Análisis y optimización del rendimiento · 6 leccionesEvaluar y optimizar el rendimiento del LLM - UNIDAD 8 - Análisis y optimización del rendimiento
UNIDAD 8 - Análisis y optimización del rendimiento · 6 lecciones
Evaluar y optimizar el rendimiento del LLM - UNIDAD 8 - Análisis y optimización del rendimiento
- Del informe a la acción: El bucle de optimización
- Caso práctico: Evaluación comparativa de un analizador de opiniones
- Creación de un flujo de trabajo de evaluación reproducible
- Cómo redactar tu primer informe de evaluación
- Planificación de tu estrategia de optimización
- Proyecto final: Construye tu kit de herramientas de evaluación LLM
UNIDAD 9 - Análisis de los registros de producción: de la retención a la causa raíz · 16 leccionesAnalizar registros: Arreglar las alucinaciones de LLM - UNIDAD 9 - Análisis de los registros de producción: de la retención a la causa raíz
UNIDAD 9 - Análisis de los registros de producción: de la retención a la causa raíz · 16 lecciones
Analizar registros: Arreglar las alucinaciones de LLM - UNIDAD 9 - Análisis de los registros de producción: de la retención a la causa raíz
- El chatbot rebelde
- ¿Por qué son importantes los registros? El caso de Air Canada.
- Anatomía de un archivo de registro
- Cálculo de la retención en Pandas
- Práctica 1: Segmentación de usuarios y detección de la caída
- Reportar el problema
- Prueba de conocimientos: Indicadores de retención
- ¿Por qué falla el RAG? ¿Es esa la causa de las alucinaciones?
- Correlación entre los errores y la recuperación de datos en Pandas
- Práctica 2: Determinación de la causa raíz
- Exponer su conclusión
- Resumen técnico: del análisis a la acción
- Visualización de la demostración en Matplotlib
- Creación del informe de ingeniería
- Evaluación de conocimientos: cómo comunicar los resultados
- Proyecto Final: Informe de diagnóstico del LLM
UNIDAD 10 - Validación estadística y comunicación del rendimiento de los modelos de lenguaje a gran escala (LLM) · 16 leccionesEvaluar los LLM: Probar y demostrar la significación - UNIDAD 10 - Validación estadística y comunicación del rendimiento de los modelos de lenguaje a gran escala (LLM)
UNIDAD 10 - Validación estadística y comunicación del rendimiento de los modelos de lenguaje a gran escala (LLM) · 16 lecciones
Evaluar los LLM: Probar y demostrar la significación - UNIDAD 10 - Validación estadística y comunicación del rendimiento de los modelos de lenguaje a gran escala (LLM)
- Tomar una decisión importante
- Por qué las puntuaciones individuales engañan
- Conceptos fundamentales: confianza y relevancia
- Vídeo tutorial: Cálculo de los intervalos de Wilson en Python
- Práctica 1: Cuantificación de la precisión del modelo
- Interpreta tus resultados
- Cuestionario sobre intervalos de confianza
- Por qué las corazonadas fallan en las pruebas A/B
- Cómo realizar una prueba de chi-cuadrado en Python
- Práctica 2: Validación de una mejora del modelo
- Tomar la decisión
- Contar historias con gráficos estadísticos
- Visualización de la confianza con Matplotlib
- Práctica 3: Crear una tabla comparativa
- Cuestionario sobre la comunicación de resultados
- Proyecto Final: Informe de evaluación del LLM
UNIDAD 11 - Módulo 1: Creación de scripts SQL parametrizados para la materialización diaria de datos · 7 leccionesOptimizar SQL: Construya canalizaciones de datos rápidas - UNIDAD 11 - Módulo 1: Creación de scripts SQL parametrizados para la materialización diaria de datos
UNIDAD 11 - Módulo 1: Creación de scripts SQL parametrizados para la materialización diaria de datos · 7 lecciones
Optimizar SQL: Construya canalizaciones de datos rápidas - UNIDAD 11 - Módulo 1: Creación de scripts SQL parametrizados para la materialización diaria de datos
- Por qué los scripts SQL parametrizados transforman los equipos de análisis de datos
- Componentes CORE de la transformación de datos SQL parametrizada
- Creación de su primer script parametrizado: Sintaxis y estructura
- Paso a Paso: Creación de una cartera de resúmenes de clientes
- Dominio de SQL parametrizado - Su comprobación de confianza de la canalización de datos
- Construya su canal de ingresos de comercio electrónico
- Comprobación de conocimientos de canalización SQL parametrizada
UNIDAD 12 - Módulo 2: Analizar y optimizar de forma sistemática el rendimiento de las consultas · 9 leccionesOptimizar SQL: Construya canalizaciones de datos rápidas - UNIDAD 12 - Módulo 2: Analizar y optimizar de forma sistemática el rendimiento de las consultas
UNIDAD 12 - Módulo 2: Analizar y optimizar de forma sistemática el rendimiento de las consultas · 9 lecciones
Optimizar SQL: Construya canalizaciones de datos rápidas - UNIDAD 12 - Módulo 2: Analizar y optimizar de forma sistemática el rendimiento de las consultas
- Por qué la optimización del rendimiento de las consultas transforma los equipos de datos
- Análisis sistemático del rendimiento: De los planes de ejecución a las estrategias de optimización
- Lectura de planes de ejecución: Cómo identificar sus mayores cuellos de botella
- Diagnóstico y solución de consultas analíticas lentas: Guía práctica
- Dominio de la optimización del rendimiento - Comprobación de la eficacia de las consultas
- Optimización del rendimiento de SQL: optimización de tablas de resumen diario
- Optimice el rendimiento de las consultas de su almacén de datos
- Análisis del rendimiento de las consultas Comprobación de conocimientos
- Evaluación del dominio de la optimización del rendimiento de SQL
UNIDAD 13 - Creación y refuerzo de un conjunto de pruebas de seguridad de la IA · 13 leccionesSalvaguardar los resultados del LLM: Probar y evaluar - UNIDAD 13 - Creación y refuerzo de un conjunto de pruebas de seguridad de la IA
UNIDAD 13 - Creación y refuerzo de un conjunto de pruebas de seguridad de la IA · 13 lecciones
Salvaguardar los resultados del LLM: Probar y evaluar - UNIDAD 13 - Creación y refuerzo de un conjunto de pruebas de seguridad de la IA
- Usted es el Equipo Rojo de la IA
- Cuando los buenos modelos van mal: ¿El caso Gemini?
- ¿Qué es la prueba de seguridad conductual?
- Comprobación de conocimientos: Pruebas de seguridad conductual
- ¿Cómo crear un conjunto de pruebas de comportamiento?
- Presente su candidatura: Cree su primer conjunto de pruebas de seguridad
- ¿Qué solidez tiene tu red de seguridad?
- ¿Por qué no basta con una cobertura del 100%?
- ¿Qué son las pruebas de mutaciones?
- ¿Cómo encontrar y matar a los mutantes supervivientes?
- Aplíquese: Endurezca su conjunto de pruebas con pruebas de mutación
- Comprobación de conocimientos: Interpretación de un informe de mutación
- Evaluación del riesgo para la seguridad: Pruebas de mutación en los LLM financieros
UNIDAD 14 - Control de versiones de datos y gestión de artefactos · 6 leccionesSeguimiento y evaluación de experimentos con modelos ML - UNIDAD 14 - Control de versiones de datos y gestión de artefactos
UNIDAD 14 - Control de versiones de datos y gestión de artefactos · 6 lecciones
Seguimiento y evaluación de experimentos con modelos ML - UNIDAD 14 - Control de versiones de datos y gestión de artefactos
- El problema de "incorporar a un nuevo compañero de equipo
- El problema de "funcionaba en mi máquina
- Presentación de DVC: Git para datos
- Tu primera instantánea DVC: Paso a paso
- Versionar un conjunto de datos con DVC
- Resolución de un conflicto de versiones
UNIDAD 15 - Seguimiento y gestión de experimentos · 5 leccionesSeguimiento y evaluación de experimentos con modelos ML - UNIDAD 15 - Seguimiento y gestión de experimentos
UNIDAD 15 - Seguimiento y gestión de experimentos · 5 lecciones
Seguimiento y evaluación de experimentos con modelos ML - UNIDAD 15 - Seguimiento y gestión de experimentos
- Del caos de las hojas de cálculo a la información organizada
- Anatomía de un experimento de rastreo
- Instrumentación del guión de formación con W&B
- (HOL): Registra tu primer experimento en W&B
- Spot the Bug: Depuración de un script W&B
UNIDAD 16 - Evaluación del modelo y selección · 6 leccionesSeguimiento y evaluación de experimentos con modelos ML - UNIDAD 16 - Evaluación del modelo y selección
UNIDAD 16 - Evaluación del modelo y selección · 6 lecciones
Seguimiento y evaluación de experimentos con modelos ML - UNIDAD 16 - Evaluación del modelo y selección
- Cuando el "mejor" modelo no es el correcto
- Un marco para la selección de modelos defendibles
- Debatir con un colega las ventajas y desventajas de un modelo
- Aprendizaje práctico: Modelo de evaluación para la moderación de contenidos
- Cuestionario con calificación automática: Elección de un modelo defendible
- Herramientas de seguimiento y evaluación de experimentos de ML
UNIDAD 17 - Automatización en la nube y secuencias de comandos parametrizadas · 9 leccionesAutomatice los flujos de trabajo en la nube con secuencias de comandos de Python - UNIDAD 17 - Automatización en la nube y secuencias de comandos parametrizadas
UNIDAD 17 - Automatización en la nube y secuencias de comandos parametrizadas · 9 lecciones
Automatice los flujos de trabajo en la nube con secuencias de comandos de Python - UNIDAD 17 - Automatización en la nube y secuencias de comandos parametrizadas
- El verdadero coste de un flujo de trabajo manual
- Anatomía de un script de flujo de trabajo automatizado
- Cómo hacerlo: Guía de bolsillo de los SDK para la nube
- Scripts de la CLI de Python Express
- Screencast: Análisis sintáctico y uso de argumentos
- Técnicas básicas de refactorización para la resistencia
- El imperativo de una automatización resistente
- Comprobación de conocimientos: Automatizar los flujos de trabajo en la nube
- Proyecto: Automatizar un flujo de trabajo en la nube de varios pasos
UNIDAD 18 - Desarrollo de la red de conductos de ventilación · 6 leccionesAutomatización de canalizaciones de datos: Evolución de esquemas - UNIDAD 18 - Desarrollo de la red de conductos de ventilación
UNIDAD 18 - Desarrollo de la red de conductos de ventilación · 6 lecciones
Automatización de canalizaciones de datos: Evolución de esquemas - UNIDAD 18 - Desarrollo de la red de conductos de ventilación
- ¿Por qué automatizar? Conversación sobre canalizaciones de datos
- Componentes básicos del flujo de aire
- Codificación y programación de su primer DAG
- Cómo: Gestión de conexiones y variables
- Aprendizaje práctico: Automatización de un flujo de trabajo de procesamiento de artículos
- Comprobación de conocimientos: Fundamentos del flujo de aire
UNIDAD 19 - Gestión de la evolución de esquemas · 7 leccionesAutomatización de canalizaciones de datos: Evolución de esquemas - UNIDAD 19 - Gestión de la evolución de esquemas
UNIDAD 19 - Gestión de la evolución de esquemas · 7 lecciones
Automatización de canalizaciones de datos: Evolución de esquemas - UNIDAD 19 - Gestión de la evolución de esquemas
- El asesino silencioso de las tuberías: Deriva de esquemas
- Comprender la deriva de esquemas y el linaje de datos
- Cómo: documentar y comunicar los cambios de esquema
- Redacción y adaptación de pruebas dbt
- Aprendizaje práctico: Manejo de la Evolución de Esquemas con Pruebas dbt
- Análisis del impacto de los cambios en el esquema
- Comprobación de conocimientos: Impacto del esquema
UNIDAD 20 - Supervisión y fiabilidad de las tuberías · 7 leccionesAutomatización de canalizaciones de datos: Evolución de esquemas - UNIDAD 20 - Supervisión y fiabilidad de las tuberías
UNIDAD 20 - Supervisión y fiabilidad de las tuberías · 7 lecciones
Automatización de canalizaciones de datos: Evolución de esquemas - UNIDAD 20 - Supervisión y fiabilidad de las tuberías
- Cuando cae un árbol: El peligro de las averías silenciosas
- Diseñar para la observabilidad
- Alertas de fallo incorporadas
- Creación de un panel de control básico de salud
- Aprendizaje práctico: Mejorando su DAG con Monitoreo y Alertas
- Comprobación de conocimientos: Conceptos de supervisión
- Proyecto final: Construcción de un oleoducto resistente y vigilado
UNIDAD 21 - Requisitos del producto para las funciones de LLM · 7 leccionesDesarrollar y evaluar eficazmente las características del LLM - UNIDAD 21 - Requisitos del producto para las funciones de LLM
UNIDAD 21 - Requisitos del producto para las funciones de LLM · 7 lecciones
Desarrollar y evaluar eficazmente las características del LLM - UNIDAD 21 - Requisitos del producto para las funciones de LLM
- Por qué unos planes claros evitan el caos del chatbot
- Por qué un PRD es tu primera línea de defensa
- Anatomía de un documento de requisitos de producto
- Cómo redactar un documento de requisitos de producto (PRD) para una función de LLM
- Cuestionario sobre los componentes del PRD
- Aprendizaje práctico (HOL): Redactar el documento de requisitos del chatbot de RR. HH.
- Reflexiones sobre el borrador de tu PRD
UNIDAD 22 - Validación de funcionalidades y pruebas de aceptación · 6 leccionesDesarrollar y evaluar eficazmente las características del LLM - UNIDAD 22 - Validación de funcionalidades y pruebas de aceptación
UNIDAD 22 - Validación de funcionalidades y pruebas de aceptación · 6 lecciones
Desarrollar y evaluar eficazmente las características del LLM - UNIDAD 22 - Validación de funcionalidades y pruebas de aceptación
- Por qué las pruebas rigurosas son imprescindibles
- Introducción a las pruebas de aceptación del usuario (UAT)
- Cómo elaborar y poner en práctica un plan de pruebas de aceptación del usuario (UAT)
- Pruebas del chatbot de RR. HH.
- Análisis de los resultados de tus pruebas
- Proyecto Final: Informe de validación del producto
UNIDAD 23 - Elaboración de un manual de operaciones para un modelo de lenguaje grande (LLM) · 5 leccionesDocumentar y evaluar el éxito del LLM Prompting - UNIDAD 23 - Elaboración de un manual de operaciones para un modelo de lenguaje grande (LLM)
UNIDAD 23 - Elaboración de un manual de operaciones para un modelo de lenguaje grande (LLM) · 5 lecciones
Documentar y evaluar el éxito del LLM Prompting - UNIDAD 23 - Elaboración de un manual de operaciones para un modelo de lenguaje grande (LLM)
- Bienvenido Establezcamos sus objetivos
- Anatomía de un manual de operaciones de producción
- Cómo crear un libro de ejecución en Confluence
- Redacte su libro de ruta
- Conceptos básicos del manual de operaciones
UNIDAD 24 - Evaluación de los patrones de ingeniería de prompts · 5 leccionesDocumentar y evaluar el éxito del LLM Prompting - UNIDAD 24 - Evaluación de los patrones de ingeniería de prompts
UNIDAD 24 - Evaluación de los patrones de ingeniería de prompts · 5 lecciones
Documentar y evaluar el éxito del LLM Prompting - UNIDAD 24 - Evaluación de los patrones de ingeniería de prompts
- Más allá de las conjeturas: evaluación de las indicaciones para la producción
- Un marco para la evaluación de las respuestas: calidad, coste y coherencia
- Cómo realizar pruebas A/B con mensajes de solicitud y analizar las ventajas e inconvenientes
- Práctica: Evaluar las indicaciones y resumir los resultados
- Proyecto: El conjunto de herramientas de preparación para la producción de LLMOps
UNIDAD 25 - Análisis y optimización de los costes de los modelos de lenguaje a gran escala (LLM) · 6 leccionesOptimice los costes de LLM y agilice los procesos - UNIDAD 25 - Análisis y optimización de los costes de los modelos de lenguaje a gran escala (LLM)
UNIDAD 25 - Análisis y optimización de los costes de los modelos de lenguaje a gran escala (LLM) · 6 lecciones
Optimice los costes de LLM y agilice los procesos - UNIDAD 25 - Análisis y optimización de los costes de los modelos de lenguaje a gran escala (LLM)
- Introducción al curso: El elevado coste de la innovación
- Los costes del máster en Derecho se disparan sin control
- Análisis detallado del informe sobre gastos en recursos informáticos
- Propuesta de optimización de modelos mediante cuantificación
- Aprendizaje práctico (HOL): Análisis de un informe de gastos informáticos con fines de optimización
- Elabora una propuesta para reducir costes
UNIDAD 26 - Optimización de los procesos de aprendizaje automático mediante el mapeo de la cadena de valor · 6 leccionesOptimice los costes de LLM y agilice los procesos - UNIDAD 26 - Optimización de los procesos de aprendizaje automático mediante el mapeo de la cadena de valor
UNIDAD 26 - Optimización de los procesos de aprendizaje automático mediante el mapeo de la cadena de valor · 6 lecciones
Optimice los costes de LLM y agilice los procesos - UNIDAD 26 - Optimización de los procesos de aprendizaje automático mediante el mapeo de la cadena de valor
- Eliminar las pérdidas ocultas: cómo aumentar la velocidad de tu equipo de aprendizaje automático
- Los principios fundamentales del mapeo de la cadena de valor CORE
- Crear un mapa de la cadena de valor (VSM) del estado actual y del estado futuro
- Aprendizaje práctico (HOL): Diseño de un ejemplo de proceso de lanzamiento de ML
- Defiende tu mapa del estado futuro
- Proyecto: Propuesta de optimización y rediseño
Certificado oficial
Certificado 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
Cómo funciona
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
26 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
49 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Lo que obtienes
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- 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 Coursera.
- Folio y QR verificables para compartirlo con quien te contrate.
Medios que necesitas
Equipo de cómputo
Conexión estable a internet
Pago único
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 26 unidades · 188 lecciones · 240 h
- 12 meses de acceso
- 49 cuestionarios de evaluación
- Certificado SEP incluido (sin costo), emitido por la SEP (Gob. del Estado de México) con folio verificable
Preguntas frecuentes
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 Coursera; 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.
