Modelo de lenguaje grande Operaciones (LLMOps)
Maestro Operaciones Modelo de lenguaje grande
Certificado con validez SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 240 h
100% autodidacta
24 unidades
Nivel principiante
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
Domine el mundo de los Modelos de lenguaje grande a través de esta completa especialización de Coursera y la Universidad de Duke, uno de los mejores programas de Ciencia de los datos e IA. Sumérjase en temas que van desde las técnicas de IA generativa hasta la gestión de LLM de código abierto a través de diversas plataformas como Azure, AWS, Databricks, infraestructura local y más allá. A través de proyectos inmersivos y mejores prácticas, adquiera experiencia práctica en el diseño, despliegue y escalado de potentes modelos lingüísticos adaptados a diversas aplicaciones. Demuestre sus recién adquiridas habilidades de gestión de LLM enfrentándose a retos del mundo real y construyendo su propia cartera como profesional competente de LLMOps que le prepara para puestos como Ingeniero de Aprendizaje automático, Ingeniero de DevOps, Arquitecto de Nube, Especialista en Infraestructura de IA o Consultor de LLMOps.
Habilidades que desarrollarás
Ingeniería de prompts
Databricks
Modelos de lenguaje extensos
Implementación de modelos
Aplicaciones con LLM
IA generativa
Generación aumentada por recuperación
Apache Airflow
Hugging Face
Amazon Bedrock
Bases de datos vectoriales
ChatGPT
Extracción, transformación y carga
OpenAI
MLOps (operaciones de aprendizaje automático)
Optimización del rendimiento
API de OpenAI
Escalabilidad
Sistemas de gestión de bases de datos
Transformación de datos
Temario
UNIDAD 1 - Introducción a la IA Generativa · 36 leccionesIntroducción a la IA Generativa - UNIDAD 1 - Introducción a la IA Generativa
UNIDAD 1 - Introducción a la IA Generativa · 36 lecciones
Introducción a la IA Generativa - UNIDAD 1 - Introducción a la IA Generativa
- Conozca al profesor de su curso: Alfredo Deza
- Conozca al profesor de su curso: Derek Wales
- Conecta con tus profesores
- Sobre este curso
- Estructura del curso y protocolo de debate
- Informar de un problema con el curso
- Términos clave
- Introducción
- ¿Qué es la IA generativa?
- Breve historia y evolución de la IA
- Historia de la Inteligencia artificial
- ¿Cómo funcionan los Modelos de lenguaje grande en las aplicaciones?
- ¿Cómo se crean los Modelos de lenguaje grandes?
- Comprender los Modelos de lenguaje grandes
- Comprobación de conocimientos
- Resumen
- Términos clave
- Introducción
- ¿Qué son los LLM y cómo funcionan?
- Ventajas y riesgos de utilizar LLM
- Mitigar los riesgos de los LLM
- Laboratorio externo: desencadenar la inexactitud de un modelo
- ¿Qué son los modelos de fundación?
- Modelos básicos y la próxima era de la IA
- Comprobación de conocimientos
- Resumen
- Términos clave
- Introducción
- OpenAI y ChatGPT
- Cara de abrazo y modelos de código abierto
- Laboratorio externo: Interacción con modelos alojados
- Utilización de modelos locales
- Soluciones en la nube
- Comprobación de conocimientos
- Cuestionario graduado
- Resumen
UNIDAD 2 - Interacción con los modelos · 27 leccionesIntroducción a la IA Generativa - UNIDAD 2 - Interacción con los modelos
UNIDAD 2 - Interacción con los modelos · 27 lecciones
Introducción a la IA Generativa - UNIDAD 2 - Interacción con los modelos
- Términos clave
- Introducción
- ¿Qué es la Ingeniería de indicaciones?
- Cero, uno y pocos disparos
- Indicaciones básicas con contexto
- Utilizar ejemplos en las instrucciones
- Laboratorio externo: Cero, uno y pocos disparos
- Comprobación de conocimientos
- Resumen
- Términos clave
- Introducción
- Establecer el tono y la personalidad
- Perfeccionamiento del contexto anterior
- Mejores instrucciones gracias a la retroalimentación
- Comprender las limitaciones
- Estrategias para obtener mejores resultados con Ingeniería de indicaciones
- Comprobación de conocimientos
- Resumen
- Términos clave
- Introducción
- Limitaciones del contexto
- Desglose en tareas más pequeñas
- Utilizar la cadena de pensamiento
- Otras técnicas útiles
- Comprobación de conocimientos
- Cuestionario graduado
- Resumen
UNIDAD 3 - Creación de sistemas robustos de IA generativa · 28 leccionesIntroducción a la IA Generativa - UNIDAD 3 - Creación de sistemas robustos de IA generativa
UNIDAD 3 - Creación de sistemas robustos de IA generativa · 28 lecciones
Introducción a la IA Generativa - UNIDAD 3 - Creación de sistemas robustos de IA generativa
- Términos clave
- Introducción
- Tipos comunes de aplicaciones de IA generativa
- Visión general de una aplicación basada en API
- Visión general de una aplicación de modelos integrados
- ¿Qué es una aplicación multimodelo?
- Comprobación de conocimientos
- Resumen
- Términos clave
- Introducción
- ¿Qué es el GAR?
- Visión general de una solicitud RAG
- Gestión de datos para el GAR
- Gestión de datos para el GAR
- Verificación de incrustaciones y búsqueda
- Utilización del GAR con un LLM
- Comprobación de conocimientos
- Resumen
- Laboratorio externo: Crea un GAR con LLM utilizando tus propios datos
- Términos clave
- Introducción
- Visión general de la aplicación
- Resumen de la implantación
- Configuración de los componentes de la nube
- Uso de la nube Azure para la implantación
- Laboratorio externo: Crear una API HTTP RAG
- Resumen
- Cuestionario graduado
UNIDAD 4 - Aplicaciones de los LLM · 33 leccionesIntroducción a la IA Generativa - UNIDAD 4 - Aplicaciones de los LLM
UNIDAD 4 - Aplicaciones de los LLM · 33 lecciones
Introducción a la IA Generativa - UNIDAD 4 - Aplicaciones de los LLM
- Conozca a su instructor: Derek Wales
- Visión general de DALL-E
- Referencias clave
- Cómo funciona DALL-E 2
- Requisitos previos y primeros pasos
- Demo: Configuración del entorno
- Demostración: La API de OpenAI genera una lista de la compra
- Demostración: DALL-E para generar una imagen
- Prácticas en OpenAI/DALL-E
- Resumen de OpenAI/DALL-E
- Preguntas de repaso
- Puesta a punto de OpenAI e introducción al proyecto
- Recursos de ajuste
- Proyecto Fine Tuning: Primera parte: preparación de datos y entorno
- Proyecto de ajuste fino: Segunda parte - Inicio del ajuste fino
- Proyecto de Ajuste Fino: Tercera parte - Evaluación del modelo
- Laboratorio externo: Ajuste fino con GPU
- Resumen del ajuste fino
- Preguntas de repaso
- Visión general del proyecto OpenAI Whisper Model
- Documentación clave
- Tutorial de Video Summarizer
- Resumen de la API del modelo Whisper
- Preguntas de repaso
- Entorno empresarial de la IA
- Principios éticos de la IA
- Prácticas recomendadas de seguridad de OpenAI
- Modelos locales de Aprendizaje automático/Próximo avance del curso
- Cuestionario del módulo
- Resumen del módulo
- Próximos pasos
- Resumen del curso
- Comparta su experiencia de aprendizaje
UNIDAD 5 - Introducción a LLMOps con Azure · 31 leccionesPuesta en funcionamiento de los LLM en Azure - UNIDAD 5 - Introducción a LLMOps con Azure
UNIDAD 5 - Introducción a LLMOps con Azure · 31 lecciones
Puesta en funcionamiento de los LLM en Azure - UNIDAD 5 - Introducción a LLMOps con Azure
- Conozca a su instructor Alfredo Deza
- Conecte con su instructor
- Sobre este curso
- Estructura del curso y etiqueta de debate
- Informar de un problema con el curso
- Introducción
- Introducción al Portal Azure
- Laboratorio externo: Crear una cuenta Azure
- Uso de Microsoft Learn
- Identificación de las soluciones de IA de Azure
- Introducción a Azure Machine Learning
- Introducción al servicio abierto de IA de Azure
- Resumen
- ¿Qué es el servicio Azure OpenAI?
- ¿Qué es el Aprendizaje automático de Azure?
- Introducción
- ¿Qué son los LLM y cómo funcionan?
- Ventajas y riesgos de utilizar LLM
- Mitigar los riesgos de los LLM
- Introducción a los LLMOps
- Resumen
- Una introducción a los LLMOps
- Introducción
- Descubra y evalúe los LLM en Azure
- Opciones de implementación de la inferencia
- ¿Qué es la Característica de Seguridad de Contenidos de Azure IA?
- Diferencias entre Azure Aprendizaje automático y Azure Open IA Service
- Laboratorio Externo: Explore Azure Aprendizaje automático Studio
- Resumen
- ¿Qué es la seguridad de contenidos de Azure?
- Introducción a LLMOps con Azure
UNIDAD 6 - LLMs con Azure · 23 leccionesPuesta en funcionamiento de los LLM en Azure - UNIDAD 6 - LLMs con Azure
UNIDAD 6 - LLMs con Azure · 23 lecciones
Puesta en funcionamiento de los LLM en Azure - UNIDAD 6 - LLMs con Azure
- Introducción
- Cuotas y disponibilidad de GPU
- Creación de un recurso informático
- Azure ML: Crear recursos
- Implementación del Modelo
- Uso de la API de inferencia
- Resumen
- Laboratorio externo: Crear un recurso informático
- Introducción
- Obtener acceso al servicio Azure OpenAI
- Creación de un recurso Azure OpenAI Service
- Implementación de un Modelo OpenAI
- Uso del patio de recreo
- Resumen
- Laboratorio externo: Utilice el patio de recreo del servicio Azure OpenAI
- Introducción
- Uso de claves y puntos finales
- Creación de un ejemplo sencillo en Python
- Revisión del uso y las cuotas
- Limpieza de recursos
- Resumen
- LLMs con Azure
- Laboratorio externo: Uso de las API de Azure OpenAI
UNIDAD 7 - Ampliación con funciones y plugins · 23 leccionesPuesta en funcionamiento de los LLM en Azure - UNIDAD 7 - Ampliación con funciones y plugins
UNIDAD 7 - Ampliación con funciones y plugins · 23 lecciones
Puesta en funcionamiento de los LLM en Azure - UNIDAD 7 - Ampliación con funciones y plugins
- Introducción
- ¿Qué es el Kernel Semántico?
- Uso del Kernel Semántico con Azure
- Utilizar una indicación del sistema
- Indicaciones avanzadas del sistema
- Resumen
- Laboratorio externo: Uso de Semantic Kernel con Azure
- Introducción
- Resumen de funciones
- Definición de funciones
- Utilización de la función con el LLM
- Trabajar con errores
- Resumen
- Laboratorio externo: Uso de funciones
- Introducción
- Creación de una función de cola
- Consumir argumentos de función
- Utilizar una función nativa
- Visión general de un microservicio para funciones
- Uso de una API de microservicios externa
- Resumen
- Funciones y plugins
- Laboratorio externo: Utilizar funciones nativas
UNIDAD 8 - Creación de una aplicación LLM de extremo a extremo en Azure · 29 leccionesPuesta en funcionamiento de los LLM en Azure - UNIDAD 8 - Creación de una aplicación LLM de extremo a extremo en Azure
UNIDAD 8 - Creación de una aplicación LLM de extremo a extremo en Azure · 29 lecciones
Puesta en funcionamiento de los LLM en Azure - UNIDAD 8 - Creación de una aplicación LLM de extremo a extremo en Azure
- Introducción
- Panorama arquitectónico
- Qué es el GAR
- Visión general de Azure IA Search
- Automatización e Implementación con GitHub
- Resumen
- Laboratorio externo: Crear un recurso de búsqueda de IA en Azure
- Inteligencia documental Azure IA y Azure OpenIA
- Introducción
- Crear los recursos Azure
- Introducción a RAG
- Crear las integraciones
- Crear y cargar el índice
- Verificación de las integraciones
- Uso de RAG con Azure OpenAI
- Resumen
- Laboratorio externo: Crear integraciones en un índice
- Introducción
- Visión general de la aplicación
- Configuración de los componentes de Azure
- Panorama arquitectónico
- Uso de las acciones de GitHub con Azure
- Verificación y resolución de problemas de implementación
- Resumen
- Aplicaciones en contenedores Azure
- Laboratorio externo: Implementación de una aplicación de extremo a extremo
- Aplicaciones LLM de extremo a extremo
- Próximos pasos
- Comparta su experiencia de aprendizaje
UNIDAD 9 - Colas y bases de datos-RabbitMQ y MySQL · 42 leccionesIngeniería de datos avanzada - UNIDAD 9 - Colas y bases de datos-RabbitMQ y MySQL
UNIDAD 9 - Colas y bases de datos-RabbitMQ y MySQL · 42 lecciones
Ingeniería de datos avanzada - UNIDAD 9 - Colas y bases de datos-RabbitMQ y MySQL
- Conozca a su instructor Alfredo Deza
- Conecte con su instructor
- Conozca a su instructor Noah Gift
- Sobre este curso
- Estructura del curso y etiqueta de debate
- Informar de un problema con el curso
- Términos clave
- Introducción
- Visión general de las colas
- ¿Qué es el apio?
- Introducción al apio
- Casos de uso de RabbitMQ
- Uso de RabbitMQ con Docker
- Visión general de una aplicación Flask y Celery
- Resumen
- Laboratorio externo: Iniciar RabbitMQ en un entorno de desarrollo
- Introducción a RabbitMQ y Flask
- Términos clave
- Introducción
- Configuración de Celery con Flask
- Crear una aplicación web con Python y Flask
- Tareas en segundo plano con Celery
- Conexión de Celery con RabbitMQ
- Definición de una tarea Celery en Flask
- Despedir y olvidar la tarea en Flask
- Recuperar valores de tareas asíncronas
- Resumen
- Laboratorio externo: Añadir una nueva tarea Celery para RabbitMQ
- RabbitMQ con Celery y Flask
- Términos clave
- Visión general de MySQL
- Primeros pasos con MySQL
- MySQL desde Terminal
- Base de datos de archivo y descarga
- Importar base de datos externa Sakila
- Modificar Base de datos Sakila
- Canalizaciones Bash con MySQL
- Servidor web de MySQL a Python Standard Library
- Hacking Linux con MySQL
- Quiz-MySQL para Ingeniería de datos
- Reflexión sobre la lección
- Colas y bases de datos - Cuestionario final de la semana
UNIDAD 10 - Optimización de la gestión de flujos de trabajo a escala con Apache Airflow · 34 leccionesIngeniería de datos avanzada - UNIDAD 10 - Optimización de la gestión de flujos de trabajo a escala con Apache Airflow
UNIDAD 10 - Optimización de la gestión de flujos de trabajo a escala con Apache Airflow · 34 lecciones
Ingeniería de datos avanzada - UNIDAD 10 - Optimización de la gestión de flujos de trabajo a escala con Apache Airflow
- Términos clave
- Introducción
- Qué es Apache Airflow
- ¿Qué es Apache Airflow?
- Instalación de Apache Airflow desde PyPI
- Explorar la Interfaz de usuario de Airflow
- Uso de Apache Airflow con Docker
- Explorar la IU de Airflow
- Laboratorio externo: Instalación de Apache Airflow
- Reflexión sobre la lección
- Quiz-Instalación de Apache Airflow
- Términos clave
- Introducción
- Exploración de grafos acíclicos dirigidos (DAG)
- Laboratorio externo: Crear un DAG
- Creación de un DAG
- Arquitectura general
- Ejecución de un relleno
- Pruebas y validación
- Resumen
- Quiz-Apache Fundamentos del flujo de aire
- Reflexión sobre la lección
- Términos clave
- Introducción
- Laboratorio externo: Construir un canal de datos para datos censales
- Creación de canalizaciones de datos con Apache Airflow
- Identificar una tarea para construir un DAG
- Recuperación de datos remotos
- Limpieza y normalización de datos
- Inspección de la IU para obtener resultados
- Resumen
- Reflexión sobre la lección
- Quiz-Creación de una canalización
- Quiz-Optimización de la gestión de flujos de trabajo a escala con Apache Airflow
UNIDAD 11 - Escalabilidad con bases de datos vectoriales, gráficas y de claves/valores · 29 leccionesIngeniería de datos avanzada - UNIDAD 11 - Escalabilidad con bases de datos vectoriales, gráficas y de claves/valores
UNIDAD 11 - Escalabilidad con bases de datos vectoriales, gráficas y de claves/valores · 29 lecciones
Ingeniería de datos avanzada - UNIDAD 11 - Escalabilidad con bases de datos vectoriales, gráficas y de claves/valores
- Términos clave
- Elegir la base de datos adecuada
- ¿Qué son las bases de datos vectoriales y cómo funcionan?
- Aplicación de la búsqueda semántica
- Inicio rápido Qdrant
- Cliente Qdrant Rust
- Arquitecturas de bases de datos vectoriales
- Laboratorio práctico: Mejora de la búsqueda semántica
- Recomendador de Redes sociales
- ¿Qué es una base de datos vectorial?
- Laboratorio Externo: Ejecutar Quickstart de Qdrant
- Laboratorio externo: Ampliar la búsqueda semántica
- Índice de Jaccard
- Quiz-Introducción a las bases de datos vectoriales
- Reflexión sobre la lección
- Términos clave
- Modelos gráficos de datos y conceptos de bases de datos
- Introducción a Amazon Neptune
- Algoritmos de grafos: Centralidad de grafos UFC en Rust
- Kosaraju Detección de comunidades en grafos
- Camino más corto con grafos
- Componentes clave de la herramienta CLI de Rust
- Tutorial de laboratorio: Creación de una herramienta CLI de Rust Graph
- CLI de óxido con Clap
- Laboratorio Externo: Herramienta CLI de Rust Graph
- Neptuno Amazon
- Reflexión sobre la lección
- Quiz-Introducción a las bases de datos gráficas
- Prueba final: escalabilidad con bases de datos vectoriales, gráficas y de claves/valores
UNIDAD 12 - Proyectos avanzados de ingeniería de datos en el mundo real · 28 leccionesIngeniería de datos avanzada - UNIDAD 12 - Proyectos avanzados de ingeniería de datos en el mundo real
UNIDAD 12 - Proyectos avanzados de ingeniería de datos en el mundo real · 28 lecciones
Ingeniería de datos avanzada - UNIDAD 12 - Proyectos avanzados de ingeniería de datos en el mundo real
- Términos clave
- Amazon CodeCatalyst
- Aprenda AWS CloudShell para el desarrollo de Dynamo
- Aprenda AWS CodeCatalyst para el desarrollo de Dynamo
- Aprovechamiento de AWS CodeWhisperer para el desarrollo de Dynamo
- Crear una tabla con CLI
- Rellenar una tabla con registros por lotes
- Consultar una tabla con registros
- Recorrido del proyecto
- Laboratorio externo: DynamoDB ampliado
- Reflexión sobre la lección
- Quiz-Creación de una solución con DynamoDB con la CLI de AWS
- Términos clave
- Introducción
- Visión general de los requisitos de un gasoducto
- Uso de SqlAlchemy con Pandas
- Inicio rápido para SQLAlchemy
- Persistencia de datos en una tarea
- Revisión de los resultados
- Resumen
- Explorar y analizar datos con Python
- Reflexión sobre la lección
- Quiz-Datos persistentes a través de un DAG multitarea con Pandas
- Prueba final-Ingeniería de datos avanzada
- Próximos pasos recomendados
- Sandbox Jupyter
- VS Código Espacio aislado
- Comparta su experiencia de aprendizaje
UNIDAD 13 - Introducción al desarrollo de IA en AWS · 43 leccionesGenAI y LLM en AWS - UNIDAD 13 - Introducción al desarrollo de IA en AWS
UNIDAD 13 - Introducción al desarrollo de IA en AWS · 43 lecciones
GenAI y LLM en AWS - UNIDAD 13 - Introducción al desarrollo de IA en AWS
- Introducción al curso
- Conozca a su instructor Noah Gift
- Estructura del curso y protocolo de debate
- Informar de un problema con el curso
- Términos clave
- Marco de adopción de la nube de AWS para IA
- Modelo de servicio en nube para la IA
- Modelo de implantación de la IA en la nube
- Ventajas de la computación en nube
- Marco de adopción de la nube de AWS para IA
- Quiz-Introducción a la computación en la nube de AWS para IA
- Reflexión sobre la lección
- Términos clave
- Entornos de desarrollo para la IA
- Retos y oportunidades de MLOps en Rust y Python
- Flujo de trabajo de IA generativa para Rust
- Python para la Ciencia de datos en la era de Rust y GenAI
- Flujos de trabajo emergentes de Rust LLMOps
- Introducción a Code Catalyst for Rust
- SDK de AWS para Rust
- El óxido como ejemplo
- Laboratorio externo: AWS SDK S3 Bucket Lister
- Introducción al editor Sagemaker
- Iniciar una aplicación Editor de código en Studio
- Primeros pasos Lightsail para la investigación
- Tutorial: Introducción a Lightsail para ordenadores virtuales de investigación
- Hola Declaración de óxido
- Reflexión sobre la lección
- Entornos de desarrollo centrados en la IA
- Términos clave
- Diagrama de Serverless con AWS Bedrock Service
- Demostración de AWS Bedrock Knowledge Agent
- LLamaIndex
- Demo AWS Bedrock CLI
- Diagrama de opciones sin servidor para Rust
- Diagrama Componentes del microservicio Axum Greedy Coin de Rust
- Demo Oxido Axum Moneda Codiciosa
- Demo Rust Axum Docker Workflow
- Sin distribución
- Creación y ejecución del microservicio Axum Greedy Coin
- Reflexión sobre la lección
- Quiz- Desarrollo de soluciones sin servidor para datos, ML e IA
- Cuestionario-Iniciación al desarrollo en AWS para IA
UNIDAD 14 - Programación en pareja de IA desde CodeWhisperer a Ingeniería de indicaciones · 23 leccionesGenAI y LLM en AWS - UNIDAD 14 - Programación en pareja de IA desde CodeWhisperer a Ingeniería de indicaciones
UNIDAD 14 - Programación en pareja de IA desde CodeWhisperer a Ingeniería de indicaciones · 23 lecciones
GenAI y LLM en AWS - UNIDAD 14 - Programación en pareja de IA desde CodeWhisperer a Ingeniería de indicaciones
- Términos clave
- Flujos de trabajo de Ingeniería de indicaciones
- Resumir texto con Claude
- Ingeniería Prompt
- Ingeniería de indicaciones con óxido
- Quiz-Prompt Ingeniería
- Reflexión sobre la lección
- Términos clave
- CodeWhisperer para Rust en Cloud9
- CodeWhisperer
- Másters en codificación
- Quiz-CodeWhisperer
- Reflexión sobre la lección
- Términos clave
- Instalar y configurarCodeWhisperer CLI
- CodeWhisperer para la CLI
- Uso de CodeWhisperer CLI
- Creación de la CLI de Bash
- Funciones Bash
- Proyecto práctico
- Reflexión sobre la lección
- Quiz-CodeWhisper para la línea de comandos
- Quiz-IA Programación en pareja de CodeWhisperer a Ingeniería de indicaciones
UNIDAD 15 - Amazon Bedrock · 23 leccionesGenAI y LLM en AWS - UNIDAD 15 - Amazon Bedrock
UNIDAD 15 - Amazon Bedrock · 23 lecciones
GenAI y LLM en AWS - UNIDAD 15 - Amazon Bedrock
- Términos clave
- Componentes clave de Amazon Bedrock
- ¿Qué es Amazon Bedrock?
- Reflexión sobre la lección
- Quiz-Amazon Bedrock
- Laboratorio externo: Amazon Bedrock Prompt Engineering Challenge
- Términos clave
- Explorando el SDK Python de Boto3 Bedrock Client
- Exploración del SDK de Cargo Rust
- Invocación de modelos de lista de Python
- Desafío de laboratorio externo: Python List Modelos de la Fundación Bedrock
- Invocación de modelos de lista de óxido
- Reflexión sobre la lección
- Cuestionario - Primeros pasos con el SDK de Bedrock
- Términos clave
- Utilización de modelos de cimentación
- Claude3 Technical Deep Dive para Bedrock
- Invocación de Claude a través de la API de tiempo de ejecución de Bedrock
- Agentes para Amazon Bedrock
- Base de conocimientos
- Laboratorio externo: Invocación de modelos Foundation en Python con Boto3
- Reflexión sobre la lección
- Quiz-Modelos de fundamentos, bases de conocimiento (RAG) y agentes con Bedrock
UNIDAD 16 - Desafíos del proyecto · 10 leccionesGenAI y LLM en AWS - UNIDAD 16 - Desafíos del proyecto
UNIDAD 16 - Desafíos del proyecto · 10 lecciones
GenAI y LLM en AWS - UNIDAD 16 - Desafíos del proyecto
- Términos clave
- Introducción a Cargo Lambda
- Carga Lambda
- Creación de Rust Add Function para AWS Lambda
- Proyecto práctico
- Desafío Agentes Lab-Bedrock
- Laboratorio externo: Ingeniería de indicaciones Rust Challenge
- Cuestionario final
- Próximos pasos
- Comparta su experiencia de aprendizaje
UNIDAD 17 - Fundamentos de la plataforma Lakehouse de Databricks · 45 leccionesDatabricks a LLM locales - UNIDAD 17 - Fundamentos de la plataforma Lakehouse de Databricks
UNIDAD 17 - Fundamentos de la plataforma Lakehouse de Databricks · 45 lecciones
Databricks a LLM locales - UNIDAD 17 - Fundamentos de la plataforma Lakehouse de Databricks
- Conozca a su instructor del curso:Noah Gift
- Términos clave de la lección
- Introducción a la plataforma Lakehouse de Databricks
- Visión general de la arquitectura Databricks
- Creación y gestión de Clústeres
- Configuración de los tiempos de ejecución del Clúster
- Terminación de Clústeres
- Reinicio de Clústeres
- Filtrado de la lista de Clústeres
- Polivalencia frente a Clústeres de empleo
- ¿Qué es una plataforma lacustre?
- Gestión de Clústeres
- Laboratorio Externo: Uso de Databricks Free Edition
- Reflexión: Lección 1: Plataforma Lakehouse de Databricks
- Cuestionario: Plataforma Lakehouse de Databricks
- Informar de un problema con el curso
- Términos clave
- Configurar IntelliJ para Databricks con Go
- Instalación y uso de Databricks CLI
- Instalación y uso de Databricks para RStudio
- Hola Jupyter Julia
- Introducción a los cuadernos
- Ejecución de cuadernos
- Compartir cuadernos
- Soporte multilingüe
- Visión general de Databricks Repos
- RStudio en Databricks
- Configuración de IntelliJ para Databricks
- Reflexión sobre la lección
- Transformación de datos con Apache Spark
- Términos clave de la lección
- Transformación de datos eficiente con Spark SQL
- Uso del explorador de catálogos
- Creación de tablas a partir de archivos
- Consulta de fuentes de datos externas
- Inspección de tablas
- Canalizaciones de datos fiables con Delta Lake
- Transacciones ACID
- Optimización de la ordenación en Z
- Omisión de datos con Delta Lake
- Tutorial: COPY INTO con Spark SQL
- Cuestionario: Administración de datos con Delta Lake
- Cuestionario final-Fundamentos de la plataforma Lakehouse de Databricks
- Primeros pasos con RStudio
- Reflexión sobre la lección
UNIDAD 18 - Transformación de datos y canalizaciones · 39 leccionesDatabricks a LLM locales - UNIDAD 18 - Transformación de datos y canalizaciones
UNIDAD 18 - Transformación de datos y canalizaciones · 39 lecciones
Databricks a LLM locales - UNIDAD 18 - Transformación de datos y canalizaciones
- Términos clave
- Documentación de la tabla
- Tuberías automatizadas con tablas Delta Live
- Componentes de las mesas Delta Live
- Pipelines continuos frente a pipelines activados
- Configuración del cargador automático
- Consulta de eventos de canalización
- Ejemplo de extremo a extremo Delta Live
- Aspirar y recoger la basura
- Ampliación de un conducto ETL de Python
- Laboratorio Externo: Analítica de datos en tiempo real con tablas Delta Live
- Cuestionario: Canalización de datos con Delta Live Tables
- Reflexión sobre la lección
- Términos clave
- Laboratorio externo: Orquestación de trabajos por lotes para la elaboración de informes
- Laboratorio: Orquestación de cargas de trabajo Python
- Orquestación de cargas de trabajo con Jobs
- Demostración de trabajos en Databricks
- Flujos de trabajo multitarea
- Dependencia de tareas
- Ver el historial de trabajos
- Uso de cuadros de mando
- Manejo de fallos
- Configuración de reintentos
- Reflexión sobre la lección
- Cuestionario: Cargas de trabajo con Jobs
- Términos clave
- Acceso unificado a los datos con Unity Catalog
- Catálogos vs Metastores
- Catálogo Unity Quickstart Python
- Aplicación de la seguridad de objetos
- Mejores prácticas para los catálogos
- Mejores prácticas para las conexiones
- Mejores prácticas para las unidades de negocio
- Creación de un catálogo dinámico de datos en Python
- Laboratorio Externo: Gobernanza de datos unificada con Unity Catalog
- Reflexión sobre la lección
- Cuestionario: Acceso a datos con Unity Catalog
- Test graduado-Transformación de datos y Pipelines
UNIDAD 19 - IA Generativa Responsable · 34 leccionesDatabricks a LLM locales - UNIDAD 19 - IA Generativa Responsable
UNIDAD 19 - IA Generativa Responsable · 34 lecciones
Databricks a LLM locales - UNIDAD 19 - IA Generativa Responsable
- Términos clave
- Conceptos de participación en los beneficios
- La tragedia de los comunes GenAI
- Teoría de juegos de GenAI
- Competencia perfecta
- Externalidades negativas
- Espíritu empresarial regulador
- Crear o reforzar los Sesgos
- Espíritu empresarial regulador
- ¿Qué es el glaseado?
- Quiz-Ética de la IA
- Reflexión sobre la lección
- Términos clave
- Codificación de Elo en Python
- Python Elo
- Codificación de Elo en Rust
- Codificación de Elo en R
- R Elo
- Codificación de Elo en Julia
- Julia Elo
- Chatbot Arena
- Reflexión sobre la lección
- Quiz-Evaluación del rendimiento en el mundo real de los LLM
- Términos clave
- Puesta en marcha de lorax y skypilot
- ¿Qué es skypilot?
- ¿Qué es el Lorax?
- ¿Qué es Ludwig?
- Ludwig Ajuste fino Mistral-7b
- Laboratorio externo: Ajuste fino de Mistral-7b
- Laboratorio externo: Lanzamiento de Mixtral con Lorax y Skypilot
- Reflexión sobre la lección
- Quiz-Exploración de los flujos de trabajo del LLM de producción
- Cuestionario final con calificación: IA generativa responsable
UNIDAD 20 - LLMOps locales · 27 leccionesDatabricks a LLM locales - UNIDAD 20 - LLMOps locales
UNIDAD 20 - LLMOps locales · 27 lecciones
Databricks a LLM locales - UNIDAD 20 - LLMOps locales
- Términos clave
- Cómo empezar llamafile
- Métricas del sistema local llamfile
- llamafile
- Whisper.cpp
- Cuestionario-Iniciarse con llamafile
- Reflexión sobre la lección
- Términos clave
- Batalla contra el envenenamiento de datos
- Agentes durmientes
- Vela Hola Mundo
- Explorando Starcoder Rust
- Susurro Vela Transcribir
- Explorando el desarrollo remoto AWS
- Cuestionario-Iniciarse con Rust Candle
- Reflexión sobre la lección
- Óxido para LLM
- Inferencia sin servidor
- Inferencia CLI de Rust
- Inferencia en el chat de Rust
- Bucle de chat Star Coder
- Invoque Rust Candle en la GPU de AWS-Primera parte
- Invocar Rust Candle en la GPU de AWS-Dos partes
- Reflexión sobre la lección
- Cuestionario final - LLMOps locales
- Próximos pasos
- Comparta su experiencia de aprendizaje
UNIDAD 21 - Introducción al ecosistema de código abierto · 34 leccionesSoluciones LLMOps de Código abierto - UNIDAD 21 - Introducción al ecosistema de código abierto
UNIDAD 21 - Introducción al ecosistema de código abierto · 34 lecciones
Soluciones LLMOps de Código abierto - UNIDAD 21 - Introducción al ecosistema de código abierto
- Conozca a su instructor Noah Gift
- Conozca a su instructor Alfredo Deza
- Conecta con tus profesores
- Estructura y etiqueta del curso
- Informar de un problema con el curso
- Introducción
- Términos clave
- Modelos de código abierto en la plataforma Hugging Face
- Introducción a la Cara de Abrazo
- Bibliotecas y herramientas para modelos de código abierto
- Modelos de lenguaje grande en Cara de abrazo
- Laboratorio externo: Crear una cuenta gratuita de Hugging Face
- ¿Qué son los pequeños modelos de lenguaje?
- Modelos de lenguaje grande en Azure
- Laboratorio externo: Transformadores con Python
- Resumen
- Comprobación de conocimientos
- Introducción
- Términos clave
- ¿Qué es el aumento del conjunto de datos sintéticos?
- Resumen de una solicitud de aumento
- Pruebas de aumento de un LLM local
- Laboratorio externo: Conectarse a un LLM local
- Mejora y verificación de un conjunto de datos aumentados
- Resumen
- Comprobación de conocimientos
- Introducción
- Términos clave
- Considerar Rust frente a Python
- Uso de la vela de óxido
- Uso de Rust Bert
- Laboratorio externo: Utilizar Rust-Bert
- Resumen
- Cuestionario graduado
UNIDAD 22 - Uso de LLM locales desde LLamafile a Whisper.cpp · 25 leccionesSoluciones LLMOps de Código abierto - UNIDAD 22 - Uso de LLM locales desde LLamafile a Whisper.cpp
UNIDAD 22 - Uso de LLM locales desde LLamafile a Whisper.cpp · 25 lecciones
Soluciones LLMOps de Código abierto - UNIDAD 22 - Uso de LLM locales desde LLamafile a Whisper.cpp
- Términos clave
- ¿Qué es Llamafile?
- Visión general de Llamafile de Mozilla
- Uso de la API Llamafile
- Creación de un archivo Llamafile
- Cosmopolitan
- Creación de binarios portátiles con Cosmopolitan
- Cosmopolitan
- Reflexión sobre la lección
- Quiz-Componentes clave de Llamafile
- Términos clave
- ¿Qué son los LLM?
- Primeros pasos con Llamafile
- Llamafile métricas del sistema local
- API Llamafile local
- Quiz-Running Llamafile
- Reflexión sobre la lección
- Términos clave
- ¿Qué es Whisper.cpp?
- Uso de Whisper para los bloques de GenAI
- Automatización Bash con Whisper.cpp
- Transcribir con Whisper.cpp
- Uso de Whisper.cpp
- Quiz-Usando Whisper.cpp
- Reflexión sobre la lección
UNIDAD 23 - Proyectos aplicados · 15 leccionesSoluciones LLMOps de Código abierto - UNIDAD 23 - Proyectos aplicados
UNIDAD 23 - Proyectos aplicados · 15 lecciones
Soluciones LLMOps de Código abierto - UNIDAD 23 - Proyectos aplicados
- Introducción
- Términos clave
- ¿Qué es Transformers.js?
- ¿Qué es ONNX?
- Exportación de modelos a ONNX
- Uso de Transformers.js en el navegador
- Laboratorio externo: Exportación de modelos a ONNX
- Resumen
- Términos clave
- Construir un generador de frases con cosmopolitan
- CLI portátil
- Generador de frases Bash
- Quiz-Portable CLI con Cosmopolitan
- Reflexión sobre la lección
- Quiz-Proyectos aplicados
UNIDAD 24 - Recapitulación y desafíos finales · 10 leccionesSoluciones LLMOps de Código abierto - UNIDAD 24 - Recapitulación y desafíos finales
UNIDAD 24 - Recapitulación y desafíos finales · 10 lecciones
Soluciones LLMOps de Código abierto - UNIDAD 24 - Recapitulación y desafíos finales
- Laboratorio externo: Charla con LLM locales
- Laboratorio externo: Generación aumentada de recuperación con LLM locales
- Laboratorio externo: Crear un conjunto de datos sintéticos
- Laboratorio externo: MLOps con sabor a GPU con GitHub Codespaces
- Laboratorio Externo: Demostraciones de velas faciales que abrazan el óxido
- Reflexión sobre el curso
- Prueba final - LLMOps de código abierto
- Próximos pasos
- Arenero interactivo Llamafile
- Comparta su experiencia de aprendizaje
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
24 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
69 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 Duke University.
- 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.
- 24 unidades · 691 lecciones · 240 h
- 12 meses de acceso
- 69 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 Duke University; 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.
