ESCUELA Introducción Integral a la IA con Python: Programación, Modelado y Despliegue

Formación en ESCUELAS de ESPECIALIZACIÓN IT

La Escuela de larga duración “Introducción Integral a la IA con Python: Programación, Modelado y Despliegue” ofrece una amplia ofrece una amplia introducción a los conceptos fundamentales de la inteligencia artificial (IA) utilizando el lenguaje de programación Python.

A lo largo del curso, los estudiantes explorarán los principios teóricos de la IA, aprenderán a implementar algoritmos de aprendizaje automático y profundizarán en técnicas de modelado de datos. Además, se abordará cómo desplegar modelos de IA en entornos de producción para su uso práctico.

Contenidos:

Semana 1: Introducción a Python y Bibliotecas para IA (40 horas)

Día 1-2: Fundamentos de Python (16 horas)

Introducción a Python (3 horas):

• Introducción a Python desde otros lenguajes.
• Instalación y configuración del entorno de desarrollo.
• Ejecución de scripts y uso del REPL de Python.

Sintaxis Básica (5 horas):

• Variables, operadores y expresiones.
• Tipos de datos y conversiones.
• Programación Orientada a Objetos y otros paradigmas usados en IA

Control de Flujo (4 horas):

• Condicionales y Bucles

Funciones y Organización del Código (4 horas):

• Definición y llamada de funciones.
• Organización del código: módulos y paquetes.

 Día 3: Avanzando en Python (8 horas)

Colecciones y Manipulación de Datos (4 horas):

• Listas, tuplas y diccionarios.
• Operaciones básicas con colecciones.

Manejo de Excepciones y Archivos (4 horas):

• Manejo de errores y excepciones.
• Lectura y escritura de archivos.

Día 4: Herramientas y Entorno de Desarrollo (8 horas)

PIP y Gestión de Dependencias (4 horas):

• Instalación y uso de bibliotecas externas.
• Creación y gestión de entornos virtuales.

Proyecto Práctico (4 horas):

• Desarrollo de un proyecto pequeño utilizando lo aprendido.

Día 5: Bibliotecas para IA (8 horas)

Introducción a NumPy y Pandas (4 horas):

• Operaciones básicas con NumPy.
• Manipulación de datos con Pandas.

Visualización de Datos (2 horas):

• Introducción a bibliotecas como Matplotlib o Seaborn.
• Creación de gráficos básicos para análisis de datos.

Práctica con NumPy y Pandas (2 horas):

• Ejercicios prácticos para fortalecer el entendimiento de las bibliotecas y la visualización de datos.

 Semana 2: Generative AI (40 horas)

Día 1: Introducción a la IA Generativa (8 horas)

Parte 1: Conceptos Básicos de IA Generativa (1 hora)

• ¿Qué es la IA generativa? Comparación con IA discriminativa.
• Teoría y ejemplos en Python usando TensorFlow o PyTorch

Parte 2: Generative Adversarial Networks (GANs) (2 horas)

• Arquitectura de GANs, generador, discriminador
• GANs en la generación de imágenes, modelos de lenguaje
• Crear un GAN simple para generar imágenes
• Prácticas con TensorFlow, PyTorch

Parte 3: Autoencoders (1 hora)

• ¿Qué es un autoencoder? Aplicaciones
• Construir un autoencoder simple
• Prácticas con TensorFlow, PyTorch

Parte 4: Modelos de Lenguaje Generativos (2 horas)

• Arquitectura de modelos de lenguaje, decodificación
• Uso de modelos preentrenados para tareas generativas
• Hugging Face Transformers, TensorFlow, PyTorch

Parte 5: Aplicaciones Prácticas y Ética (1 hora)

• Uso de IA generativa en arte, música, fake news, desarrollo de software
• Debate: Implicaciones éticas de la IA generativa

Parte 6: Otras Arquitecturas y Tendencias (1 hora)

• VAEs, PixelCNN, Flow-based models
• Aplicaciones y casos de uso
• Prácticas con TensorFlow, PyTorch

 Día 2-3: Generative AI para Desarrolladores (16 horas)

Repaso Rápido (1 hora):

• Revisión de conceptos clave de GANs.

Implementación Práctica de un GAN Básico (4 horas):

• Selección y preparación del dataset.
• Diseño de arquitectura, entrenamiento y evaluación.
• Visualización e interpretación de los resultados.

Optimización y Troubleshooting (2 horas):

• Técnicas de optimización.
• Identificación y solución de problemas comunes.

Variantes de GANs (3 horas):

Introducción a variantes populares.

Implementación y discusión.

Prácticas Guiadas y Proyecto Práctico (5 horas):

Recursos Adicionales (30 minutos):

Presentación de recursos adicionales: 30 minutos.

Discusión sobre la Escalabilidad y Eficiencia (30 minutos):

Día 4-5: Difusión de Modelos (16 horas)

Introducción a la Difusión de Modelos (3 horas):

• Definición y relevancia de la difusión de modelos.
• Diferencias entre desarrollo de modelos y difusión de modelos.
• Desafíos comunes en la difusión de modelos.

Entornos de Difusión (2 horas):

• Servidores locales vs. soluciones en la nube.
• Descripción general de las plataformas de difusión en la nube (sin entrar en detalles específicos, ya que se cubrirán más adelante).

Exportación y Serialización de Modelos (2 horas):

• Cómo exportar y serializar modelos para la difusión.
• Formatos comunes para la serialización de modelos.

APIs y Endpoints (3 horas):

• Creación de APIs para servir modelos.
• Endpoints y cómo interactuar con ellos desde aplicaciones.

Escalabilidad y Gestión de Recursos (2 horas):

• Escalabilidad vertical vs. horizontal.
• Gestión de recursos y monitorización del rendimiento del modelo en producción.

Seguridad y Best Practices (2 horas):

• Seguridad en la difusión de modelos: autenticación, autorización y otros aspectos de seguridad.
• Best practices para la difusión de modelos segura.

Práctica: Despliegue de un Modelo Simple (2 horas):

• Despliegue de un modelo de ejemplo en un entorno controlado, ya sea local o en la nube.

Semana 3: Prompting y Embeddings (40 horas)

Ingeniería de Prompts (16 horas):

• Concepto y relevancia de los prompts en modelos de lenguaje.
• Uso de la API de ChatGPT de OpenAI para generación de texto.
• Uso de Promts en StableDiffusion y Llama2
• Evaluación de la eficacia de diferentes prompts
• Experimentación con variaciones de prompts y análisis de resultados.
• Mejores prácticas y consideraciones éticas en la ingeniería de prompts
• Prácticas guiadas

Embeddings de Texto (16 horas):

• Introducción a los embeddings de texto.
• Exploración de tecnologías como Word2Vec, GloVe, y FastText.
• Uso de embeddings para tareas de NLP (Procesamiento del Lenguaje Natural.
• Evaluación y comparación de diferentes técnicas de embeddings

LangChain y Datos (8 horas):

• Introducción a LangChain.
• Implementación de un chatbot simple usando LangChain.
• Diseño, entrenamiento y evaluación.
• Importancia y manejo de los datos en IA.

Semana 4: Finetuning, Arquitecturas y Otros (40 horas)

Día 1-2: Ajuste Fino de Modelos de Lenguaje (16 horas)

Introducción al Ajuste Fino (2 horas):

• Definición y relevancia del ajuste fino.
• Diferencia entre entrenamiento desde cero y ajuste fino.

Tecnologías y Herramientas (2 horas):

• Revisión de las tecnologías clave como Transformers y BERT.
• Introducción a la API de OpenAI para afinar modelos.

Proceso de Ajuste Fino (4 horas):

• Selección y preparación del dataset para el ajuste fino.
• Configuración de los parámetros y ejecución del ajuste fino.
• Evaluación del modelo afinado.

Fine tuning con la API de OpenAI (4 horas):

• Ejemplos prácticos de ajuste fino usando la API de OpenAI.
• Exploración de diferentes configuraciones y análisis de resultados.

Problemas Comunes y Soluciones (2 horas):

• Identificación y solución de problemas comunes en el ajuste fino.
• Best practices para el ajuste fino efectivo.

Evaluación y Feedback (2 horas):

• Revisión de los ejercicios y proyectos.
• Sesión de preguntas y respuestas para aclarar dudas.

Día 3: Arquitecturas y Servicios en la Nube (8 horas)

Introducción a las Plataformas en la Nube (2 horas):

• Relevancia y ventajas de las plataformas en la nube para la IA.
• Descripción general de las arquitecturas de nube comunes en la IA.

Exploración de Productos (2 horas):

• Presentación de Azure ML, AWS SageMaker, y Google Cloud AI.
• Comparación de características y capacidades.

Configuración y Preparación (1 hora):

• Configuración de cuentas y preparación del entorno en la nube.
• Preparación del modelo para el despliegue.

Despliegue de un Modelo en la Nube (2 horas):

• Proceso de despliegue de un modelo en una de las plataformas en la nube.
• Monitorización y gestión del modelo desplegado.

Evaluación y Mejores Prácticas (1 hora):

• Otros servicios y herramientas (runpod.io, Google Colab, Jupyter notebooks)
• Evaluación del desempeño y costos del despliegue en la nube.
• Mejores prácticas para el despliegue y la gestión de modelos en la nube.

Día 4: Algoritmos de ML (8 horas)

Introducción a los Algoritmos de ML (2 horas):

• Definición, tipos y aplicaciones de los algoritmos de ML.
• Breve revisión de la diferencia entre ML, DL (Deep Learning) y AI (Inteligencia Artificial).

Supervisados vs No Supervisados (1 hora):

• Descripción y ejemplos de algoritmos supervisados y no supervisados.

Exploración de Algoritmos Supervisados (2 horas):

• Detalle sobre algoritmos comunes como regresión lineal, regresión logística y árboles de decisión.
• Uso de Scikit-learn para implementar algoritmos supervisados.

Exploración de Algoritmos No Supervisados (1 hora):

• Detalle sobre algoritmos comunes como K-means y PCA (Análisis de Componentes Principales).
• Uso de Scikit-learn para implementar algoritmos no supervisados.

Evaluación de Modelos (1 hora):

• Métodos de evaluación como la validación cruzada y las métricas de rendimiento.

Práctica con Scikit-learn (1 hora):

• Ejercicios prácticos para implementar y evaluar algoritmos de ML usando Scikit-learn.

Día 5: Modelos de DL y Consumo de APIs (8 horas)

Introducción a Modelos de DL (Deep Learning) (2 horas):

• Conceptos básicos y diferencias entre ML y DL.
• Aplicaciones comunes de DL como reconocimiento de imágenes y procesamiento de lenguaje natural.

Exploración de Arquitecturas de DL (2 horas):

• Discusión sobre arquitecturas comunes como CNNs (Redes Neuronales Convolucionales), RNNs (Redes Neuronales Recurrentes), y GANs (Redes Generativas Antagónicas).

Implementación de Modelos de DL con TensorFlow y PyTorch (2 horas):

• Creación y entrenamiento de modelos básicos usando TensorFlow y PyTorch.
• Evaluación y optimización de modelos de DL.

Introducción al Consumo de APIs (1 hora):

• Explicación de qué es una API y cómo se utilizan las APIs para acceder a servicios y datos.

Práctica con APIs de Azure, AWS y Google (1 hora):

• Ejemplos prácticos de cómo interactuar con APIs de ML y DL proporcionadas por Azure, AWS y Google para inferencia de modelos.