En este curso tiene dos enfoques: la adquisición y mejora de la calidad de imagen, y la revisión de técnicas de visión computacional aplicadas en la industria. El factor clave en la imagen la adquisición es la iluminación. Por tanto, los diseños de sistemas de iluminación y fuentes de luz comunes son detallado. Además, se revisarán conceptos básicos para la adquisición de imágenes y las operaciones básicas para mejorar la calidad de imagen. En el segundo tema, se discutirán algunas técnicas de adquisición de imágenes en 3D, inspección e imágenes térmicas.

Enlace al material: https://drive.google.com/drive/folders/1CngepkIxSLhPaJP2bLxsBOHGzzjmx-hh?usp=drive_link ;

Objetivo: Analizar las leyes fundamentales de la óptica geométrica y su impacto en los sistemas formadores de imagen. El curso contará con tres bloques de enseñanza - aprendizaje, el primero es sobre las propiedades fundamentales de la luz, el segundo constará sobre algunos elementos ópticos comúnmente usados para la formación de imágenes y el tercero es sobre una introducción a las partes de un sistema formador de imágenes (lente y cámara).

El curso está diseñado para ofrecer una comprensión general de la inteligencia artificial y su impacto en nuestras vidas cotidianas. A lo largo de las sesiones, descubrirás los conceptos básicos de la IA y cómo se aplica en diversos campos, desde la medicina hasta el entretenimiento. Aprenderás sobre los desafíos éticos y sociales que plantea la IA, así como las oportunidades que brinda para el futuro.

En este curso intensivo, explorarás el fascinante mundo del Prompt Engineering, una disciplina clave para mejorar la interacción con modelos de lenguaje como ChatGPT. Aprenderás a diseñar y optimizar prompts para obtener respuestas precisas, relevantes y creativas. Este curso combina teoría y práctica para que puedas aplicar tus conocimientos en contextos reales, optimizando tareas complejas y generando contenido de alta calidad.

Contenidos del Curso

• Introducción al Prompt Engineering
  • • Definición y fundamentos.
    • Evolución histórica y relevancia actual.
    • Cómo funcionan los prompts en los modelos de lenguaje.

• Tipos de Prompts

• • • Prompts abiertos (Open-ended) y cerrados (Closed-ended).
    • Prompts creativos y analíticos.
    • Prompts basados en roles y específicos de formato.
    • Prompts de refinamiento y exploratorios.

• Prompts Avanzados

• • • Diseño y uso de prompts condicionales.
    • Cadenas de prompts y descomposición de tareas complejas.
    • Optimización de prompts para tareas multietapas.

• Contextualización y Roles Avanzados
  • • Técnicas para proporcionar contexto y mejorar precisión.
    • Uso de roles avanzados para respuestas especializadas.
    • Combinación de técnicas para maximizar la efectividad.

• Eficiencia y Ética de los Prompts

• • • Criterios de claridad, precisión y relevancia.
    • Análisis de respuestas y métricas para evaluar calidad.
    • Principios éticos en la formulación de prompts.

Objetivo del Curso: Capacitar a los alumnos para diseñar prompts efectivos y optimizados que mejoren la interacción con modelos de lenguaje, ajustándose a las necesidades específicas de diversas aplicaciones.

Bienvenido al Módulo IV-PROCESAMIENTO DE LENGUAJE NATURAL (NLP).

Este curso ofrece una introducción a los conceptos, técnicas y aplicaciones del Procesamiento de Lenguaje Natural (NLP), junto con una comprensión general de los modelos de lenguaje modernos como GPT-3 y GPT-4.

El objetivo principal es proporcionar las herramientas teóricas y prácticas necesarias para desarrollar soluciones basadas en NLP y familiarizarlos con la estructura y el entrenamiento de modelos de lenguaje con el desarrollo de un proyecto integrador.

Contendio del Módulo:

1. IA & NLP-Historia, evolución y aplicaciones

1. Conceptos básicos de Inteligencia Artificial

2. Historia y evolución del NLP

3. Aplicaciones del NLP

2. Modelos de Lenguaje 

1. Qué son los modelos de lenguaje

2. Ejemplos de modelos de lenguaje (GPT-3, GPT-4, etc.)

3. Cómo funcionan los modelos de lenguaje

3. Transformador generativo pre entrenado -GPT 

1. Arquitectura de GPT

2. Estructura y componentes de GPT

3. Conceptos de autoatención y transformadores

4. Entrenamiento y ajuste fino de modelos GPT

Proyecto Integrador:

• Etapa 1. Preprocesamiento y preparación de datos: Manejo de expresiones regulares, tokenización y limpieza de texto.
• Etapa 2. Creación de un Modelo de Reconocimiento de Entidades con Nombre (NER) capaz de identificar y clasificar entidades en texto.
• Etapa 3. Desarrollo de un modelo para generar resúmenes automáticos de texto, explorando BERT.

Este curso combina teoría con proyectos prácticos para que los estudiantes adquieran habilidades en el uso y ajuste de modelos avanzados de NLP.

Este módulo está diseñado para profundizar en técnicas avanzadas de deep learning y aplicaciones prácticas. Exploraremos arquitecturas avanzadas de redes neuronales, incluyendo MobileNets, ResNets, y EfficientNet, así como técnicas de regularización y optimización para mejorar el rendimiento de los modelos de aprendizaje.