• ES Español
• EN English

5.56. Modelos Generativos Avanzados en IA (Obligatorio)

5.56.1. Justificación ↑ Volver arriba

Este curso explora modelos generativos modernos (GANs, Diffusion Models, LLMs) para creación de contenido multimodal, abordando tanto fundamentos matemáticos como aplicaciones prácticas y consideraciones éticas en generación sintética.

5.56.2. Objetivos Generales ↑ Volver arriba

1. Implementar pipelines de generación de imágenes/texto/video
2. Diseñar sistemas de edición asistida por IA
3. Evaluar riesgos de contenido sintético

5.56.3. Contribución a los resultados (Outcomes) ↑ Volver arriba

AG-C09) Diseño y Desarrollo de Soluciones: Diseña, implementa y evalúa soluciones para problemas complejos de computación. (Assessment)

AG-C11) Uso de Herramientas: Aplica herramientas modernas de computación en la resolución de problemas. (Assessment)

5.56.4. Contenido ↑ Volver arriba

5.56.4.1. Fundamentos Generativos (12 horas) [Habilidades AG-C09,AG-C11] ↑ Volver arriba

Referencias Bibliográficas: (Goodfellow et al., 2014)

Temas

1. Teoría de GANs (minimax, Wasserstein)
2. Autoregressive models (PixelCNN, Transformers)
3. Métricas de evaluación (FID, Inception Score)

Aprendizaje esperado (Learning Outcomes)

1. Entrenar GANs básicas [Usar]
2. Analizar modos de falla en generación [Evaluar]

5.56.4.2. Modelos de Difusión (24 horas) [Habilidades AG-C09,AG-C11] ↑ Volver arriba

Referencias Bibliográficas: (Sohl-Dickstein et al., 2023; Rombach et al., 2022)

Temas

1. Procesos de difusión (forward/reverse)
2. Stable Diffusion y arquitecturas latentes
3. Técnicas de control (ControlNet, LoRA)

Aprendizaje esperado (Learning Outcomes)

1. Implementar samplers de difusión [Usar]
2. Fine-tuning para dominios específicos [Evaluar]

5.56.4.3. Ética en Medios Sintéticos (8 horas) [Habilidades AG-C09,AG-C11] ↑ Volver arriba

Referencias Bibliográficas: (Sohl-Dickstein et al., 2023)

Temas

1. Deepfakes y desinformación
2. Derechos de autor en contenido generado
3. Marcado de autenticidad (C2PA, watermarking)

Aprendizaje esperado (Learning Outcomes)

1. Detectar contenido sintético [Familiarizarse]
2. Implementar sistemas de trazabilidad [Usar]

5.56.5. Referencias Bibliográficas ↑ Volver arriba

Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., and Bengio, Y. (2014). Generative adversarial networks. In NeurIPS.

Sohl-Dickstein, J., Song, Y., and Ermon, S. (2023). Diffusion Models: A Comprehensive Practical Guide. AI Press.

Rombach, R., Blattmann, A., Lorenz, D., Esser, P., and Ommer, B. (2022). High-resolution image synthesis with latent diffusion models. CVPR.