Curricula CS-UNI

5.56. AI365. Modelos Generativos Avanzados en IA (Obligatorio)

Semestre: 9no Sem. Créditos: 4
Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
Prerrequisitos:
- AI264. Aprendizaje Profundo (7mo Sem)

Figura 5.56: Mapa de Conexión. AI365 Modelos Generativos Avanzados en IA

5.56.1. Justificación

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

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)

: 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

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

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]

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]

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

: [Goodfellow et al., 2014]
: [Sohl-Dickstein et al., 2023]
: [Rombach et al., 2022]