IA Generativa Multimodal

Habilidades tratadas en este curso:

• Defina la IA generativa y explique cómo funciona. ​
• Describa varias aplicaciones de la IA generativa. ​
• Explique los desafíos y las oportunidades en la IA generativa.

Puede tomar uno de estos cursos:

Habilidades tratadas en estos cursos:

• Optimice los conjuntos de datos mediante el aumento de datos para mejorar la precisión de los modelos.

• Comprenda las técnicas y herramientas fundamentales necesarias para entrenar un modelo de deep learning

• Adquiera experiencia con tipos de datos y arquitecturas de modelos comunes del deep learning. 
Aproveche el aprendizaje de transferencia entre los modelos para lograr resultados eficientes con menos datos y computación. 
• Emprenda su propio proyecto con un framework moderno de deep learning.

Puede tomar uno de estos cursos:

Habilidades tratadas en estos cursos:

• Implemente la preparación de datos acelerada por la GPU y la función de extracción con los frameworks de datos cuDF y Apache Arrow.
Aplique un amplio espectro de tareas de machine learning acelerado por la GPU con XGBoost y una variedad de algoritmos de cuML.​ Ejecute análisis de gráficos acelerado por la GPU con cuGraph para lograr análisis a escala masiva en poco tiempo.​

Habilidades tratadas en este curso:

• Personalice e implemente modelos de reconocimiento automático del habla (ASR) y síntesis de texto a voz (TTS) en NVIDIA® Riva.​
• Cree e implemente un pipeline integral de IA conversacional, que incluye ASR, procesamiento de lenguaje natural (NLP) y modelos TTS, en Riva.​
• Implemente una aplicación de IA conversacional para fines de producción con un gráfico de Helm para escalar en los clústeres de Kubernetes.

• Personalice e implemente modelos de ASR y TTS en Riva.​
Cree e implemente un pipeline integral de IA conversacional, que incluye modelos de ASR, NLP y TTS, en Riva.

Habilidades tratadas en este curso:

• Extraiga perspectivas relevantes del conjunto de datos proporcionado mediante el uso de pandas DataFrame.​
• Aplique el aprendizaje de transferencia a un modelo de clasificación de deep learning.​
• Haga ajustes finos del modelo de deep learning y configure métricas de evaluación.​
• Implemente y mida el rendimiento del modelo.​
• Experimente con varias configuraciones de inferencia para optimizar el rendimiento del modelo.

Habilidades tratadas en este curso:

• Prepare datos y cree, entrene y evalúe modelos mediante el uso de XGBoost, autocodificadores y redes generativas antagónicas (GAN).​
• Detecte anomalías en conjuntos de datos con datos etiquetados y sin etiquetar​.
• Clasifique anomalías en varias categorías, independientemente de que los datos originales se hayan etiquetado.

Habilidades tratadas en este curso:

• Utilice datos de series de tiempo para predecir resultados con modelos de clasificación del machine learning basados en XGBoost.​
Use la detección de anomalías con autocodificadores de series de tiempo para predecir fallos cuando la disponibilidad de los datos de ejemplo de fallas es limitada

Habilidades tratadas en este curso:

• Entienda cómo los LLM basados en transformadores se pueden usar para manipular, analizar y generar datos basados en el texto.  
Aproveche los LLM modernos y preentrenados para resolver varias tareas del procesamiento del lenguaje natural (NLP), como la clasificación de tokens, la clasificación de textos, la creación de resúmenes y la respuesta a preguntas.

• Aprenda a describir cómo los transformers se usan como las bases de los LLM modernos para aplicaciones de NLP​.
Entienda cómo los LLM basados en transformadores se pueden usar para manipular, analizar y generar datos basados en el texto.

• Aproveche los LLM modernos y preentrenados para resolver varias tareas de NLP, como la clasificación de tokens, la clasificación de textos, la creación de resúmenes y la respuesta a preguntas.

• Entienda cómo se pueden usar LLM basados en transformers para manipular, analizar y generar datos basados en el texto.

Habilidades tratadas en este curso:

• Mejore la calidad de las imágenes generadas con el proceso de difusión para la eliminación del ruido.​
Controle la salida de la imagen con incrustaciones de contexto. Pruebe y refine las incrustaciones de contexto para lograr la salida de imagen deseada, lo que requiere enfoques experimentales para optimizar el rendimiento.

• Genere imágenes a partir de indicaciones de texto en inglés mediante el preentrenamiento contrastivo de lenguaje e imágenes (CLIP).

• Genere imágenes a partir de ruido puro.​
• Genere imágenes a partir de indicaciones de texto en inglés mediante el uso de CLIP.

• Entienda la autenticidad del contenido y cómo crear modelos confiables.

Habilidades tratadas en este curso:

• Encuentre, incorpore y experimente con el repositorio de modelos de Hugging Face y la API de transformers asociados.​
Use modelos de codificadores para tareas como el análisis semántico, la incrustación, la respuesta a preguntas y la clasificación de disparo cero.​

• Encuentre, incorpore y experimente con el repositorio de modelos de Hugging Face y la API de transformers asociados.​​
Use técnicas de administración del estado y de composición para guiar a los LLM para que tengan una conversación segura, efectiva y precisa.

• Use técnicas de administración del estado y de la composición para guiar a los LLM para que tengan una conversación segura, efectiva y precisa.

Habilidades tratadas en este curso:

• Aprenda a aplicar técnicas de ajuste fino.
Entienda cómo integrar e interpretar eficazmente diversos tipos de datos dentro de un único framework modelo.

• Use un solo modelo preentrenado para realizar múltiples tareas personalizadas que involucren diferentes tipos de datos (por ejemplo, texto, imágenes y audio).

• Aproveche el framework de NVIDIA NeMo™ para personalizar modelos como GPT, LLaMA-2 y Falcon de manera simple.

• Evalúe el rendimiento de modelos ajustados.

• Use el ajuste fino para optimizar a fin de mejorar la precisión, la eficiencia o la efectividad de un modelo para realizar tareas específicas.

Habilidades tratadas en este curso:

• Implemente redes neuronales de una variedad de frameworks en un servidor NVIDIA Triton™ en vivo.​
• Mida el uso de la GPU y otras métricas con Prometheus.​
• Envíe solicitudes asíncronas para maximizar la capacidad de procesamiento.

• Mida el uso de la GPU y otras métricas con Prometheus​.
Envíe solicitudes asíncronas para maximizar el rendimiento.