Curso de Inteligencia Artificial de Google

Lección 1 • Panorama de los Subcampos Centrales de la IA

Mapea el aprendizaje automático, el procesamiento de lenguaje natural, la visión por computadora y la robótica como disciplinas distintas. Ayuda a los estudiantes a navegar qué herramientas de Google pertenecen a cada subcampo.

Lección 2 • Cómo Aprenden las Máquinas de los Datos

Explica los paradigmas de aprendizaje supervisado, no supervisado y por refuerzo. Conecta los tipos de aprendizaje con categorías prácticas de productos de IA de Google.

Lección 3 • Lo que la IA Es y No Es

Aclara conceptos erróneos comunes y establece definiciones precisas de IA. Establece la base conceptual para todo el contenido técnico posterior.

Lección 4 • Historia y Evolución de la IA

Traza la IA desde la lógica simbólica hasta el aprendizaje profundo moderno. Proporciona contexto sobre por qué las herramientas de IA de Google actuales están diseñadas como están.

Lección 1 • Cloud AI y Plataforma de Aprendizaje Automático

Presenta Vertex AI como la plataforma de AA unificada y sus servicios centrales. Conecta la infraestructura en la nube con flujos de trabajo prácticos de entrenamiento y despliegue de modelos.

Lección 2 • APIs de IA Preconstruidas para Desarrolladores

Cubre las APIs de Vision, Speech, Translation y Natural Language como servicios listos para usar. Muestra cómo las APIs preconstruidas aceleran el desarrollo sin entrenamiento personalizado.

Lección 3 • IA en Google Workspace y Productos de Consumo

Explora las integraciones de Gemini en Docs, Sheets, Gmail y Search. Demuestra cómo la IA integrada impulsa la productividad diaria para usuarios no técnicos.

Lección 4 • Productos y APIs de IA Generativa

Examina los modelos Gemini, Imagen y las APIs generativas relacionadas disponibles para desarrolladores. Posiciona cada producto dentro del ecosistema de IA de Google más amplio.

Lección 1 • Recolección e Ingesta de Datos

Cubre APIs, extracción de datos web, streaming y pipelines de ingesta por lotes. Conecta los métodos de adquisición de datos con Google Cloud Storage y BigQuery.

Lección 2 • División y Versionamiento de Conjuntos de Datos

Enseña divisiones de entrenamiento, validación y prueba, y prácticas de control de versiones de conjuntos de datos. Previene la fuga de datos y asegura experimentos reproducibles.

Lección 3 • Etiquetado y Anotación de Datos

Explica estrategias de etiquetado manual, semiautomático y automatizado usando Vertex AI Data Labeling. Las etiquetas de calidad son la base del rendimiento del aprendizaje supervisado.

Lección 4 • Tipos y Fuentes de Datos

Distingue datos estructurados, no estructurados y semiestructurados y sus casos de uso en IA. Establece la alfabetización de datos como prerrequisito para todo el trabajo de modelado.

Lección 1 • Evaluación y Selección de Modelos

Interpreta matrices de confusión, curvas ROC y salidas de importancia de características de Vertex AI. Orienta la decisión de desplegar, reentrenar o descartar un modelo.

Lección 2 • AutoML para Datos Tabulares y de Imagen

Entrena modelos sin código en conjuntos de datos tabulares, de imagen, texto y video usando AutoML. Demuestra cómo los no expertos en AA pueden producir modelos con calidad de producción.

Lección 3 • Entrenamiento de Modelos Personalizados en Vertex AI

Ejecuta trabajos de entrenamiento personalizados de TensorFlow y PyTorch usando Vertex AI Training. Cubre configuración de trabajos, selección de hardware y fundamentos de entrenamiento distribuido.

Lección 4 • Vertex AI Workbench y Notebooks

Configura notebooks gestionados para análisis exploratorio de datos y prototipado de modelos. Proporciona el entorno práctico utilizado en todos los ejercicios de entrenamiento.

Lección 1 • CI/CD para Pipelines de AA

Automatiza el reentrenamiento y redespliegue de modelos usando Vertex AI Pipelines y Cloud Build. Aplica mejores prácticas de ingeniería de software al ciclo de vida de AA.

Lección 2 • Pipelines de Predicción por Lotes

Ejecuta trabajos de inferencia sin conexión a gran escala usando Vertex AI Batch Prediction. Optimiza costo y rendimiento para cargas de trabajo no sensibles a la latencia.

Lección 3 • Monitoreo de Modelos y Detección de Deriva

Configura Vertex AI Model Monitoring para detectar deriva de características y predicciones. Asegura que los modelos desplegados mantengan la exactitud a medida que cambian las distribuciones de datos del mundo real.

Lección 4 • Endpoints de Predicción en Línea

Despliega modelos en endpoints de Vertex AI para inferencia en tiempo real de baja latencia. Cubre división de tráfico, políticas de escalado y verificaciones de estado del endpoint.

Lección 1 • Estrategias de Mitigación de Sesgos

Implementa técnicas de mitigación de sesgo en preprocesamiento, procesamiento y posprocesamiento. Reduce resultados discriminatorios preservando la utilidad del modelo.

Lección 2 • Explicabilidad y Transparencia

Utiliza Vertex Explainable AI y valores SHAP para interpretar las decisiones del modelo. Construye confianza de las partes interesadas y satisface requisitos de transparencia.

Lección 3 • Sesgo en la IA: Fuentes y Tipos

Identifica sesgos históricos, de representación, medición y agregación en conjuntos de datos y modelos. Establece por qué la detección de sesgos debe preceder cualquier decisión de despliegue.

Lección 4 • Métricas de Equidad y Evaluación

Aplica métricas de paridad demográfica, probabilidades igualadas y equidad individual a las salidas del modelo. Conecta la medición de equidad con la responsabilidad empresarial y legal.

Lección 1 • Generación Aumentada por Recuperación

Fundamenta las respuestas de los LLM en bases de conocimiento externas usando búsqueda vectorial y pipelines RAG. Reduce las alucinaciones y mantiene las respuestas factualmente actualizadas.

Lección 2 • Cómo Funcionan los Modelos de Lenguaje de Gran Tamaño

Explica la arquitectura transformer, la tokenización y la predicción del siguiente token a nivel conceptual. Proporciona el modelo mental necesario para usar y depurar el comportamiento de los LLM.

Lección 3 • Técnicas de Ingeniería de Prompts

Enseña estrategias de prompting zero-shot, few-shot, cadena de pensamiento y roles. Mejora directamente la calidad de la salida sin ningún ajuste fino del modelo.

Lección 4 • Integración de la API Gemini

Conecta aplicaciones a los modelos Gemini mediante llamadas REST y SDK con autenticación adecuada. Cubre entradas multimodales incluyendo texto, imagen y audio.

Lección 1 • Medición del Impacto de la IA en el Negocio

Define KPIs, frameworks de ROI y protocolos de pruebas A/B para funciones impulsadas por IA. Cierra el ciclo entre el rendimiento del modelo y los resultados del negocio.

Lección 2 • Sistemas de IA Multimodales y Agénticos

Diseña sistemas que combinan texto, imagen, audio y agentes de uso de herramientas para tareas complejas. Representa la frontera del desarrollo aplicado de productos de IA.

Lección 3 • Optimización de Costos para Cargas de Trabajo de IA

Aplica instancias spot, cuantización de modelos y caché para reducir el gasto en infraestructura de IA. Asegura que los proyectos de IA sigan siendo financieramente viables a escala empresarial.

Lección 4 • Madurez y Arquitectura de MLOps

Evalúa los niveles de madurez de MLOps organizacionales y diseña arquitecturas de estado objetivo. Cierra la brecha entre modelos experimentales y sistemas de producción confiables.