Un emocionante nuevo certificado profesional: PyTorch para Deep Learning impartido por @lmoroney ya está disponible en . Este es el programa definitivo para aprender PyTorch, que es uno de los principales marcos que los investigadores utilizan para construir sistemas de IA innovadores. Si quieres entender cómo funcionan los modelos modernos de deep learning—o construir tus propias arquitecturas personalizadas—PyTorch te da control directo sobre los aspectos clave del desarrollo de modelos. Este certificado profesional de tres cursos te lleva desde los fundamentos hasta arquitecturas avanzadas y despliegue: Curso 1: PyTorch: Fundamentos - Aprende cómo PyTorch representa datos con tensores y cómo los conjuntos de datos encajan en el proceso de entrenamiento. Construirás y entrenarás redes neuronales paso a paso, monitorearás el progreso del entrenamiento y evaluarás el rendimiento. Al final, entenderás el flujo de trabajo de PyTorch y estarás listo para diseñar, entrenar y probar tus propios modelos. Curso 2: PyTorch: Técnicas y Herramientas del Ecosistema - Domina la optimización de hiperparámetros, el perfilado de modelos y la eficiencia del flujo de trabajo. Utilizarás programadores de tasa de aprendizaje, abordarás el sobreajuste y aplicarás la sintonización automatizada con Optuna. Trabaja con TorchVision para IA visual y Hugging Face para NLP. Aprende sobre el aprendizaje por transferencia y ajusta modelos preentrenados para nuevos problemas. Curso 3: PyTorch: Arquitecturas Avanzadas y Despliegue - Construye arquitecturas sofisticadas incluyendo Redes Siamés, ResNet, DenseNet y Transformadores. Aprende cómo los mecanismos de atención impulsan los modelos de lenguaje modernos y cómo los modelos de difusión generan imágenes. Prepara modelos para el despliegue con ONNX, MLflow, poda y cuantización. Habilidades que adquirirás: - Construir y optimizar redes neuronales en PyTorch—el marco que los investigadores utilizan para crear modelos innovadores - Ajustar modelos preentrenados para tareas de visión por computadora y NLP—adaptando modelos existentes para resolver tus problemas específicos - Implementar arquitecturas de transformadores y trabajar con modelos de difusión, las tecnologías centrales detrás de ChatGPT y la generación moderna de imágenes - Optimizar modelos con cuantización y poda para hacerlos rápidos y eficientes para el despliegue en el mundo real Ya sea que quieras usar modelos preexistentes, construir tus propios modelos personalizados, o simplemente entender qué está sucediendo bajo el capó de los sistemas que usas, esta especialización te dará esa base. Comienza a aprender PyTorch:

Un nuevo curso emocionante: Ajuste fino y Aprendizaje por Refuerzo para LLMs: Introducción al Post-entrenamiento, impartido por @realSharonZhou, VP de AI en @AMD. Disponible ahora en . El post-entrenamiento es la técnica clave utilizada por los laboratorios de vanguardia para convertir un LLM base--un modelo entrenado en un gran volumen de texto no etiquetado para predecir la siguiente palabra/token--en un asistente útil y confiable que puede seguir instrucciones. También he visto muchas aplicaciones donde el post-entrenamiento es lo que convierte una aplicación de demostración que funciona solo el 80% del tiempo en un sistema confiable que rinde de manera consistente. ¡Este curso te enseñará las técnicas de post-entrenamiento más importantes! En este curso de 5 módulos, Sharon te guiará a través de todo el proceso de post-entrenamiento: ajuste fino supervisado, modelado de recompensas, RLHF y técnicas como PPO y GRPO. También aprenderás a usar LoRA para un entrenamiento eficiente y a diseñar evaluaciones que detecten problemas antes y después del despliegue. Habilidades que adquirirás: - Aplicar ajuste fino supervisado y aprendizaje por refuerzo (RLHF, PPO, GRPO) para alinear modelos a comportamientos deseados - Usar LoRA para un ajuste fino eficiente sin necesidad de reentrenar modelos completos - Preparar conjuntos de datos y generar datos sintéticos para el post-entrenamiento - Entender cómo operar pipelines de producción de LLM, con puntos de decisión de continuar/no continuar y bucles de retroalimentación Estos métodos avanzados ya no están limitados a los laboratorios de IA de vanguardia, y ahora puedes usarlos en tus propias aplicaciones. Aprende aquí: