Adapta modelos de lenguaje con actualizaciones compactas entrenables.
Estudia el ajuste eficiente en parámetros desde su motivación y la adaptación de bajo rango hasta flujos PEFT y LoRA cuantizado. Compara pesos base congelados con adaptadores entrenables y explicita las elecciones de módulos y datos. Diseña evaluaciones que separen mejoras de tarea, memorización, cuantización y costes de despliegue. Los vídeos en inglés se acompañan de notas originales, no transcripciones.
Explicar cómo PEFT reduce parámetros entrenables al adaptar un modelo. Comparar LoRA y LoRA cuantizado en memoria, optimización, calidad e inferencia. Diseñar una evaluación con referencias adecuadas y controles contra fugas de datos.
Se recomienda experiencia con redes neuronales, transformers y ajuste supervisado. Optimización, tokenización y memoria GPU son útiles; no se exige una biblioteca específica.
Personas con experiencia que quieren profundizar y aplicar habilidades avanzadas de IA
Quienes aprenden mejor con ejemplos, lecciones guiadas y práctica
Profesionales, creadores y desarrolladores independientes que buscan un flujo de trabajo repetible
La lección 1 es gratis
4 lecciones · Avanzado · Curso completo.
Este curso utiliza material con licencia CC BY atribuido a su proveedor de contenido o a quien lo publicó. La reproducción de las lecciones solo está disponible tras iniciar sesión y superar las comprobaciones de publicación y licencia.