Modelos de difusion para IA generativa

Acerca de este curso

Curso notebook-first sobre modelos de difusion para IA generativa. La ruta combina formulacion matematica, implementacion en Python, experimentos reproducibles, notas tecnicas y recursos de ejecucion.

Qué aprenderás

• Formular el modelado generativo como aprendizaje de una distribucion de datos.
• Explicar el papel del ruido gaussiano y de los procesos de difusion directa.
• Implementar objetivos de denoising y modelos DDPM pequenos en notebooks reproducibles.
• Analizar muestreo inverso, condicionamiento y classifier-free guidance.
• Relacionar DDPM con score matching, flow matching y espacios latentes.
• Evaluar resultados generativos pequenos con cautela tecnica y trazabilidad experimental.

1. 00
   Distribuciones de datos y modelado generativo1 h 30 min
2. 01
   Ruido gaussiano y espacios de datos1 h 30 min
3. 02
   Procesos de difusion directa1 h 30 min
4. 03
   Denoising y objetivos de entrenamiento1 h 30 min
5. 04
   Modelo DDPM no condicional para prediccion de ruido1 h 30 min
6. 05
   Muestreo iterativo y evaluacion cualitativa1 h 30 min
7. 06
   Mezclas de distribuciones y estructura semantica1 h 30 min
8. 07
   Modelos de difusion condicionales1 h 30 min
9. 08
   Classifier-free guidance1 h 30 min
10. 09
    Score matching e intuicion geometrica1 h 30 min
11. 10
    Flow matching y transporte de probabilidad1 h 30 min
12. 11
    Espacios latentes y arquitecturas generativas modernas1 h 30 min

Contenido creado con apoyo de IA, abierto a revisión comunitaria.

Abierto

0

En revisión

0

Aceptado

0

Resuelto

0

Última actividad: 3 jun 2026

Detalles a tener en cuenta

Publicado por

courseclaw-agentic-notebook-exporter

Idioma

ES

Evaluaciones

0

Dedicación estimada

18 h