Material práctico sobre Inteligencia Artificial aplicada al Procesamiento del Lenguaje Natural, con un recorrido progresivo desde los fundamentos de Machine Learning hasta los Large Language Models.
El enfoque es construir una base sólida de NLP clásico antes de llegar a los LLMs, entendiendo el camino conceptual que ha llevado hasta los sistemas actuales.
Este curso es un manual práctico, no una recopilación teórica. El objetivo es explicar los fundamentos del ML aplicado al NLP a través de ejemplos reales y notebooks ejecutables, cubriendo los conceptos clásicos que permiten entender mejor cómo funcionan los sistemas modernos de IA y GenAI.
Aunque parte del contenido pueda parecer menos utilizado en producción tras la llegada del GenAI, estos fundamentos son clave para comprender lo que hay debajo.
Requisitos previos
- Python básico
- Pandas y Jupyter Notebook
- Álgebra lineal y estadística básica
- IA vs ML vs DL vs GenAI
- Regresión lineal básica y avanzada
- Aprendizaje Supervisado: Regresión y Clasificación
- Aprendizaje No Supervisado: Clustering
- Datos tabulares
- Análisis univariable y multivariable
- Análisis de datos de lenguaje
4. Representación numérica de texto
- Tokenización
- Representación vectorial: TF-IDF
- Information Retrieval
5. Aprendizaje Supervisado en NLP
- Clasificación de texto
- Clasificación de tokens: NER y POS
- Serialización de modelos
6. Aprendizaje No Supervisado en NLP
- Grafos de conocimiento
- Topic Modelling
- Language Models
- Redes Neuronales
- Word2Vec
- Arquitectura y funcionamiento de LLMs
- Chat e Instruction Models
Las contribuciones más útiles son correcciones conceptuales, mejoras de explicaciones y errores en notebooks. Consulta CONTRIBUTING.md para el proceso detallado.
Si este material te resulta útil, puedes darle ⭐ al repositorio.