El curso inicia el 19 de mayo. Martes y Jueves de 20 a 22hrs (Horario de la CDMX). 36 hrs.
LLMs en acción
Descarga Información Completa
| ILA01 - 2026 - Información Completa.pdf |
IMPORTANTE: Antes de inscribirte, lee la cláusula sobre el trading automatizado al final del documento pdf.
Objetivo del curso
Diseñar, implementar y optimizar soluciones basadas en LLMs que integren procesamiento de lenguaje natural, recuperación de información y aprendizaje por refuerzo, mediante dos casos de estudio: uno en salud y otro en el mercado bursátil.
Contenido resumido del curso
- Introducción
- Preprocesamiento de datos clínicos y filtrado de candidatos
- Sistema de búsqueda de coincidencias clínicas
- Sistema de puntajes
- Introducción a los Bots de Trading
- Tu Primer Bot de Trading con IA
- Entendiendo el análisis financiero
- Análisis de Sentimiento en Trading
- Aprendizaje Profundo para el Mercado Bursátil
- Grandes Modelos de Lenguaje para Bots en el Mercado Bursátil
- Aprendizaje por Refuerzo para el Mercado Bursátil
- Despliegue del Bot de Trading
¿Cuál es la diferencia de ste curso con respecto a los cursos de LLMs y Agentes de IA?
Los cursos de LLMs y Agentic AI enseñan cómo funcionan los modelos y cómo construir agentes autónomos, respectivamente. Ingeniería LLMs Aplicada se enfoca en diseñar sistemas de producción completos que integran LLMs con otros componentes, por ejemplo, deep learning clásico, recuperación híbrida, análisis de sentimiento financiero y aprendizaje por refuerzo profundo. Es el curso más integrador: no enseña componentes aislados, sino cómo orquestarlos en soluciones de dominio específico. El curso se centra en cómo integrarlos dentro de aplicaciones reales. Responde a la duda muy frecuente: ¿Cómo puedo crear una aplicación que utilice estos métodos, si hoy en día aparentemente todo se lo puedo pedir directamente a un LLM? Esa confusión surge, en gran parte, por no entender cómo se usan los LLMs dentro de soluciones prácticas. Las aplicaciones en la industria suelen ser más complejas y requieren integrar algoritmos, herramientas, fuentes de datos, reglas de decisión, validaciones y componentes adicionales. Un LLM no es todo el sistema, es solo un componente dentro de una arquitectura más amplia.