[ONLY AVAILABLE IN SPANISH]
Redes Generativas
Estos apuntes nacen a raíz de una de las asignaturas que imparto en la Universidad de Oviedo (Temas Avanzados en Ciencia e Ingeniería de Datos, en el Grado en Ciencia e Ingeniería de Datos). Con el paso de los años he ido extendiendo el material y ha acabado resultando útil a estudiantes de otros grados. Por ello, he decidido publicarlo en un formato interactivo y visual, con la idea de que sea un recurso accesible y gratuito para aprender sobre modelos generativos. El código del curso está disponible en este repositorio de GitHub.
- Capítulo 1Capítulo
Introducción
Nahuel Costa
¿A quién va dirigido este curso? Introducción sobre modelos generativos y sus aplicaciones.
- Capítulo 2Capítulo
Machine Learning Probabilístico
Nahuel Costa
Visión de alto nivel sobre los modelos generativos. Repaso de probabilidad e inferencia bayesiana.
- Capítulo 3Capítulo
Redes GAN
Nahuel Costa
Arquitectura, aplicaciones y utilidad en la actualidad.
- Capítulo 4Capítulo
Variational Autoencoders
Nahuel Costa
Del autoencoder clásico al VAE: ELBO, posterior collapse, variantes y notas sobre compresión.
- Capítulo 5Capítulo
Flow-based Models
Nahuel Costa
Normalizing flows y flow matching: cómo transformar distribuciones.
- Capítulo 6Capítulo
Modelos de Difusión
Nahuel Costa
Añadir ruido en T pasos pequeños y aprender a invertir el proceso. ELBO, score matching y relación con VAEs jerárquicos y normalizing flows.
- Capítulo 7Capítulo
Transformers
Nahuel Costa
Mecanismos de atención, arquitectura Transformer, codificaciones posicionales (sinusoidal, aprendible, RoPE), Vision Transformers, SSL y LLMs.
- Capítulo 8Capítulo
Reducción Computacional
Nahuel Costa
Knowledge distillation, Low-Rank Adaptation (LoRA) y cuantización: cómo reducir el coste de entrenamiento e inferencia de modelos generativos grandes.
