Contenidos

1. Introducción al PLN y la Inteligencia Artificial Arquitectura general y componentes

1.1. Qué es el PLN y para qué se utiliza.

1.2. Casos de uso

1.3. Ecosistema tecnológico

1.4. Breve visión histórica y evolución hacia los LLM.

2. Fundamentos del Lenguaje y Representación del Texto

2.1. Representación del texto en IA.

2.2. Preparación de datos: Tokenización, Stopwords, Stemming, Lematización.

2.3. Representaciones clásicas

2.4. Limitaciones de los enfoques tradicionales

3. Modelos Clásicos y Primeras Aplicaciones de PLN

3.1. Modelos clásicos

3.2. Casos prácticos

3.3. Entrenamiento y evaluación de modelos

4. Embeddings y Deep Learning aplicado al Texto

4.1. Embeddings

4.2. Espacios semánticos y similitud.

4.3. Redes neuronales para lenguaje

4.4. Ventajas y limitaciones.

5. Modelos Modernos

5.1. Problemas de RNN y evolución.

5.2. Mecanismo de atención y Self-Attention.

5.3. Arquitectura Transformer.

5.4. Modelos relevantes: BERT, RoBERTa, DistilBERT, GPT y modelos generativos.

5.5. Fine-tuning vs Few-Shot vs Prompting.

6. Modelos Preentrenados

6.1. Utilidad de los modelos preentrenados

6.2. Principales modelos preentrenados

6.3. Datasets de entrenamiento

7. PLN Conversacional y LLM

7.1. Chatbots basados en reglas vs IA.

7.2. LLMs y modelos conversacionales.

7.3. Gestión de contexto.

7.4. Prompt Engineering.

8. Uso ético

8.1. Sesgos, privacidad y datos sensibles

8.2. IA Act (Normativa Europea)