FORMACIÓN HUGGING FACE: DOMINA LA IA SIN PARTIR DE CERO

Empezamos por el principio: entender qué es Hugging Face, cómo funciona el ecosistema, y por qué se ha convertido en la referencia para IA.

Vas a descubrir el Hub y su organización. Modelos, datasets, Spaces. Entiendes cómo navegar, buscar, y filtrar para encontrar exactamente lo que necesitas entre los cientos de miles de recursos disponibles.

Vas a crear tu cuenta, configurar tu perfil, y entender el sistema de tokens de autenticación para acceder a modelos privados o con restricciones.

Vas a aprender a leer una Model Card. Qué información te da, cómo evaluar si un modelo es fiable, y qué métricas mirar antes de usarlo.

Al final de este módulo, navegas el Hub con confianza. Sabes dónde buscar y cómo evaluar lo que encuentras.

Pasamos a la práctica con la librería Transformers. La herramienta core que te permite usar cualquier modelo del Hub en tu código.

Vas a instalar el entorno y entender la estructura. Pipeline, AutoModel, AutoTokenizer. Cada componente tiene su rol y vas a saber cuándo usar cuál.

Vas a crear tu primer pipeline de inferencia. En 3 líneas de código, haces análisis de sentimiento, generación de texto, o clasificación de imágenes. Sin configuración compleja.

Vas a entender los tokenizers. Cómo transforman texto en números que el modelo puede procesar, por qué es importante, y cómo evitar errores comunes.

Vas a explorar diferentes tareas: text-classification, question-answering, summarization, translation, text-generation. Un modelo diferente para cada problema.

Al final de este módulo, escribes código que usa modelos de IA. Sabes elegir el pipeline correcto y obtener resultados explotables.

Un modelo es tan bueno como los datos con los que trabaja. Aquí aprendes a gestionar datasets como un pro.

Vas a usar la librería Datasets de Hugging Face. Cargar datasets del Hub, explorarlos, filtrarlos, y prepararlos para entrenamiento o evaluación.

Vas a crear tus propios datasets. Desde archivos CSV, JSON, o bases de datos como Airtable. Los formateas correctamente para que funcionen con los modelos.

Vas a aprender las técnicas de preprocessing. Tokenización batch, padding, truncation. Todo lo que necesitas para que tus datos entren en el modelo sin problemas.

Vas a entender el streaming de datos. Para datasets masivos que no caben en memoria, procesas los datos sobre la marcha sin saturar tu máquina.

Al final de este módulo, gestionas datos de manera eficiente. Desde la carga hasta el preprocessing, tienes un pipeline de datos limpio.

Los modelos pre-entrenados son buenos. Los modelos fine-tuneados para tu caso específico son mejores. Aquí aprendes a adaptarlos.

Vas a entender cuándo hacer fine-tuning. No siempre es necesario. A veces un modelo genérico basta. Sabes evaluar si vale la pena el esfuerzo.

Vas a usar el Trainer API. La manera más simple de fine-tunear un modelo. Configuras los hiperparámetros, lanzas el entrenamiento, y monitorizas el progreso.

Vas a aprender técnicas de optimización. Learning rate scheduling, early stopping, gradient accumulation. Los trucos que marcan la diferencia entre un fine-tuning mediocre y uno que funciona.

Vas a gestionar los recursos. Cómo entrenar con GPU limitada, usar mixed precision (fp16), y optimizar para no explotar tu presupuesto cloud.

Al final de este módulo, puedes adaptar cualquier modelo a tus datos. Tienes un workflow de fine-tuning reproducible y eficiente.

Tener un modelo que funciona en tu ordenador está bien. Tener un modelo accesible para otros está mejor. Aquí aprendes a desplegar.

Vas a crear un Space con Gradio. En minutos, tienes una interfaz web donde cualquiera puede probar tu modelo. Sin gestionar servidores, sin código frontend complejo.

Vas a explorar Streamlit para Spaces. Otra opción para crear demos más personalizadas con dashboards y visualizaciones.

Vas a usar la Inference API. Llamadas HTTP para usar modelos sin instalar nada. Ideal para integrar IA en aplicaciones existentes sin tocar la infraestructura.

Vas a entender las opciones de despliegue. Inference Endpoints para producción, Spaces para demos, API para integraciones. Cada opción tiene su caso de uso.

Al final de este módulo, despliegas modelos de manera profesional. Tienes demos funcionales y sabes cómo escalar si es necesario.

Cerramos con proyectos completos que combinan todo lo aprendido. De principio a fin, desde la idea hasta el despliegue.

Vas a construir un chatbot con modelos de text-generation. Desde la selección del modelo hasta la interfaz conversacional, pasando por la gestión del contexto.

Vas a crear un sistema de análisis de documentos. Extracción de información, clasificación, resumen automático. Un pipeline completo para procesar textos.

Vas a desarrollar una aplicación de búsqueda semántica. Embeddings, similitud de vectores, y retrieval. La base de muchos sistemas RAG modernos.

Vas a aprender a debuggear. Cuando algo no funciona (y pasará), sabes dónde mirar, qué logs revisar, y cómo iterar rápido.

Al final de este módulo, tienes proyectos terminados en tu portfolio. Sabes usar Hugging Face para resolver problemas reales de principio a fin.