course/pr_1213/es/chapter7/1.md

# Introducción[[introduction]]

En el [Capítulo 3](/course/chapter3) viste cómo ajustar un modelo para clasificación de texto. En este capítulo vamos a trabajar con varias tareas clásicas de PLN (procesamiento de lenguaje natural) que siguen siendo fundamentales tanto para los modelos tradicionales como para los LLMs (modelos de lenguaje de gran tamaño) modernos:

- Clasificación de tokens
- Modelado de lenguaje enmascarado
- Traducción
- Resumen
- Entrenamiento de un modelo de lenguaje causal
- Respuesta a preguntas

Estas tareas son la base de muchas de las técnicas que luego aparecen en sistemas más avanzados. Entenderlas bien te da una visión mucho más clara de cómo funcionan los modelos de lenguaje actuales.

{#if fw === 'pt'}

Para ello, aprovecharás todo lo que aprendiste sobre la API `Trainer` y la librería 🤗 Accelerate en el [Capítulo 3](/course/chapter3), la librería 🤗 Datasets en el [Capítulo 5](/course/chapter5), y la librería 🤗 Tokenizers en el [Capítulo 6](/course/chapter6). También subiremos nuestros resultados al Hub, como hicimos en el [Capítulo 4](/course/chapter4), así que este es el capítulo donde todas esas piezas empiezan a encajar juntas.

Cada sección puede leerse de forma independiente y te mostrará cómo entrenar un modelo usando la API `Trainer` o mediante un bucle de entrenamiento propio con 🤗 Accelerate. Si quieres, puedes saltarte algunas partes y centrarte solo en las tareas que más te interesen.

{:else}

Para ello, aprovecharás todo lo que aprendiste sobre el entrenamiento de modelos con Keras en el [Capítulo 3](/course/chapter3), la librería 🤗 Datasets en el [Capítulo 5](/course/chapter5), y la librería 🤗 Tokenizers en el [Capítulo 6](/course/chapter6). También subiremos nuestros resultados al Hub, como hicimos en el [Capítulo 4](/course/chapter4), así que aquí es donde todo empieza a juntarse.

Cada sección puede leerse de forma independiente.

{/if}

> [!TIP]
> Si lees las secciones en orden, notarás que comparten bastante código y algunas explicaciones. Esa repetición es intencional: así puedes entrar en cualquier tarea concreta sin depender demasiado de las anteriores.