Curso Hugging Face, 1:1.Shipeas modelos de IA open source.
Un experto en Hugging Face abre tu cuenta contigo y trabaja lo que importa: navegar el Hub y elegir el modelo adecuado, ejecutar Transformers, hacer fine-tuning con tus datos y desplegar vía la Inference API. Partimos de tu caso real, no de teoría.
★★★★★ 4,7/5 · +300 pros formados · Certificada France Num
Activecampaign
Adalo
AdCreative.ai
Agencia Hermes Agent
Ahref
Airtable
Allo-The-Mobile-First-Company
Anthropic
Apify
Apolloio
Attio
Base44
Baserow
Brevo
Bright-Data
Browse-Ai
Bubble
Captaindata
ChatGPT
Claude
Claude CodeClaude CoworkClaude Design
Clay
Clickup
Cursor
DeepSeek
Depuración Make
Depuración n8n
Depuración Zapier
Dust
ElevenLabs
Fillout
Flutterflow
Folk-Crm
Freepik SpacesEntregamos modelos Hugging Face para clientes reales, no solo en teoría.
La mayoría de los cursos de Hugging Face son tutoriales grabados por personas que abrieron la herramienta la víspera. En Hack'celeration es al revés: encontrar el modelo adecuado en el Hub, ejecutarlo con Transformers, hacerle fine-tuning en LoRA sobre datos de clientes, desplegarlo en Inference Endpoints y conectarlo vía la API, es nuestro día a día de agencia. Entregamos modelos Hugging Face para clientes cada semana. Todo lo que te enseñamos lo practicamos sobre proyectos entregados. Conocemos las trampas (el modelo con mala licencia, la GPU que se satura, el fine-tuning que no aporta nada frente a un buen prompt) porque ya las hemos resuelto.
- Entregamos modelos Hugging Face para clientes cada semana, no solo en teoría
- Formato 1:1: el formador se adapta a tu nivel, principiante en Python o ML experimentado
- Te decimos cuándo un modelo open source no es la mejor opción (a veces la API de OpenAI basta para tu caso)
- Partimos de tu dataset real y tus necesidades reales, no de un ejemplo de mentira
El curso Hugging Face se apoya en cuatro pilares concretos.
Hugging Face mal abordado son horas perdidas en la búsqueda del Hub, el modelo equivocado que satura tu GPU, y un fine-tuning que no aporta nada. La mayoría de los líos vienen del método, no de la herramienta. Retomamos tu cuenta real y recorremos los cuatro pilares juntos.
- El Hub y la elección del modelo
El modelo adecuado en el momento justo, entre cientos de miles
El Hub aloja más de 1 millón de modelos, además de datasets y Spaces. La trampa del principiante es coger el modelo más descargado sin mirar su licencia, su tamaño ni su tarea. Te enseñamos a leer una model card, comparar leaderboards, verificar la licencia (comercial o no) y elegir entre un modelo grande y una versión cuantizada que quepa en tu GPU. Sales sabiendo encontrar y decidir, no perdiéndote en la búsqueda.
Explorar el Hub - Transformers e inferencia
Ejecuta un modelo en local, pipeline e inferencia
La librería Transformers carga un modelo en unas líneas. Te enseñamos los pipelines (texto, imagen, audio), el tokenizer, el paso de CPU a GPU y la gestión de memoria para no colgar tu máquina. También vemos cuándo usar la Inference API alojada en vez de ejecutarlo todo en tu equipo. Terminas con un modelo que responde de verdad, desde tu notebook o tu script de Python.
Ver Transformers - Fine-tuning con tus datos
Especializa un modelo open source, con tu dataset real
Un modelo genérico no conoce tu sector. Preparamos tu dataset (formato, limpieza, split train/test), elegimos LoRA o QLoRA con la librería PEFT para hacer fine-tuning sin alquilar una granja de GPU, y evaluamos el resultado sobre tus propios ejemplos. Te decimos con honestidad cuándo basta un buen prompt y cuándo el fine-tuning vale el coste. Sales con un modelo entrenado con tus datos y subido al Hub.
Ver el fine-tuning - Despliegue y API
Pon tu modelo en producción, Inference Endpoints y API
Un modelo que funciona en un notebook no sirve de nada hasta que es accesible. Desplegamos vía Inference Endpoints (autoescalado, GPU gestionada) o un Space para una demo de Gradio, y conectamos la llamada a tu producto con la API. Miramos el coste real por uso, la latencia y el control de tus datos (autoalojado vs API cerrada). Sales con un endpoint que funciona, llamado desde tu código o tu automatización no-code.
Hablar de despliegue
Descubre a los formadores, sal con un plan.
Deja tu email. Volvemos a ti para ponerte en contacto con un formador certificado por Hack'celeration: miramos tu caso de uso, tu dataset y tu hardware, y te decimos por dónde empezar. Sin compromiso, aunque no hagas el curso.
- Un diagnóstico de tu caso ML y del modelo adecuado a apuntar
- Las primeras acciones a hacer, por orden de prioridad
- El formato 1:1 adecuado para tu nivel de Python y tus objetivos
- Una opinión honesta: modelo open source o API cerrada según tu caso
Tu acompañamiento Hugging Face, paso a paso.
Cinco pasos, sin saltarse ninguno. Cada uno sobre tu cuenta real, con un entregable claro. Desde la primera sesión encuadramos tu caso ML y elegimos tu primer modelo. Al final, usas Hugging Face sin nosotros.
- Paso 1 · Auditoría de tu caso ML
Abrimos tu cuenta de Hugging Face y encuadramos tu necesidad real
Primera sesión, compartimos tu pantalla y miramos tu caso juntos. ¿Qué quieres hacer: clasificar texto, extraer información, generar, transcribir audio, visión? Miramos tus datos, tu nivel de Python, tu hardware (GPU local o no) y tu presupuesto. Detectamos qué gestiona bien un modelo open source y qué no vale la pena. Sales con un diagnóstico claro y la lista de tareas, por orden de prioridad. Sin teoría, tu cuenta real.
- Paso 2 · Elegir y ejecutar un modelo
Encontramos el modelo adecuado en el Hub y lo ponemos en marcha
Vamos a lo concreto. Buscamos en el Hub el modelo que encaja con tu tarea, leemos su model card, comprobamos su licencia y su tamaño, comparamos dos o tres candidatos. Después lo ejecutamos con Transformers: pipeline, tokenizer, inferencia sobre tus propios ejemplos. Si tu máquina va justa, pasamos a una versión cuantizada o a la Inference API. Al final del paso, tienes un modelo que responde sobre tus datos, no sobre un ejemplo de la documentación.
- Paso 3 · Fine-tuning con tus datos
Especializamos un modelo con tu dataset real
Aquí es donde tu modelo se vuelve realmente útil. Preparamos tu dataset (formato, limpieza, split train/test), elegimos LoRA o QLoRA con PEFT para hacer fine-tuning sin disparar tu presupuesto de GPU, y lanzamos el entrenamiento. Evaluamos el resultado sobre tus propios ejemplos, no un benchmark genérico. Lo comparamos con un simple prompt para confirmar que el fine-tuning aporta algo de verdad. Terminas con un modelo entrenado con tus datos y subido al Hub.
- Paso 4 · Despliegue y API
Ponemos tu modelo en producción y lo conectamos
Un modelo en un notebook no sirve a nadie. Desplegamos vía Inference Endpoints (GPU gestionada, autoescalado) para producción, o un Space con Gradio para una demo compartible. Conectamos la llamada a tu producto con la API de Hugging Face, miramos la latencia, el coste real por uso y el control de tus datos. También lo conectamos a Make o n8n si tu flujo es no-code. Sales con un endpoint que funciona, llamado desde tu código.
- Paso 5 · Autonomía
Usas Hugging Face sin nosotros
El objetivo número uno: que seas autónomo. Al final del acompañamiento, sabes navegar el Hub, elegir un modelo, ejecutarlo con Transformers, hacerle fine-tuning con tus datos y desplegarlo vía la API. Ya no necesitas una agencia para shipear un modelo open source. Y si quieres delegar más adelante, también tenemos una agencia Hugging Face, pero ese no es el objetivo aquí.
Por qué formarte en 1:1 con nosotros.
- +300Pros ya formados en IA
Más de 300 personas han pasado por nuestras formaciones en Francia y Europa. Devs, data scientists, equipos técnicos, fundadores de pymes. No son cifras de vanidad: gente que ejecuta y despliega modelos open source de verdad, en vez de quedarse atascada en la documentación.
- 4,7/5Nota sobre 334 reseñas verificadas
Nota media de 4,7 sobre 5, sobre 334 reseñas. No te vamos a prometer que el ML es magia: hay que practicar sobre tus casos y tus datos reales. Pero el formato 1:1 marca la diferencia para pasar del tutorial que sigues sin entender al modelo que sabes manejar de verdad.
- 1:1Un experto dedicado, no una clase de 100
No eres un número en un webinar. Un formador abre tu cuenta real de Hugging Face, mira tu código y tu dataset, y avanza sobre tus casos concretos. Programamos las sesiones según tu disponibilidad, repeticiones incluidas.
Una agencia en activo, reconocida por el Estado francés.
Hack'celeration está certificada Activateur France Numérique y ostenta el título de Embajadora de la IA, otorgados por France Num a las estructuras que impulsan de verdad la transformación digital de las empresas. Sobre el terreno, entregamos modelos Hugging Face para clientes cada semana: más de 300 pros formados y una nota de 4,7/5 sobre 334 reseñas verificadas, dejadas por quienes hicieron nuestros acompañamientos, no solo por el comprador.
- Certificada Activateur France Numérique
- Embajadora de la IA (France Num)
- +300 pros formados en Francia y Europa
- 4,7/5 sobre 334 reseñas verificadas
Las preguntas que más nos hacen.
¿Qué es un curso de Hugging Face en 1:1?
Un acompañamiento individual con un experto en Hugging Face, no una clase de 100 personas. Abrimos tu cuenta real, miramos tu código y tu dataset, y avanzamos sobre tus casos reales: navegación del Hub, elección del modelo, Transformers, fine-tuning, despliegue y API. Haces tus preguntas en directo, el formador adapta el ritmo a tu nivel. Programamos las sesiones según tu disponibilidad, y sales con acciones concretas cada vez. Eso marca la diferencia entre seguir un tutorial sin entenderlo y saber manejar de verdad los modelos open source.¿Cuánto cuesta el curso de Hugging Face?
No hay un precio único. Te ponemos en contacto con un formador certificado por Hack'celeration, según tu necesidad y tu nivel. El precio varía de un formador a otro, según su perfil y el formato que encaje con tu proyecto.¿Hay que programar o saber Python para hacerlo?
Un mínimo de Python ayuda mucho, porque Transformers, datasets y fine-tuning pasan por código. Pero el formato 1:1 parte de tu nivel exacto: principiante en Python, vamos paso a paso sobre notebooks listos para adaptar; data scientist experimentado, saltamos directo al fine-tuning y la optimización. Si no quieres programar nada, encuadramos más bien un uso de la Inference API conectada a no-code, pero para sacar todo el partido del Hub, algo de Python sigue siendo la buena inversión.¿Hugging Face o la API de OpenAI: cuál elegir?
Depende de tu caso, y a veces la respuesta es ambos. La API de OpenAI (o Anthropic) es imbatible para arrancar rápido, sin gestionar infraestructura, en tareas de razonamiento generalista. Hugging Face y los modelos open source ganan cuando quieres el control de tus datos, un coste contenido a gran volumen, un modelo especializado con fine-tuning sobre tu sector, o autoalojamiento por motivos regulatorios. En el curso te ayudamos a decidir con honestidad según tu volumen, tu presupuesto y tus restricciones de confidencialidad.¿Cuánto cuesta el fine-tuning y hace falta una GPU grande?
Menos de lo que crees, gracias a LoRA y QLoRA. Estos métodos (con la librería PEFT) entrenan solo una pequeña fracción de los parámetros, así que puedes hacer fine-tuning de un modelo de varios miles de millones de parámetros en una sola GPU alquilada por horas, a veces por unos pocos euros por run. No hace falta comprar una granja de tarjetas. En 1:1, elegimos el método adecuado a tu tamaño de modelo y presupuesto, lanzamos el entrenamiento en una GPU cloud, y comprobamos que la ganancia justifica el coste antes de seguir.¿Los modelos open source valen lo mismo que los cerrados?
Para muchas tareas, sí, y la brecha se cerró rápido en 2025. En clasificación, extracción, transcripción o un dominio bien acotado, un buen modelo open source con fine-tuning rivaliza a menudo con uno cerrado, manteniendo tus datos en casa. En razonamiento generalista muy complejo, los grandes modelos cerrados aún llevan ventaja. La pregunta real no es cuál es mejor en abstracto, sino cuál es mejor para tu tarea, tu volumen y tu presupuesto. Te ayudamos a medirlo sobre tus propios casos.¿Cómo se despliega un modelo de Hugging Face en producción?
Varios caminos según tu necesidad. Inference Endpoints despliega tu modelo en una GPU gestionada con autoescalado, accesible mediante una URL de API, sin gestionar la infraestructura tú mismo. Un Space con Gradio sirve para publicar una demo compartible. Para un control total, lo autoalojamos en tu propio servidor. Miramos juntos la latencia, el coste por uso y la disponibilidad. En el curso, desplegamos tu modelo en un endpoint real y lo conectamos a tu producto o tu automatización, no solo a un ejemplo.¿Mis datos siguen siendo confidenciales con Hugging Face?
Esa es justamente una de las grandes ventajas del open source. Si ejecutas un modelo en local o en tu propio servidor, tus datos nunca salen de tu infraestructura, al contrario que en una API de terceros donde envías todo al proveedor. En Inference Endpoints, el cálculo corre en una infraestructura dedicada que controlas. Para un dataset privado en el Hub, eliges su visibilidad (privado por defecto). En el curso, encuadramos la arquitectura más adecuada a tus restricciones de RGPD y a la sensibilidad de tus datos.¿Qué son exactamente el Hub, Transformers y los Spaces?
Tres piezas del ecosistema. El Hub es la plataforma que aloja más de un millón de modelos, miles de datasets y Spaces, con búsqueda, model cards y versionado. Transformers es la librería de Python que carga y ejecuta esos modelos en unas líneas (texto, imagen, audio). Los Spaces son apps de demo alojadas, a menudo en Gradio, para mostrar un modelo sin desplegar infraestructura. En el curso usamos las tres juntas: encontramos un modelo en el Hub, lo ejecutamos con Transformers, y publicamos una demo en un Space.¿El curso es online o presencial?
100% online, por vídeo, en 1:1. Te unes a las sesiones desde donde estés, compartimos tu pantalla, tu notebook y tu cuenta de Hugging Face en directo. Las sesiones se graban por si quieres repasarlas. El formato individual significa interacción real: no eres un número en un webinar de 100, el formador responde a tus preguntas sobre tu código y tu dataset. Eso hace que el aprendizaje sea concreto en un tema tan técnico como los modelos open source.
El open source puede hacer mucho por ti. Conoce a tu formador.
Deja tu email. Un experto que despliega Hugging Face a diario mira tu caso y te enseña cómo shipear un modelo open source de verdad. Sin compromiso, aunque no hagas el curso.