Aprendizaje automático y redes neuronales

Machine learning y deep learning

30 temas en 6 fases, más un tema optativo, de tu primer programa en Python a modelos que ven, escuchan y crean. Cada tema se abre en cuatro fichas: resumen, teoría, código y ejercicios, con actividades para tocar las ideas. Es una de las rutas de la OBIA.

Empieza por el tema 1Glosario

Fase 1 · Programar con datos

Temas 1 a 5

  1. 1

    Python I: tu primer programa

    Escribir y ejecutar código en Colab: valores, variables, decisiones y bucles.

  2. 2

    Python II: funciones y colecciones

    Organizar el código en funciones y guardar datos en listas y diccionarios.

  3. 3

    NumPy: pensar en arreglos

    Vectores, matrices y tensores para operar con muchos números a la vez.

  4. 4

    Pandas y visualización: explorar un dataset real

    Cargar, limpiar, resumir y graficar datos tabulares antes de modelar.

  5. 5

    Matemáticas con código: pendientes, promedios y azar

    La matemática mínima para entender cómo aprende un modelo, aprendida programando.

Fase 2 · Aprender de ejemplos

Temas 6 a 11

  1. 6

    Regresión lineal y descenso de gradiente

    El primer modelo que aprende: ajustar una recta minimizando el error, paso a paso.

  2. 7

    Generalizar: sobreajuste, validación y regularización

    Un modelo sirve si acierta en datos que nunca vio.

  3. 8

    Clasificar: vecinos cercanos y regresión logística

    Predecir categorías: primero por parecido, luego con probabilidades.

  4. 9

    Evaluar bien: métricas, matriz de confusión y curva ROC

    Medir un clasificador según lo que importa en el problema real.

  5. 10

    Preparar datos: limpieza, variables y pipelines

    La mayor parte del trabajo real: dejar los datos listos sin hacerse trampa.

  6. 11

    Árboles de decisión y ensambles

    Modelos que preguntan «sí o no», y por qué muchos árboles juntos aciertan más.

Fase 3 · Más modelos, tiempo y estructura

Temas 12 a 15

  1. 12

    Máquinas de vectores de soporte

    La frontera con el mayor margen posible, y los kernels para fronteras curvas.

  2. 13

    Datos en el tiempo: series temporales y ventanas

    Predecir el futuro a partir del pasado sin mirar el futuro por accidente.

  3. 14

    Agrupar sin etiquetas: clustering

    Descubrir grupos en los datos cuando nadie dijo qué buscar.

  4. 15

    Reducir dimensiones: PCA, t-SNE y UMAP

    Ver datos de muchas dimensiones en dos, y comprimir sin perder lo esencial.

Fase 4 · Redes neuronales

Temas 16 a 20.5

  1. 16

    De la neurona a la red: perceptrón y MLP

    Neuronas artificiales, activaciones y por qué hacen falta capas.

  2. 17

    Backpropagation: cómo aprende una red

    La regla de la cadena aplicada con orden, programada desde cero.

  3. 18

    PyTorch: tensores, autograd y el bucle de entrenamiento

    La herramienta profesional para todo lo que viene después.

  4. 19

    Entrenar bien: optimizadores, inicialización y regularización

    Las decisiones que separan una red que aprende de una que no.

  5. 20

    Redes convolucionales

    Cómo una red aprende a ver bordes, texturas y formas.

  6. 20bis

    Aprender actuando: refuerzo e imitaciónOptativo

    Un agente que aprende con recompensas, y otro que aprende imitando a un experto.

Fase 5 · Lenguaje y atención

Temas 21 a 25

  1. 21

    Texto como datos: tokens, vocabulario y clasificación

    Convertir palabras en números y clasificar textos con lo que ya sabes.

  2. 22

    Embeddings: representar cosas como vectores

    Palabras, imágenes y sonidos convertidos en puntos de un espacio donde la cercanía significa algo.

  3. 23

    Atención y transformers

    El mecanismo que permite a cada parte de un texto o una imagen mirar a las demás.

  4. 24

    Modelos de lenguaje: de predecir la siguiente letra a los LLM

    Cómo un modelo que solo predice el siguiente token termina escribiendo, resumiendo y respondiendo.

  5. 25

    Reutilizar modelos: BERT, codificador-decodificador y ajuste fino

    Partir de un modelo que ya sabe mucho y adaptarlo a tu problema con pocos datos.

Fase 6 · Ver, oír y crear

Temas 26 a 30

  1. 26

    Visión moderna: modelos preentrenados, autoaprendizaje y CLIP

    Usar redes que ya vieron millones de imágenes, y conectar imágenes con texto.

  2. 27

    Detectar y segmentar: dónde está cada cosa

    Pasar de «qué hay en la imagen» a «dónde está», hasta el nivel de cada píxel, también en video.

  3. 28

    Audio: del sonido a los números

    Ondas, espectrogramas y modelos que escuchan y transcriben.

  4. 29

    Modelos generativos: autoencoders, GANs y difusión

    Modelos que no solo reconocen, sino que crean imágenes nuevas.

  5. 30

    Proyecto final e IA responsable

    Construir un sistema de IA completo, medirlo con honestidad y pensar en sus efectos.