La ruta de aprendizaje
30 temas en 6 fases, 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. Los temas se publican de a uno.
Empieza por el tema 1Fase 1 · Programar con datos
Temas 1 a 5
- 1
Python I: tu primer programa
Escribir y ejecutar código en Colab: valores, variables, decisiones y bucles.
- 2
Python II: funciones y colecciones
Organizar el código en funciones y guardar datos en listas y diccionarios.
- 3
NumPy: pensar en arreglos
Vectores, matrices y tensores para operar con muchos números a la vez.
- 4
Pandas y visualización: explorar un dataset real
Cargar, limpiar, resumir y graficar datos tabulares antes de modelar.
- 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
- 6
Regresión lineal y descenso de gradiente
El primer modelo que aprende: ajustar una recta minimizando el error, paso a paso.
- 7
Generalizar: sobreajuste, validación y regularización
Un modelo sirve si acierta en datos que nunca vio.
- 8
Clasificar: vecinos cercanos y regresión logística
Predecir categorías: primero por parecido, luego con probabilidades.
- 9
Evaluar bien: métricas, matriz de confusión y curva ROC
Medir un clasificador según lo que importa en el problema real.
- 10
Preparar datos: limpieza, variables y pipelines
La mayor parte del trabajo real: dejar los datos listos sin hacerse trampa.
- 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
- 12
Máquinas de vectores de soporte
La frontera con el mayor margen posible, y los kernels para fronteras curvas.
- 13
Datos en el tiempo: series temporales y ventanas
Predecir el futuro a partir del pasado sin mirar el futuro por accidente.
- 14
Agrupar sin etiquetas: clustering
Descubrir grupos en los datos cuando nadie dijo qué buscar.
- 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
- 16
De la neurona a la red: perceptrón y MLP
Neuronas artificiales, activaciones y por qué hacen falta capas.
- 17
Backpropagation: cómo aprende una red
La regla de la cadena aplicada con orden, programada desde cero.
- 18
PyTorch: tensores, autograd y el bucle de entrenamiento
La herramienta profesional para todo lo que viene después.
- 19
Entrenar bien: optimizadores, inicialización y regularización
Las decisiones que separan una red que aprende de una que no.
- 20
Redes convolucionales
Cómo una red aprende a ver bordes, texturas y formas.
Fase 5 · Lenguaje y atención
Temas 21 a 25
- 21
Texto como datos: tokens, vocabulario y clasificación
Convertir palabras en números y clasificar textos con lo que ya sabes.
- 22
Embeddings: representar cosas como vectores
Palabras, imágenes y sonidos convertidos en puntos de un espacio donde la cercanía significa algo.
- 23
Atención y transformers
El mecanismo que permite a cada parte de un texto o una imagen mirar a las demás.
- 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.
- 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
- 26Próximamente
Visión moderna: modelos preentrenados, autoaprendizaje y CLIP
Usar redes que ya vieron millones de imágenes, y conectar imágenes con texto.
- 27Próximamente
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.
- 28Próximamente
Audio: del sonido a los números
Ondas, espectrogramas y modelos que escuchan y transcriben.
- 29Próximamente
Modelos generativos: autoencoders, GANs y difusión
Modelos que no solo reconocen, sino que crean imágenes nuevas.
- 30Próximamente
Proyecto final e IA responsable
Construir un sistema de IA completo, medirlo con honestidad y pensar en sus efectos.