Curso de inteligencia artificial para programadores

Clase 1 • Qué es Realmente la IA

Define IA, aprendizaje automático y aprendizaje profundo como capas distintas. Fundamenta las definiciones abstractas en tareas de programación concretas que los desarrolladores ya reconocen.

Clase 2 • Historia e Hitos de la IA

Recorre los avances clave desde los primeros perceptrones hasta los modelos transformer. Proporciona contexto sobre por qué las técnicas modernas dominan la práctica actual.

Clase 3 • Fundamentos Matemáticos para IA

Repasa conceptos de álgebra lineal, probabilidad y cálculo que se usan a diario en el código de IA. Se enfoca en la intuición y la aplicación a nivel de código en lugar de demostraciones formales.

Clase 4 • Categorías Centrales de Problemas de IA

Mapea el aprendizaje supervisado, no supervisado y por refuerzo a tareas reales de ingeniería. Permite a los desarrolladores encuadrar nuevos problemas dentro del paradigma de aprendizaje correcto.

Clase 1 • Ingeniería y Transformación de Características

Transforma campos crudos en características listas para el modelo mediante codificación, escalado y agregación. Demuestra cómo la calidad de las características impacta directamente en la precisión del modelo.

Clase 2 • Recolección e Ingesta de Datos

Cubre web scraping, ingesta por API y extracción de bases de datos para datasets de IA. Establece los límites legales y éticos en torno a la obtención de datos.

Clase 3 • Construcción de Pipelines de Datos Reproducibles

Empaqueta transformaciones de datos en etapas de pipeline versionadas y testeables. Introduce herramientas de versionado de datos para rastrear cambios en datasets entre experimentos.

Clase 4 • Limpieza y Validación de Datos

Aplica técnicas programáticas para detectar y corregir valores faltantes, outliers y duplicados. Valida esquemas y distribuciones antes de que los datos ingresen a un pipeline de entrenamiento.

Clase 1 • Agrupamiento y Reducción de Dimensionalidad

Aplica k-means, DBSCAN, PCA y t-SNE a tareas de descubrimiento no supervisado. Enseña métricas de evaluación para escenarios de datos no etiquetados.

Clase 2 • Modelos Basados en Árboles

Construye árboles de decisión, random forests y árboles de gradient boosting con hiperparámetros ajustables. Explica la mecánica de ensamblado que hace del boosting el estado del arte en datos tabulares.

Clase 3 • Regresión Lineal y Logística

Implementa regresión por gradiente descendente desde cero antes de usar versiones de librería. Establece el bucle de optimización de pérdida que todos los modelos subsiguientes comparten.

Clase 4 • Evaluación y Selección de Modelos

Aplica validación cruzada, matrices de confusión, curvas ROC y gráficos de calibración para comparar modelos. Previene la fuga de datos mediante divisiones correctas de entrenamiento-validación-prueba.

Clase 1 • Anatomía de una Red Neuronal

Define capas, neuronas, pesos, sesgos y funciones de activación como objetos de código componibles. Conecta el forward pass con un grafo de computación diferenciable.

Clase 2 • Entrenamiento a Escala con Frameworks

Implementa bucles de entrenamiento en PyTorch y TensorFlow con aceleración por GPU. Cubre data loaders, entrenamiento con precisión mixta y gestión de checkpoints.

Clase 3 • Backpropagation y Optimizadores

Deriva backpropagation mediante la regla de la cadena y la implementa manualmente antes de usar autograd. Compara SGD, Adam y RMSProp en velocidad de convergencia y estabilidad.

Clase 4 • Debugging de Entrenamiento de Redes Neuronales

Diagnostica gradientes que se desvanecen, gradientes explosivos y neuronas muertas usando herramientas de diagnóstico. Establece un flujo de trabajo de debugging sistemático aplicable a cualquier arquitectura.

Clase 1 • Transfer Learning y Fine-Tuning

Adapta modelos preentrenados de ImageNet a nuevas tareas con datos etiquetados limitados. Cubre estrategias de congelamiento de capas y planificación de learning rate para fine-tuning.

Clase 2 • Arquitecturas de Detección de Objetos

Implementa detectores basados en anchors y sin anchors para localizar objetos en imágenes. Evalúa detectores usando mean average precision y umbrales IoU.

Clase 3 • Redes Neuronales Convolucionales

Explica convolución, pooling y campos receptivos como extractores espaciales de características. Implementa una CNN desde cero y rastrea mapas de características a través de cada capa.

Clase 4 • Aumentación de Datos en Visión

Diseña pipelines de aumentación que mejoran la generalización sin corromper etiquetas. Cubre estrategias de aumentación geométricas, de color y avanzadas.

Clase 1 • Inmersión Profunda en la Arquitectura Transformer

Implementa self-attention multi-cabeza y codificación posicional desde cero. Rastrea cómo BERT y GPT difieren en objetivos de preentrenamiento y uso posterior.

Clase 2 • Fine-Tuning de Modelos de Lenguaje Preentrenados

Adapta modelos de la familia BERT a tareas de clasificación, NER y QA con cabezales específicos de tarea. Aplica métodos eficientes en parámetros como LoRA para reducir el costo de cómputo.

Clase 3 • Ingeniería de Prompts y APIs de LLMs

Diseña prompts efectivos para LLMs ajustados por instrucción usando patrones zero-shot y few-shot. Integra APIs de LLMs en código de producción con parseo estructurado de salida.

Clase 4 • Representación de Texto y Preprocesamiento

Convierte texto crudo a representaciones numéricas mediante tokenización, embeddings y TF-IDF. Establece la cadena de preprocesamiento que alimenta cualquier modelo de NLP.

Clase 1 • Empaquetado de Modelos y Contenedorización

Serializa modelos y los envuelve en contenedores Docker con aislamiento de dependencias. Prepara imágenes de modelos portables desplegables en cualquier nube o destino on-premise.

Clase 2 • CI/CD para Aprendizaje Automático

Automatiza pruebas, validación y despliegue de modelos a través de pipelines de CI/CD específicos para ML. Integra puertas de calidad de datos y modelos antes de cualquier promoción a producción.

Clase 3 • Seguimiento de Experimentos y Reproducibilidad

Registra hiperparámetros, métricas y artefactos con MLflow y Weights and Biases. Permite la comparación reproducible de experimentos entre miembros del equipo y ejecuciones.

Clase 4 • Sirviendo Modelos como APIs

Construye endpoints de inferencia REST y gRPC con FastAPI y TorchServe. Aplica batching, caching y manejo asíncrono para cumplir con requisitos de latencia.

Clase 1 • Diseño de Pipelines Multi-Modelo

Compone modelos especializados en pipelines orquestados con lógica de enrutamiento y fallback. Aplica principios de diseño de sistemas a los requisitos de confiabilidad específicos de IA.

Clase 2 • Agentes de IA y Uso de Herramientas

Construye agentes impulsados por LLMs que planifican, llaman herramientas e iteran hacia objetivos de forma autónoma. Implementa los patrones ReAct y de llamada a funciones con barreras de seguridad.

Clase 3 • IA Responsable y Gobernanza

Integra auditorías de sesgo, herramientas de explicabilidad y técnicas de preservación de privacidad en el diseño del sistema. Alinea los sistemas de IA con los requisitos de riesgo y cumplimiento organizacional.

Clase 4 • Infraestructura de IA Escalable

Aprovisiona clústeres de GPU, trabajos de entrenamiento distribuido y autoescalado de inferencia en plataformas cloud. Optimiza el costo de infraestructura mediante instancias spot y cuantización de modelos.