Curso de inteligencia artificial para programadores

Lección 1 • Qué es realmente la IA

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

Lección 2 • Historia e Hitos de la IA

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

Lección 3 • Fundamentos Matemáticos para IA

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

Lección 4 • Categorías Centrales de Problemas de IA

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

Lección 1 • Ingeniería y Transformación de Características

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

Lección 2 • Recolección e Ingesta de Datos

Cubre la extracción de datos web, la ingesta de APIs y la extracción de bases de datos para conjuntos de datos de IA. Establece los límites legales y éticos en torno a la obtención de datos.

Lección 3 • Construcción de Pipelines de Datos Reproducibles

Empaqueta las transformaciones de datos en etapas de pipeline versionadas y sometibles a pruebas. Introduce herramientas de versionado de datos para rastrear los cambios en el conjunto de datos a lo largo de los experimentos.

Lección 4 • Limpieza y Validación de Datos

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

Lección 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 con datos no etiquetados.

Lección 2 • Modelos Basados en Árboles

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

Lección 3 • Regresión Lineal y Logística

Implementa la regresión por descenso de gradiente desde cero antes de usar versiones de librerías. Establece el ciclo de optimización de pérdida que todos los modelos posteriores comparten.

Lección 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.

Lección 1 • Anatomía de una Red Neuronal

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

Lección 2 • Entrenamiento a Escala con Frameworks

Implementa ciclos de entrenamiento en PyTorch y TensorFlow con aceleración por GPU. Cubre cargadores de datos, entrenamiento con precisión mixta y gestión de puntos de control.

Lección 3 • Retropropagación y Optimizadores

Deriva la retropropagación 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.

Lección 4 • Depuración del Entrenamiento de Redes Neuronales

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

Lección 1 • Transferencia de Aprendizaje y Ajuste Fino

Adapta modelos preentrenados de ImageNet a nuevas tareas con datos etiquetados limitados. Cubre estrategias de congelamiento de capas y programación de tasa de aprendizaje para el ajuste fino.

Lección 2 • Arquitecturas de Detección de Objetos

Implementa detectores basados en anclas y libres de anclas para localizar objetos en imágenes. Evalúa los detectores utilizando la precisión promedio media y umbrales de IoU.

Lección 3 • Redes Neuronales Convolucionales

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

Lección 4 • Aumento de Datos para Visión

Diseña pipelines de aumento que mejoran la generalización sin corromper las etiquetas. Cubre estrategias de aumento geométrico, de color y avanzadas.

Lección 1 • Inmersión Profunda en la Arquitectura Transformer

Implementa la auto-atención multi-cabeza y la codificación posicional desde cero. Rastrea cómo BERT y GPT difieren en los objetivos de preentrenamiento y uso posterior.

Lección 2 • Ajuste Fino 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 computacional.

Lección 3 • Ingeniería de Prompts y APIs de LLM

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

Lección 4 • Representación y Preprocesamiento de Texto

Convierte texto sin procesar en representaciones numéricas mediante tokenización, embeddings y TF-IDF. Establece la cadena de preprocesamiento que alimenta cualquier modelo de PLN.

Lección 1 • Empaquetado de Modelos y Contenerización

Serializa modelos y los envuelve en contenedores Docker con aislamiento de dependencias. Prepara imágenes de modelo portables, desplegables en cualquier objetivo en la nube o local.

Lección 2 • CI/CD para Aprendizaje Automático

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

Lección 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.

Lección 4 • Sirviendo Modelos como APIs

Construye endpoints de inferencia REST y gRPC con FastAPI y TorchServe. Aplica procesamiento por lotes, almacenamiento en caché y manejo asíncrono para cumplir con los requisitos de latencia.

Lección 1 • Diseño de Pipelines Multi-Modelo

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

Lección 2 • Agentes de IA y Uso de Herramientas

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

Lección 3 • IA Responsable y Gobernanza

Incorpora auditorías de equidad, herramientas de explicabilidad y técnicas de preservación de la privacidad en el diseño del sistema. Alinea los sistemas de IA con los requisitos organizacionales de riesgo y cumplimiento.

Lección 4 • Infraestructura de IA Escalable

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