Curso de Inteligencia Artificial con Python

Lección 1 • Configuración de Su Entorno de Python

Instale Python, configure entornos virtuales y elija un IDE adecuado para el desarrollo de IA. Establece la base técnica de la que depende cada capítulo subsiguiente.

Lección 2 • Flujo de Control y Bucles

Aplique condicionales e iteración para automatizar tareas repetitivas de datos de IA. Habilita directamente los patrones de procesamiento por lotes utilizados a lo largo del curso.

Lección 3 • Depuración y Manejo de Errores

Lea tracebacks, use un depurador y escriba bloques try/except para manejar errores en tiempo de ejecución. El manejo confiable de errores previene fallos silenciosos en flujos de trabajo de IA.

Lección 4 • Sintaxis Básica y Tipos de Datos en Python

Cubra variables, operadores, cadenas, números y booleanos con ejemplos relevantes para IA. Proporciona el vocabulario para todas las tareas de preparación de datos que se presentarán más adelante.

Lección 1 • Trabajo con Cadenas y Texto

Aplique métodos de cadena, formato y expresiones regulares para limpiar datos de texto sin procesar. El preprocesamiento de texto es un paso fundamental en cada pipeline de NLP y LLM.

Lección 2 • Entrada/Salida de Archivos y Serialización de Datos

Lea y escriba archivos de texto, CSV y JSON para persistir e intercambiar datos de IA. Conecta los scripts de Python con fuentes de datos del mundo real utilizadas en capítulos posteriores.

Lección 3 • Diccionarios y Conjuntos

Almacene pares clave-valor y colecciones únicas para búsqueda rápida y deduplicación. Estas estructuras fundamentan los mapas de características y las tablas de vocabulario en tareas de NLP.

Lección 4 • Listas y Tuplas en Profundidad

Manipule secuencias ordenadas usando rebanado, comprensiones y métodos integrados. Las listas son el contenedor principal para conjuntos de datos de IA sin procesar y salidas de modelos.

Lección 1 • Álgebra Lineal con NumPy

Realice multiplicación de matrices, descomposición y resolución de sistemas lineales. Estas operaciones son el núcleo matemático de las redes neuronales y la reducción de dimensionalidad.

Lección 2 • Indexación, Rebanado y Redimensionamiento

Seleccione, filtre y redimensione datos de arreglos usando técnicas de indexación avanzada. El redimensionamiento es necesario antes de alimentar datos a las capas de una red neuronal.

Lección 3 • Agregaciones Estadísticas y Muestreo Aleatorio

Calcule estadísticas descriptivas y genere muestras aleatorias reproducibles para experimentos de IA. El muestreo reproducible garantiza una evaluación y comparación justa de modelos.

Lección 4 • Operaciones Vectorizadas y Difusión (Broadcasting)

Aplique matemáticas elemento por elemento y reglas de difusión para evitar bucles lentos en Python. La vectorización es la base del rendimiento de todos los cálculos numéricos de IA.

Lección 1 • Agrupación, Agregación y Combinación

Resuma datos con groupby y combine conjuntos de datos usando operaciones de merge y join. Estas habilidades permiten la ingeniería de características a partir de múltiples fuentes de datos relacionales.

Lección 2 • Limpieza y Transformación de Datos

Maneje valores faltantes, duplicados y tipos incorrectos para producir conjuntos de datos limpios. Los datos limpios determinan directamente la calidad de los modelos de IA entrenados.

Lección 3 • Ingeniería de Características con Pandas

Cree nuevas características mediante agrupamiento, codificación y aplicación de funciones personalizadas. Las características diseñadas a menudo tienen el mayor impacto en la precisión del modelo.

Lección 4 • Filtrado, Ordenamiento y Consulta

Aplique filtros booleanos, cadenas de consulta y operaciones de ordenamiento para aislar datos pertinentes. La creación precisa de subconjuntos es esencial para crear divisiones de entrenamiento y validación.

Lección 1 • Fundamentos de Matplotlib

Construya gráficos de línea, barra y dispersión usando la API orientada a objetos de Matplotlib. Una base sólida en Matplotlib respalda toda biblioteca de visualización de nivel superior.

Lección 2 • Flujos de Trabajo de Análisis Exploratorio de Datos

Combine Pandas y herramientas de visualización para perfilar sistemáticamente un nuevo conjunto de datos. El EDA estructurado reduce sorpresas durante el entrenamiento y la evaluación del modelo.

Lección 3 • Visualización del Rendimiento del Modelo

Dibuje matrices de confusión, curvas ROC y curvas de aprendizaje para evaluar modelos de IA. Las visualizaciones de rendimiento son esenciales para diagnosticar subajuste y sobreajuste.

Lección 1 • Aprendizaje No Supervisado y Reducción de Dimensionalidad

Agrupe datos con K-Means y reduzca dimensiones con PCA para análisis exploratorio. Los métodos no supervisados revelan estructura oculta en conjuntos de datos de IA no etiquetados.

Lección 2 • La API de Scikit-Learn y el Flujo de Trabajo

Comprenda el patrón fit/predict/transform y construya un pipeline de ML completo. La API unificada hace que el cambio entre modelos y pasos de preprocesamiento sea fluido.

Lección 3 • Aprendizaje Supervisado: Clasificación

Entre regresión logística, árboles de decisión y clasificadores de ensamble en datos etiquetados. La clasificación es la tarea de IA más común en aplicaciones de negocio e investigación.

Lección 4 • Aprendizaje Supervisado: Regresión

Prediga objetivos continuos usando modelos de regresión lineal, polinomial y regularizada. La regresión sustenta casos de uso de pronóstico, fijación de precios y estimación de demanda.

Lección 1 • Bucles de Entrenamiento y Optimización

Implemente bucles de entrenamiento completos con funciones de pérdida, optimizadores y programas de tasa de aprendizaje. Un bucle de entrenamiento bien estructurado es el núcleo de cada experimento de aprendizaje profundo.

Lección 2 • Construcción de Redes Neuronales con nn.Module

Defina arquitecturas de red personalizadas usando nn.Module, capas y funciones de activación. El diseño modular de redes permite una experimentación rápida con diferentes arquitecturas.

Lección 3 • Redes Neuronales Convolucionales para Imágenes

Construya CNNs con capas convolucionales, de pooling y totalmente conectadas para tareas de imagen. Las CNNs son la arquitectura dominante para aplicaciones de IA de visión por computador.

Lección 4 • Fundamentos de Tensores y Autograd

Cree y manipule tensores de PyTorch y comprenda la diferenciación automática. Autograd es el motor detrás del aprendizaje basado en gradientes en todos los modelos de aprendizaje profundo.

Lección 1 • APIs de LLM e Ingeniería de Prompts

Llame APIs de LLM, estructure prompts y procese respuestas para tareas posteriores. Un diseño de prompts efectivo mejora drásticamente la calidad de salida sin ningún entrenamiento del modelo.

Lección 2 • Biblioteca Transformers de Hugging Face

Cargue modelos preentrenados y tokenizadores desde el Hugging Face Hub para inferencia. La biblioteca Transformers proporciona acceso a miles de modelos de IA listos para usar.

Lección 3 • Generación Aumentada por Recuperación (RAG)

Combine búsqueda vectorial con generación de LLM para fundamentar respuestas en documentos externos. RAG reduce la alucinación y permite a los LLM responder preguntas de dominio específico.

Lección 4 • Ajuste Fino de LLMs en Datos Personalizados

Prepare conjuntos de datos y ejecute ajuste fino eficiente en parámetros para adaptar modelos a nuevos dominios. El ajuste fino produce mayor precisión que el prompting por sí solo para tareas especializadas.