Curso de Inteligencia Artificial con Python

Lección 1 • Configuración de tu entorno de Python

Instala Python, configura entornos virtuales y elige un IDE adecuado para el desarrollo de IA. Establece la base técnica de la que depende cada capítulo posterior.

Lección 2 • Flujo de control y bucles

Aplica 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

Lee trazados de pila, usa un depurador y escribe bloques try/except para manejar errores en tiempo de ejecución. Un manejo de errores fiable evita fallos silenciosos en los flujos de trabajo de IA.

Lección 4 • Sintaxis básica de Python y tipos de datos

Abarca variables, operadores, cadenas, números y booleanos con ejemplos relevantes para la IA. Proporciona el vocabulario para todas las tareas de manipulación de datos posteriores.

Lección 1 • Trabajo con cadenas y texto

Aplica 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 PLN y LLM.

Lección 2 • Entrada/Salida de archivos y serialización de datos

Lee y escribe 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

Almacena pares clave-valor y colecciones únicas para búsqueda rápida y deduplicación. Estas estructuras sustentan los mapas de características y las tablas de vocabulario en tareas de PLN.

Lección 4 • Listas y tuplas en profundidad

Manipula 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

Realiza 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 remodelado

Selecciona, filtra y remodela datos de arrays usando técnicas avanzadas de indexación. El remodelado es necesario antes de introducir datos en las capas de una red neuronal.

Lección 3 • Agregaciones estadísticas y muestreo aleatorio

Calcula estadísticas descriptivas y genera muestras aleatorias reproducibles para experimentos de IA. El muestreo reproducible garantiza una evaluación de modelos y una evaluación comparativa justas.

Lección 4 • Operaciones vectorizadas y difusión (broadcasting)

Aplica reglas matemáticas elemento a elemento y de difusión para evitar bucles lentos de Python. La vectorización es la base del rendimiento de toda computación numérica en IA.

Lección 1 • Agrupación, agregación y unión

Resume datos con groupby y combina conjuntos de datos usando operaciones de unión (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

Maneja 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

Crea nuevas características mediante agrupamiento (binning), codificación y aplicación de funciones personalizadas. Las características diseñadas suelen tener el mayor impacto en la precisión del modelo.

Lección 4 • Filtrado, ordenación y consulta

Aplica filtros booleanos, cadenas de consulta y operaciones de ordenación para aislar datos relevantes. La creación precisa de subconjuntos es esencial para crear particiones de entrenamiento y validación.

Lección 1 • Fundamentos de Matplotlib

Construye gráficos de líneas, barras y diagramas de dispersión usando la API orientada a objetos de Matplotlib. Una base sólida en Matplotlib sustenta todas las bibliotecas de visualización de nivel superior.

Lección 2 • Flujos de trabajo de análisis exploratorio de datos

Combina Pandas y herramientas de visualización para perfilar sistemáticamente un nuevo conjunto de datos. Un AED estructurado reduce las sorpresas durante el entrenamiento y la evaluación del modelo.

Lección 3 • Visualización del rendimiento del modelo

Dibuja matrices de confusión, curvas ROC y curvas de aprendizaje para evaluar modelos de IA. Los gráficos de rendimiento son esenciales para diagnosticar el subajuste y el sobreajuste.

Lección 1 • Aprendizaje no supervisado y reducción de dimensionalidad

Agrupa datos con K-Means y reduce dimensiones con PCA para análisis exploratorio. Los métodos no supervisados revelan estructuras ocultas en conjuntos de datos de IA no etiquetados.

Lección 2 • La API de Scikit-Learn y el flujo de trabajo

Comprende el patrón fit/predict/transform y construye un pipeline de ML completo. La API unificada facilita el cambio entre modelos y pasos de preprocesamiento.

Lección 3 • Aprendizaje supervisado: Clasificación

Entrena regresión logística, árboles de decisión y clasificadores de conjunto en datos etiquetados. La clasificación es la tarea de IA más común en aplicaciones empresariales y de investigación.

Lección 4 • Aprendizaje supervisado: Regresión

Predice objetivos continuos usando modelos de regresión lineal, polinomial y regularizada. La regresión sustenta los casos de uso de previsión, fijación de precios y estimación de la demanda.

Lección 1 • Bucles de entrenamiento y optimización

Implementa bucles de entrenamiento completos con funciones de pérdida, optimizadores y programaciones 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

Define 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

Construye CNNs con capas convolucionales, de agrupamiento y totalmente conectadas para tareas de imagen. Las CNNs son la arquitectura dominante para aplicaciones de IA de visión artificial.

Lección 4 • Tensores y fundamentos de Autograd

Crea y manipula tensores de PyTorch y comprende 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

Llama a APIs de LLM, estructura prompts y analiza respuestas para tareas posteriores. Un diseño de prompts efectivo mejora drásticamente la calidad de la salida sin necesidad de entrenar el modelo.

Lección 2 • Biblioteca Transformers de Hugging Face

Carga modelos pre-entrenados y tokenizadores desde el Hub de Hugging Face para inferencia. La biblioteca Transformers proporciona acceso a miles de modelos de IA listos para usar.

Lección 3 • Generación aumentada por recuperación (RAG)

Combina la búsqueda vectorial con la generación de LLM para fundamentar las respuestas en documentos externos. RAG reduce la alucinación y permite a los LLM responder preguntas de dominios específicos.

Lección 4 • Ajuste fino de LLMs con datos personalizados

Prepara conjuntos de datos y ejecuta un ajuste fino eficiente en parámetros para adaptar modelos a nuevos dominios. El ajuste fino produce una mayor precisión que el diseño de prompts solo para tareas especializadas.