GuíaBásico
Guía de Fundamentos de IA
Construye una base conceptual sólida sobre Inteligencia Artificial moderna. Esta guía te lleva desde las definiciones fundamentales (AI, ML, Deep Learning) hasta comprender cómo funcionan Transformers, LLMs como GPT-4 y Claude, y el ecosistema completo de AI APIs. Con rigor técnico suficiente para tomar decisiones arquitecturales. Diseñada para developers que quieren convertirse en AI Engineers: integrar modelos, no entrenarlos. 8 módulos, 56 cápsulas, y un proyecto final de diseño de sistema AI. La primera guía del AI Engineering Path y tu punto de entrada al mundo de la ingeniería de AI.
- 56
- lecciones
- 8
- módulos
- Inglés · Español
- disponible en
- Sí
- certificado
- Gratis
- acceso
Resultados
Lo que vas a poder hacer
- Explicar qué es AI, ML, Deep Learning y AI Generativa con claridad técnica
- Entender cómo funcionan las redes neuronales conceptualmente (capas, activación, backpropagation)
- Explicar la arquitectura Transformer y por qué revolucionó AI
- Comprender cómo funcionan los LLMs: tokenización, embeddings, context window, temperatura
- Comparar los principales LLMs (GPT-4, Claude, Llama, Mistral) en dimensiones clave
- Navegar el ecosistema de AI APIs: providers, pricing, open-source vs propietario, local vs cloud
- Diferenciar AI Engineering de ML Engineering y Data Science
- Diseñar arquitecturas high-level de sistemas AI (chatbots, RAG, sistemas Q&A)
Antes de empezar
Qué necesitas traer
Es para ti si...
- Developers que quieren convertirse en AI Engineers y necesitan una base conceptual sólida antes de construir
- Ingenieros de software agregando features de AI a sus productos que necesitan entender cómo funcionan LLMs y APIs
- Profesionales de tecnología transicionando a roles de AI que necesitan entender el stack moderno sin un enfoque pesado en matemáticas
- Estudiantes del bootcamp preparándose para el AI Engineering Bootcamp que quieren una base teórica fuerte
- Cualquier persona con curiosidad técnica que quiere entender Transformers, LLMs y el ecosistema AI a un nivel más profundo que el hype superficial
Requisitos y materiales
- Curiosidad por AI y tecnología
- Capacidad de leer documentación técnica en inglés
- Conocimiento básico de programación (qué es código, qué es una función)
- No se requiere matemáticas avanzadas (ni álgebra lineal, ni cálculo)
- No se necesita experiencia con Python ni Machine Learning
Contenido
El temario, módulo por módulo
Abre cualquiera para ver sus lecciones.
- 1. Introducción al Módulo: Machine Learning Fundamentals
- 2. ¿Qué es Machine Learning?
- 3. Supervised Learning: Aprender con Etiquetas
- 4. Unsupervised Learning: Buscar Patrones sin Etiquetas
- 5. Reinforcement Learning: Aprender por Prueba y Error
- 6. Training vs Inference: La Distinción Más Importante para AI Engineering
- 7. Ejercicio: Clasificar Problemas de Machine Learning
- 1. Introducción al Módulo: Neural Networks & Deep Learning
- 2. ¿Qué es una Neural Network?
- 3. Capas y Arquitectura de Redes Neuronales
- 4. Funciones de Activación: Por Qué las Redes Necesitan No-Linealidad
- 5. Forward Pass: Cómo Fluyen los Datos en una Red Neuronal
- 6. Backpropagation: Cómo Aprende una Red Neuronal
- 7. Arquitecturas Especializadas: CNNs, RNNs y Feedforward
- 8. Ejercicio Integrador: Diseñar Arquitecturas de Redes Neuronales
- 1. Introducción al Módulo: Transformers - La Revolución
- 2. El Problema con RNNs: Por Qué Necesitamos Transformers
- 3. Attention Mechanism: La Idea Clave de Transformers
- 4. Self-Attention: Cómo las Palabras se "Ven" Entre Sí
- 5. Arquitectura Transformer: Encoder, Decoder y Positional Encoding
- 6. Por Qué Transformers Ganan: Paralelización, Contexto Largo y Escalabilidad
- 7. Transformers en Acción: BERT, GPT, T5 y Aplicaciones Reales
- 8. Ejercicio Integrador: Entender Attention y Elegir Modelos
- 1. Introducción al Módulo: La Era de los LLMs
- 2. ¿Qué es un LLM? Definición, Escala y Capacidades
- 3. Tokenización: Cómo el Texto se Convierte en Números
- 4. Embeddings: Representaciones Vectoriales de Significado
- 5. Context Window: El Límite de Memoria de los LLMs
- 6. Parámetros del Modelo: Controlar la Generación
- 7. Los Principales LLMs: GPT-4, Claude 3, Llama 3, Gemini y Más
- 8. Ejercicio Integrador: Explorar y Comparar LLMs
- 1. Introducción al Módulo: APIs como Acceso a AI
- 2. Providers Principales: OpenAI, Anthropic, Google, Meta y Mistral
- 3. Open-Source vs Propietario: Trade-Offs y Cuándo Usar Cada Uno
- 4. Pricing y Token Economics: Cómo se Cobra y Optimizar Costos
- 5. Local vs Cloud: LM Studio, Ollama y Cuándo Usar Cada Uno
- 6. Aggregators y Routers: OpenRouter, Together.ai y Acceso Unificado
- 7. Ejercicio: Elegir el Provider y Stack Apropiado
- 1. Introducción al Módulo: Un Rol que No Existía Hace 3 Años
- 2. AI Engineer vs ML Engineer: Diferencias Fundamentales
- 3. AI Engineer vs Data Scientist: Diferentes Objetivos
- 4. Skills del AI Engineer: Qué Necesitas Saber (y Qué No)
- 5. El Día a Día: Qué Hace un AI Engineer en Empresas
- 6. Ejercicio: ¿Es AI Engineering para Ti? (Autoevaluación Honesta)
- 1. Introducción al Módulo: De Conceptos a Aplicación
- 2. Componentes de un Sistema AI: Frontend, Backend, LLM, Vectores y DBs
- 3. Patrones Comunes: Chatbot, RAG, Agents y Clasificador
- 4. Trade-Offs de Diseño: Costo vs Latencia vs Calidad
- 5. Caso de Estudio: Diseño de un Q&A System sobre Documentación Técnica
- 6. Ejercicio Final: Diseña Tu Propio Sistema AI
Dónde encaja
Esta guía es parte de algo más grande
Se estudia dentro de estos programas, con acompañamiento y fechas.
Dudas frecuentes
Lo que suele preguntarse
Sin límite. Es una guía gratuita: entras cuando quieras, las veces que quieras.
No. Los módulos están ordenados de menos a más, pero puedes saltar al que necesites. Tu progreso se guarda por lección.
Lo que haga falta está en «Qué necesitas traer», arriba. Si no aparece nada ahí, puedes empezar desde cero.
En el grupo de WhatsApp del Club, y cada quince días hay un live con un instructor donde se resuelven dudas en vivo.
Sí. Al terminar todas las lecciones se emite automáticamente, con un código verificable que puedes compartir en LinkedIn.
No. Esta guía es autoguiada y sin fechas. El bootcamp es en vivo, por cohorte, con entregas que alguien revisa.
Empieza cuando quieras
Lo que dicen los estudiantes
Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.
Aún no hay reseñas aprobadas.
¡Sé el primero en compartir tu experiencia!