Facsímil abierto · En revisión editorial

Inteligencia artificial para gente curiosa

Un facsímil para entender, construir y defender sistemas de IA sin asumir que ya sabes todo de antemano. Toma una parte del taller público como punto de partida, pero aquí se convierte en lectura lenta: capítulos autocontenidos, mapas, fórmulas, laboratorios, referencias y decisiones que puedas llevar a un proyecto real.

Por 686f6c61 · CC BY 4.0 + MIT · 109 de 109 capítulos disponibles

12 facsímiles completos
109 capítulos de lectura
13 laboratorios finales
23 retos con resolución

Sobre el proyecto

Del taller a la lectura lenta

El workshop IA para gente curiosa es una parte del material de partida: material visual, notas docentes y ejemplos que abren camino. El facsímil no es una copia del taller ni depende solo de él: amplía, reordena y profundiza cada tema con escena de entrada, explicación llana, tripas técnicas, tropiezos habituales, vocabulario, mapa de relaciones, laboratorios y referencias. La promesa es simple: explicar sin atajos.

Cómo está hecho

Qué vas a encontrar dentro de cada facsímil

Cada facsímil lo construyo como una unidad de lectura y de trabajo. La idea no es acumular temas, sino ayudarte a pasar de una intuición a una decisión técnica que puedas explicar, revisar y practicar.

01

El facsímil

Una unidad temática con mapa, capítulos y recapitulación para ver cómo encaja el bloque completo.

02

El capítulo

Entrada desde cero, conceptos, explicación técnica, ejemplos, fórmulas útiles, diagramas, tropiezos y referencias.

03

La práctica

Si hay código, datos o configuración, debe haber kit descargable para ejecutarlo sin buscar rutas sueltas.

04

El laboratorio

Retos con contexto, solución paso a paso y entregables que puedas adaptar a estudios, trabajo o proyecto propio.

Honestidad editorial

¿Es esto la verdad absoluta?

No.

La IA cambia demasiado rápido como para fingir que un facsímil puede cerrarlo todo. Seguro que dejo fuera técnicas, modelos, herramientas, debates y matices por el camino. Precisamente por eso este proyecto insiste tanto en las bases: si entiendes representación, datos, evaluación, arquitectura, operación, límites, producto y consecuencias, puedes leer mejor lo que venga después.

La ambición no es adivinar el futuro de la IA. Es darte criterio para reconocerlo cuando llegue, compararlo con lo anterior y decidir qué merece atención, qué es ruido y qué necesita práctica antes de creérselo.

Qué te llevas

Criterio, artefactos y práctica

Entender

Conceptos explicados desde cero, con fórmulas desglosadas y ejemplos reproducibles.

Construir

APIs, RAG, agentes, operación, datos y producto tratados como sistemas reales.

Medir

Métricas, evals, slices, costes, trazas y gates para decidir con evidencia.

Defender

Laboratorios y paquetes finales pensados para explicar decisiones ante otras personas.

Rutas de lectura

Elige por dónde entrar

El facsímil puede leerse de principio a fin, pero también por necesidad: aprender base, construir, trabajar con agentes, pensar datos, evaluar, cerrar producto o entrar por señales multimodales.

F01 → F03 Leer desde cero Para construir vocabulario técnico sin asumir base previa: cimientos, IA clásica y arquitecturas. F04 → F06 Construir sistemas Para pasar de modelos a APIs, RAG, agentes, tools, operación y despliegue mantenible. F05 → F06 → F09 Acercamiento a agentes en producción Para diseñar agentes con tools, memoria, permisos, harness, trazas, costes, despliegue y seguridad real. F08 → F04 → F10 Principios de ingeniería de datos para IA Para entrar por datasets, calidad, linaje, sesgos, métricas, embeddings y RAG desde la mirada de datos. F07 → F09 Medir y gobernar Para evaluar, calibrar, auditar datos y preparar privacidad, controles y evidencias. F10 → F11 Decidir producto Para cerrar con recompensa, consecuencias, UX, piloto limitado y paquete final defendible. F12 Trabajar con señales Para entrar en imagen, audio, vídeo, documentos, RAG multimodal y computer use con criterio de ingeniería.

Facsímiles

El facsímil completo

El primero conviene leerlo en orden. A partir de ahí, cada facsímil funciona como una unidad independiente y termina con laboratorio.

01 Los cimientos El punto de partida: qué es la IA, cómo aprenden las redes, qué son los tokens y cómo leer los modelos clásicos sin perderse. Completo · 12 de 12 capítulos 1 Laboratorio: 2 retos 02 Inteligencia clásica Búsqueda, heurísticas, restricciones, planificación, juegos y conocimiento simbólico: la IA antes del deep learning, explicada desde problemas concretos. Completo · 12 de 12 capítulos 1 Laboratorio: 2 retos 03 Arquitecturas y modelos Cómo leer un LLM por dentro: Transformer, atención, arquitecturas modernas, modelos abiertos, inferencia y hardware sin perder el criterio de elección. Completo · 8 de 8 capítulos 1 Laboratorio: 2 retos 04 La caja de herramientas APIs, modelos locales, RAG, laboratorios, despliegue y herramientas de trabajo para convertir modelos en soluciones utilizables. Completo · 14 de 14 capítulos 2 Laboratorios: 2 retos 05 Agentes y orquestación Agentes, herramientas, memoria, SDKs, permisos, evaluación y límites operativos explicados como sistemas que toman decisiones alrededor del modelo. Completo · 11 de 11 capítulos 1 Laboratorio: 2 retos 06 Construir y operar Ingeniería de sistemas de IA, observabilidad, operación, handoffs y flujos reproducibles para que una solución viva bien fuera del ejemplo. Completo · 10 de 10 capítulos 1 Laboratorio: 2 retos 07 Evaluar, calibrar e interpretar Métricas, evaluación, calibración, interpretabilidad y lectura crítica de resultados para no confundir una buena demo con un buen sistema. Completo · 6 de 6 capítulos 1 Laboratorio: 2 retos 08 La ciencia de los datos Datos, decisión algorítmica, sesgos, pipelines y análisis aplicado como la materia prima que condiciona cualquier sistema de IA. Completo · 8 de 8 capítulos 1 Laboratorio: 2 retos 09 Seguridad, privacidad y gobernanza Riesgos, privacidad, cumplimiento, gobernanza y controles prácticos para trabajar con IA de forma consciente y trazable. Completo · 5 de 5 capítulos 1 Laboratorio: 2 retos 10 Aprendizaje por refuerzo Estados, acciones, recompensas, políticas y aplicaciones modernas para entender cómo se aprende a decidir por interacción. Completo · 8 de 8 capítulos 1 Laboratorio: 0 retos 11 Producto, UX y cierre Decisiones de producto, experiencia de usuario, apéndices y cierre del volumen para llevar el criterio técnico a decisiones reales. Completo · 3 de 3 capítulos 1 Laboratorio: 2 retos 12 IA multimodal Imagen, audio, vídeo, documentos, RAG multimodal, evaluación, privacidad y computer use tratados como sistemas de ingeniería. Completo · 12 de 12 capítulos 1 Laboratorio: 3 retos