Datos e IA · Fundamentos y aplicaciones

Inteligencia Artificial fundamentos y aplicaciones

Comprende la inteligencia artificial y construye soluciones con Python: desde reglas y modelos de aprendizaje hasta visión, lenguaje, RAG y agentes. Aprende con ejemplos, ejercicios y proyectos aplicados a educación, energía y gestión ambiental.

Ver unidades Ver repositorio fuente

36 unidades · 6 bloques.Los conceptos parten desde cero; las prácticas requieren bases de Python.

Antes de comenzar

Para ejecutar y modificar las prácticas necesitas funciones, colecciones, archivos, excepciones y entornos virtuales. Puedes prepararte con Python desde cero. La ruta básica usa CPU; el material identifica las prácticas que requieren GPU, modelos descargados o servicios externos.

Comenzar por la unidad 0

Ruta del curso

Avanza bloque por bloque

Cada unidad enlaza al material del curso en GitHub y se abre en una pestaña nueva.

Bloque 1

Fundamentos y preparación

00 · Preparación del entorno y forma de trabajar → 01 · Qué es la inteligencia artificial → 02 · Del problema al proyecto de IA → 03 · Matemática aplicada: vectores, matrices y optimización → 04 · Probabilidad y estadística →

Bloque 2

IA simbólica y datos

05 · Búsqueda, estados y heurísticas → 06 · Conocimiento, reglas y restricciones → 07 · Obtención y comprensión de datos → 08 · Calidad y preparación de datos → 09 · Exploración y visualización →

Bloque 3

Aprendizaje automático

10 · Flujo de aprendizaje y líneas base → 11 · Regresión → 12 · Clasificación → 13 · Árboles y ensambles → 14 · Agrupamiento y detección de anomalías → 15 · Características y reducción de dimensión → 16 · Validación y ajuste de hiperparámetros → 17 · Métricas, umbrales y decisiones → 18 · Interpretabilidad y responsabilidad →

Bloque 4

Aprendizaje profundo y aplicaciones

19 · Redes neuronales → 20 · Aprendizaje profundo con PyTorch → 21 · Visión por computador → 22 · Procesamiento de lenguaje natural → 23 · Series temporales y sensores → 24 · Introducción a recomendación y aprendizaje por refuerzo →

Bloque 5

IA generativa y modelos de lenguaje

25 · Transformers y modelos generativos → 26 · Inferencia local y servicios: Ollama y APIs → 27 · Prompts, salidas estructuradas y evaluación → 28 · Embeddings y búsqueda semántica → 29 · RAG con documentos → 30 · Herramientas, agentes y MCP → 31 · Adaptación de modelos y multimodalidad →

Bloque 6

IA aplicada en productos

32 · De un modelo a una aplicación → 33 · Operación, seguridad y observabilidad → 34 · Talleres de IA aplicada → 35 · Proyecto final integrador →