Temario del curso
34 módulos y 523 lecciones organizados en 7 bloques, de los fundamentos a la producción. El módulo 0 es gratis.
Bloque 1: Fundamentos
- Módulo 0: Prepara tu entorno de trabajo Gratis
Deja tu ordenador listo como el de un profesional: terminal, Git, Python, Jupyter, APIs, GPU, Docker y depuración. · 12 lecciones · ~8 h - Módulo 1: Matemáticas I: vectores, matrices y cambio
El álgebra lineal y el cálculo que usan los modelos por dentro, siempre con código. · 13 lecciones · ~19 h - Módulo 2: Matemáticas II: incertidumbre y señales
Probabilidad, estadística, información, Fourier y grafos: el lenguaje con el que razonan los modelos. · 9 lecciones · ~13 h - Módulo 3: Machine learning clásico
Los algoritmos que siguen resolviendo la mayoría de problemas reales: regresión, árboles, ensembles, clustering y evaluación. · 18 lecciones · ~26 h - Módulo 4: Redes neuronales y deep learning
Construye una red neuronal pieza a pieza, entiende cómo aprende y pasa a PyTorch y JAX. · 13 lecciones · ~19 h - Módulo 5: Aprendizaje por refuerzo
Agentes que aprenden de la experiencia: de los MDP a PPO, la base del RLHF de los LLMs. · 12 lecciones · ~14 h
Bloque 2: Lenguaje y LLMs
- Módulo 6: Procesamiento del lenguaje natural
Cómo convertir texto en algo que una máquina entiende: tokens, embeddings, clasificación, entidades y traducción. · 22 lecciones · ~23 h - Módulo 7: Transformers por dentro
La arquitectura detrás de los LLMs, construida desde la autoatención hasta un modelo completo. · 12 lecciones · ~13 h - Módulo 8: Tu propio GPT desde cero
De los tokenizadores al preentrenamiento, con un taller para montar un GPT pieza a pieza. · 14 lecciones · ~21 h - Módulo 9: Ajuste fino y preferencias
Convierte un modelo base en un asistente útil: LoRA, SFT, RLHF, DPO e IA constitucional. · 8 lecciones · ~11 h - Módulo 10: Entrenar a gran escala
Lo que hace falta para entrenar modelos grandes: datos masivos, varias GPU, paralelismo y checkpoints. · 17 lecciones · ~25 h - Módulo 11: LLMs modernos: arquitecturas e inferencia eficiente
Cómo son los modelos abiertos actuales y cómo hacerlos rápidos y baratos: cuantización, decodificación especulativa y atención eficiente. · 14 lecciones · ~18 h
Bloque 3: Aplicaciones con LLMs
- Módulo 12: Construir aplicaciones con LLMs
Prompts, salidas estructuradas, contexto, caché, costes y guardarraíles para llevar un LLM a una app real. · 9 lecciones · ~11 h - Módulo 13: RAG y búsqueda semántica
Haz que un LLM responda con tus documentos: embeddings, chunking, búsqueda híbrida, reranking y evaluación. · 12 lecciones · ~16 h - Módulo 14: Evaluar modelos y aplicaciones con LLMs
Benchmarks, evals propias, LLM como juez y contexto largo: saber si tu sistema funciona de verdad. · 10 lecciones · ~14 h - Módulo 15: Herramientas y function calling
Cómo un LLM usa herramientas: interfaces, esquemas, llamadas en paralelo, enrutado entre modelos y trazas. · 8 lecciones · ~8 h - Módulo 16: MCP a fondo
El protocolo estándar para conectar agentes con herramientas y datos: servidores, clientes, seguridad y operación. · 19 lecciones · ~26 h - Módulo 17: Skills para agentes
Empaqueta capacidades reutilizables para agentes: descubrimiento, invocación, permisos y evaluación. · 5 lecciones · ~10 h
Bloque 4: Agentes
- Módulo 18: Agentes: fundamentos y patrones
El bucle del agente, planificación, reflexión, memoria y los frameworks más usados. · 20 lecciones · ~22 h - Módulo 19: Agentes en producción
Medir, observar y proteger agentes reales: benchmarks, fallos típicos, inyección de prompts y runtimes. · 12 lecciones · ~12 h - Módulo 20: Agentes de código: el banco de trabajo
Prepara tus repositorios para que los agentes de código trabajen bien y construye tu propio harness de agente paso a paso. · 22 lecciones · ~26 h - Módulo 21: Sistemas autónomos
Agentes que trabajan horas o días: razonamiento, auto-mejora, investigación automática y cómo mantenerlos bajo control. · 24 lecciones · ~27 h - Módulo 22: Sistemas multiagente
Cuando un agente no basta: comunicación, roles, consenso, negociación y enjambres. · 26 lecciones · ~32 h - Módulo 23: Producto: de la idea al sistema con IA
Decide qué construir antes de programar: el problema, el flujo de trabajo real, los riesgos, las métricas y los pilotos. · 12 lecciones · ~14 h
Bloque 5: Más allá del texto
- Módulo 24: Visión por computador
Imágenes y vídeo: convoluciones, clasificación, detección, segmentación, 3D y modelos que ven y entienden. · 24 lecciones · ~26 h - Módulo 25: Voz y audio
Del sonido al texto y del texto a la voz: espectrogramas, reconocimiento, síntesis y asistentes de voz. · 18 lecciones · ~19 h - Módulo 26: IA generativa: imagen, vídeo y 3D
Modelos que crean: autoencoders, GANs, difusión, Stable Diffusion, vídeo y 3D. · 20 lecciones · ~22 h - Módulo 27: IA multimodal
Modelos que combinan texto, imagen, audio y vídeo, con un taller para construir tu propio modelo visión-lenguaje. · 31 lecciones · ~76 h
Bloque 6: Producción y responsabilidad
- Módulo 28: Servir modelos en producción
Desplegar LLMs rápido y barato: plataformas, motores de inferencia, métricas, cuantización y hardware. · 15 lecciones · ~16 h - Módulo 29: LLMOps: operar sistemas con IA
Observabilidad, gateways, despliegues seguros, pruebas, incidentes, seguridad, cumplimiento y costes. · 13 lecciones · ~13 h - Módulo 30: Alineamiento y seguridad de los modelos
Por qué los modelos hacen cosas que no queremos y cómo se investiga y se gobierna: recompensas, engaño, supervisión y marcos de seguridad. · 20 lecciones · ~20 h - Módulo 31: Red teaming y defensa
Ataca tus propios sistemas antes que otros: jailbreaks, inyección de prompts, moderación y un taller de seguridad completo. · 15 lecciones · ~18 h - Módulo 32: Ética, equidad y regulación
Sesgos, equidad, privacidad, marcas de agua, documentación y leyes: construir IA responsable. · 7 lecciones · ~8 h
Bloque 7: Proyectos
- Módulo 33: Proyectos de portfolio
Proyectos completos para demostrar lo que sabes hacer: RAG, voz, visión, fine-tuning, agentes y seguridad. · 17 lecciones · ~525 h