01
Fundamentos de la IA
Understand what AI is, how systems learn, where they fail, and how to judge claims without hype.
Biblioteca de IA gratuita
Fundamentos guíasGratis para siempre.
84 Guías en inglés sencillo, rutas de aprendizaje estructuradas y una biblioteca abierta, creada por una organización sin fines de lucro independiente 501(c)(3) para que cualquiera pueda comprender la IA moderna.
84Guías gratuitas
1Pistas temáticas
~2 minPor guía
~3hReading time
Empieza aquí
Five outcome-based courses
Each course includes explicit outcomes, mapped competencies, practice activities, and an applied capstone.
02
Usuario responsable de IA
Utilice la IA de manera productiva mientras protege la privacidad, verifica los resultados y preserva la responsabilidad humana.
03
IA en el trabajo
Evaluate workplace use cases, run safe pilots, measure value, and communicate changes responsibly.
04
Política y sociedad de IA
Analyze AI systems through rights, equity, governance, safety, and public-interest outcomes.
05
Construyendo con sistemas de IA
Understand language models, retrieval, agents, evaluation, cost, and deployment safeguards through practical system design.
Pistas temáticas
Navegar por pista
Salta al área que te interesa. Cada pista tiene varias guías en inglés sencillo.
FundamentosConceptos básicos: cómo funciona la IA a alto nivel.84 guías Idioma IALLM, PNL, ChatGPT, indicaciones y comprensión de textos.155 guías IA visualGeneración de imágenes, visión por computadora, video y diseño.133 guías IA de audioVoz, música, podcasting e IA centrada en el audio.117 guías EmpresasPerfiles de OpenAI, Anthropic, Google, Meta y más.121 guías AplicacionesCómo aparece la IA en la codificación, la búsqueda, los agentes y la vida diaria.111 guías IndustriasIA en atención médica, finanzas, educación, energía y más.91 guías TécnicoChips, ajuste, RAG, vectores e infraestructura de IA.177 guías sociedadSesgo, privacidad, derechos de autor, seguridad y el futuro de la IA.30 guías
biblioteca completa
Todas las guías
84 de 1019 guías mostradas. Filtrar por pista o buscar arriba.
Fundamentos
Descenso de gradiente estocástico con impulso
Momentum es un ajuste al descenso de gradientes que acumula un promedio móvil de gradientes pasados, lo que permite que la optimización avance más rápido a través de valles y amortigüe...
Fundamentosgradiente acelerado de Nesterov
El gradiente acelerado de Nesterov (NAG) es una forma más inteligente de impulso que mira hacia adelante antes de calcular el gradiente, dándole una visión correctiva hacia el futuro.
FundamentosPérdida de tripletes y aprendizaje de métricas
La pérdida de triplete le enseña a una red neuronal a colocar elementos similares muy juntos y elementos diferentes muy separados en un espacio de incrustación.
FundamentosSuavizado de etiquetas
El suavizado de etiquetas es un truco de regularización simple que suaviza los objetivos de entrenamiento difíciles y puntuales, diciéndole al modelo que la respuesta correcta es muy probable, pero no 100...
FundamentosCélulas de memoria a corto plazo
Las células de memoria larga a corto plazo (LSTM) son un tipo especial de unidad de red neuronal recurrente creada para recordar información a través de secuencias largas.
FundamentosAgrupación de K-medias
K-Means es un algoritmo no supervisado que clasifica automáticamente los datos en K grupos al encontrar los centros de los grupos.
FundamentosK-vecinos más cercanos
K-Vecinos más cercanos (KNN) clasifica un nuevo punto de datos observando los K ejemplos más cercanos y obteniendo un voto mayoritario.
FundamentosRegresión logística
La regresión logística predice la probabilidad de que algo pertenezca a una clase, como spam o no, aplastando una suma ponderada a través de una curva en forma de S.
FundamentosClasificadores ingenuos de Bayes
Naive Bayes es un clasificador probabilístico rápido basado en el teorema de Bayes que asume que cada característica es independiente dada la clase.
FundamentosCurvas ROC y AUC
Una curva ROC traza qué tan bien un clasificador separa dos clases en cada umbral de decisión posible, y AUC comprime toda esa curva en un número.
FundamentosMatrices de confusión
Una matriz de confusión es una tabla simple que divide las predicciones de un clasificador en recuentos correctos e incorrectos para cada clase.
FundamentosCompensación entre sesgo y varianza
La compensación sesgo-varianza explica por qué un modelo puede fallar por ser demasiado simple o demasiado complejo.
Finished reading? Prove it.
Check what you learned with topic quizzes, then explore our structured courses and current certification requirements. Core guides remain free to read.