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
Validación cruzada
La validación cruzada es una técnica de remuestreo para estimar qué tan bien se generalizará un modelo a datos invisibles.
FundamentosPrecisión y recuperación
La precisión y la recuperación son dos métricas complementarias para evaluar clasificadores, especialmente cuando las clases están desequilibradas.
FundamentosFenómeno del doble descenso
El doble descenso es la sorprendente observación de que a medida que un modelo se hace más grande, el error de prueba primero empeora cerca del "umbral de interpolación" pero luego mejora...
FundamentosTeoría del núcleo tangente neuronal
El Neural Tangent Kernel (NTK) es una herramienta matemática que muestra que las redes neuronales infinitamente anchas se comportan como un método de núcleo fijo específico durante...
FundamentosHipótesis del billete de lotería
La hipótesis del billete de lotería dice que dentro de una gran red neuronal inicializada aleatoriamente se esconde una pequeña subred, un "billete ganador", que, entrenado...
FundamentosLeyes de escala para redes neuronales
Las leyes de escala son fórmulas empíricas que muestran que la pérdida de una red neuronal disminuye de manera predecible a medida que aumenta el tamaño del modelo, el tamaño del conjunto de datos y la computación.
FundamentosEntrenamiento óptimo en computación de Chinchilla
Chinchilla es un hallazgo de DeepMind de 2022 de que la mayoría de los modelos de lenguajes grandes estaban muy mal entrenados: para un presupuesto de computación fijo, debes escalar los parámetros...
FundamentosNormalización de recompensas agrupadas en RLHF
La normalización de recompensas agrupadas estandariza las recompensas de un modelo dentro de un lote de respuestas al mismo mensaje, convirtiendo puntuaciones ruidosas en un entrenamiento estable...
FundamentosModelos mundiales y simuladores aprendidos
Un modelo mundial es una red neuronal que aprende a predecir cómo cambia un entorno con el tiempo, permitiendo que una IA "imagine" resultados futuros antes de actuar.
FundamentosNormalización de longitud en optimización de preferencias
La normalización de longitud ajusta los objetivos de ajuste de preferencias para que los modelos dejen de obtener aprobación simplemente escribiendo respuestas más largas.
FundamentosModelado de recompensas de Bradley-Terry
El modelo Bradley-Terry es un método estadístico centenario para convertir comparaciones por pares (A vence a B) en puntuaciones numéricas.
FundamentosDPO iterativo y ajuste de preferencias en línea
El DPO iterativo alinea repetidamente un modelo de lenguaje con las preferencias humanas o de IA generando nuevas respuestas, clasificándolas y sintonizando esos nuevos pares cada uno...
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.