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
Ajuste fino del juego automático
El autoajuste mejora un modelo al hacer que compita o aprenda de sus propios resultados pasados, generando su propia señal de entrenamiento.
FundamentosEntrenamiento en el momento del examen
El entrenamiento en el momento de la prueba (TTT) permite que un modelo siga aprendiendo de cada nueva entrada en el momento en que hace una predicción, en lugar de permanecer congelado después del entrenamiento.
FundamentosAsimilación y generalización retrasada
Grokking es un fenómeno sorprendente en el que una red neuronal primero memoriza sus datos de entrenamiento, se mantiene con una precisión de validación cercana a cero durante mucho tiempo y luego...
FundamentosSobreajuste y desajuste
El sobreajuste ocurre cuando un modelo memoriza sus datos de entrenamiento y falla en nuevos ejemplos; el desajuste es cuando es demasiado simple capturar el patrón real.
FundamentosRegularización
La regularización es un conjunto de técnicas que restringen deliberadamente un modelo para que se generalice a nuevos datos en lugar de memorizar el conjunto de entrenamiento.
FundamentosPropagación hacia atrás
La retropropagación es el algoritmo que permite a una red neuronal aprender de sus errores calculando de manera eficiente cuánto contribuyó cada peso al error.
FundamentosDescenso de gradiente
El descenso de gradiente es el método de optimización que realmente mueve los pesos de un modelo cuesta abajo hacia un error más bajo, un pequeño paso a la vez.
FundamentosFunciones de pérdida
Una función de pérdida es el número único que le dice a un modelo cuán erróneas son sus predicciones, convirtiendo un objetivo vago en algo que las matemáticas pueden optimizar.
FundamentosFunciones de activación
Las funciones de activación son pequeñas puertas no lineales dentro de cada neurona que permiten a las redes neuronales aprender patrones curvos complejos en lugar de solo líneas rectas.
FundamentosRedes neuronales convolucionales
Las redes neuronales convolucionales (CNN) son la arquitectura caballo de batalla para comprender imágenes.
FundamentosRedes neuronales recurrentes
Las redes neuronales recurrentes (RNN) están diseñadas para manejar secuencias como texto, voz y series de tiempo.
FundamentosRedes generativas de confrontación
Las redes generativas adversarias (GAN) crean nuevos datos realistas al enfrentar dos redes neuronales entre sí en una competencia.
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.