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
Modelos de difusión
Los modelos de difusión generan imágenes aprendiendo a revertir un proceso de ruido, convirtiendo la estática aleatoria en imágenes detalladas paso a paso.
FundamentosAprendizaje en pocas oportunidades
El aprendizaje en pocas oportunidades es la capacidad de aprender una nueva tarea a partir de sólo un puñado de ejemplos en lugar de miles.
FundamentosIncrustaciones
Las incrustaciones convierten palabras, imágenes u otros datos en listas de números (vectores) para que cosas similares terminen juntas en un espacio de alta dimensión.
FundamentosTokenización
La tokenización es el paso que corta el texto en partes más pequeñas llamadas tokens, las unidades que un modelo de lenguaje realmente lee y predice.
FundamentosIngeniería de características
La ingeniería de características es el arte de convertir datos sin procesar en entradas informativas (características) que ayudan a que un modelo aprenda.
FundamentosÁrboles de decisión y bosques aleatorios
Un árbol de decisiones hace predicciones haciendo una serie de preguntas simples de sí o no, como un diagrama de flujo.
FundamentosMáquinas de vectores de soporte
Una máquina de vectores de soporte (SVM) es un algoritmo clásico que separa dos grupos trazando el límite más amplio posible entre ellos.
FundamentosReducción de dimensionalidad
La reducción de dimensionalidad reduce los datos de muchas columnas (características) a unas pocas, manteniendo la estructura importante.
FundamentosTransferir aprendizaje
El aprendizaje por transferencia reutiliza un modelo ya entrenado en un gran conjunto de datos y lo adapta a una tarea nueva relacionada.
FundamentosAprendizaje autosupervisado
El aprendizaje autosupervisado entrena modelos a partir de datos sin etiquetar inventando una tarea cuya respuesta está oculta dentro de los propios datos.
FundamentosAprendizaje semisupervisado
El aprendizaje semisupervisado se entrena con una pequeña cantidad de datos etiquetados más un gran conjunto de datos sin etiquetar.
FundamentosDetección de anomalías
La detección de anomalías es la práctica de enseñar a las máquinas a señalar puntos de datos que se desvían marcadamente de los patrones normales.
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.