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
Meta-Aprendizaje
Meta-learning, o 'aprender a aprender', entrena modelos para que se adapten rápidamente a tareas completamente nuevas a partir de solo un puñado de ejemplos.
FundamentosMétodos de conjunto y aumento de gradiente
Los métodos de conjunto combinan muchos modelos simples para que el grupo haga mejores predicciones que cualquier modelo individual.
FundamentosAprendizaje profundo bayesiano
El aprendizaje profundo bayesiano trata los pesos de una red neuronal como distribuciones de probabilidad en lugar de números fijos, por lo que el modelo puede decir qué tan seguro es.
FundamentosAprendizaje curricular
El aprendizaje curricular entrena modelos de IA con ejemplos en un orden deliberado (fácil primero, difícil después) en lugar de alimentar datos en orden aleatorio.
FundamentosBúsqueda de arquitectura neuronal
Neural Architecture Search (NAS) automatiza el diseño de estructuras de redes neuronales, permitiendo que los algoritmos, no los humanos, decidan cuántas capas, qué operaciones...
FundamentosAprendizaje continuo y olvido catastrófico
El aprendizaje continuo es el objetivo de entrenar a la IA en un flujo de nuevas tareas a lo largo del tiempo sin borrar lo que ya sabe.
FundamentosAutocodificadores variacionales
Los autocodificadores variacionales (VAE) son redes neuronales generativas que aprenden a comprimir datos en un espacio latente probabilístico suave y luego reconstruir...
FundamentosModelos de espacio de estados y Mamba
Los modelos de espacio de estados (SSM) son modelos de secuencia que transportan información a través de un estado oculto comprimido, escalando linealmente con la longitud de la secuencia...
FundamentosGraficar redes neuronales
Las redes neuronales de gráficos (GNN) son modelos que aprenden directamente sobre datos estructurados en gráficos (nodos conectados por bordes) pasando y agregando información...
FundamentosAprendizaje por refuerzo multiagente
El aprendizaje por refuerzo de múltiples agentes (MARL) entrena a varios agentes de aprendizaje que comparten un entorno, cada uno adapta su comportamiento mientras los demás también se adaptan.
FundamentosAprendizaje activo
El aprendizaje activo es una estrategia de entrenamiento en la que el propio modelo elige qué ejemplos sin etiquetar debe etiquetar un humano a continuación.
FundamentosAumento de datos
El aumento de datos amplía artificialmente un conjunto de entrenamiento mediante la creación de copias modificadas de ejemplos existentes, como voltear o recortar imágenes.
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.