abxda academy

IA generativa: de la neurona al chatbot

Un curso completo y gratuito. Cada lección se construye paso a paso, con voz, animación y piezas que puedes mover para entender de verdad.

Empezar la lección 1Ruta ejecutiva3 h 55 min
  • 37 lecciones
  • 6 h 57 min
  • Gratis, sin registro
  • Español e inglés
  • Voz y subtítulos
De la academia

¿Te sirve este curso? Apoya la academia Es gratis y seguirá siéndolo.

Cómo funciona cada lección

  1. Una frase, un cambio en pantalla

    La narración y la imagen avanzan juntas. Nada se muestra antes de que se explique.

  2. Tu turno

    En los momentos clave la lección se detiene para que muevas, arrastres o predigas.

  3. Dos profundidades

    Lo esencial basta para entender. «Por dentro» agrega las fórmulas y el código para quien las quiera.

  4. Lente de decisión

    Al final, qué implica la idea para quien decide: costos, riesgos y qué preguntar.

El recorrido

Nueve módulos. Cada uno se apoya en el anterior: nada aparece sin que antes se haya explicado.

Parte 1

Cómo aprende una máquina

Disponible

De los datos a las redes profundas: error, neuronas, retropropagación, visión, secuencias y el significado como geometría.

  1. Aprender de los datos

    Qué significa que una máquina aprenda, cómo se mide un error y cómo se corrige.

    1. 01Programar o aprender¿Qué cambia cuando una máquina aprende en lugar de seguir reglas?12 min
    2. 02El mundo hecho de números¿Cómo ve una máquina una imagen, un sonido o un texto?10 min
    3. 03Un modelo y su error¿Cómo se mide qué tan equivocado está un modelo?11 min
    4. 04Descenso del gradiente¿Cómo encuentra una máquina los números correctos sin que nadie se los diga?11 min

  2. Redes neuronales

    De una neurona a una red profunda: capas, retropropagación y el arte de entrenar bien.

    1. 05La neurona artificial¿Qué hace exactamente una neurona artificial?11 min
    2. 06Lo que una neurona no puede¿Por qué una sola neurona no basta?6 min
    3. 07Capas y activaciones¿Cómo ganan poder las redes al apilar capas?10 min
    4. 08Retropropagación¿Cómo se reparte la culpa del error entre miles de pesos?9 min
    5. 09Entrenar bien: lotes, épocas y optimizadores¿Qué decisiones de entrenamiento separan una red que aprende de una que no?12 min
    6. 10Generalizar y evaluar¿Cómo sabes si un modelo funciona de verdad?9 min

  3. Deep learning

    Visión, secuencias, GPUs y la representación del significado como geometría.

    1. 11Convoluciones y visión¿Cómo aprende una red a ver bordes, formas y objetos?6 min
    2. 12Secuencias y memoria¿Cómo procesa una red algo que ocurre en orden, como una frase?10 min
    3. 13El big bang del deep learning¿Por qué funcionó en 2012 lo que no funcionaba en 1990?10 min
    4. 14Embeddings: el significado como geometría¿Cómo convierte una máquina el significado en distancias?11 min
Parte 2

Generar: imágenes y lenguaje

Disponible

Autocodificadores, GAN y difusión; después tokens, atención, el transformer, la escala y cómo responde un modelo.

  1. Generar imágenes

    Aprender una distribución para poder muestrearla: VAE, GAN y difusión.

    1. 15Generar es aprender una distribución¿Qué significa que una red "genere" algo nuevo?10 min
    2. 16GAN: el falsificador y el detective¿Cómo aprende un generador compitiendo contra un crítico?11 min
    3. 17Difusión: de ruido a imagen¿Cómo se crea una imagen quitando ruido paso a paso?12 min
    4. 18De texto a imagen¿Cómo entiende el modelo lo que le pides con palabras?13 min

  2. Transformers y lenguaje

    Predecir la siguiente palabra, partir el texto en tokens y mirar con atención.

    1. 19Predecir la siguiente palabra¿Cómo puede escribir un ensayo algo que solo predice palabras?11 min
    2. 20Tokens: el alfabeto del modelo¿Qué lee realmente un modelo de lenguaje, y por qué importa?11 min
    3. 21Atención¿Cómo decide una palabra a cuáles otras mirar?12 min
    4. 22El transformer completo¿Qué hay dentro de un LLM, bloque por bloque?12 min

  3. Escala

    Preentrenar, escalar, pagar la cuenta de cómputo y servir el modelo.

    1. 23Preentrenamiento¿Qué aprende un modelo al leer medio internet?13 min
    2. 24Leyes de escala y costos¿Cuánto cuesta un modelo y qué se obtiene al hacerlo más grande?13 min
    3. 25GPUs, memoria y cuantización¿Por qué la memoria de la GPU manda sobre todo lo demás?13 min
    4. 26Inferencia: cómo responde un modelo¿Qué pasa, y cuánto cuesta, entre que escribes y que aparece la respuesta?13 min
Parte 3

Del modelo al asistente y a la decisión

Disponible

Ajuste fino, alineación, razonamiento, memoria, RAG y agentes; luego alucinaciones, evaluación, riesgos y estrategia.

  1. Del modelo al asistente

    Ajuste fino, alineación, razonamiento, memoria, recuperación y agentes.

    1. 27Ajuste fino y LoRA¿Cuándo conviene adaptar un modelo y cómo se hace barato?11 min
    2. 28De modelo base a asistente¿Qué convierte a un predictor de texto en un asistente útil?14 min
    3. 29Modelos de razonamiento¿Por qué pensar más antes de responder mejora la respuesta?12 min
    4. 30Contexto y memoria¿Recuerda el modelo lo que le dijiste? ¿Aprende mientras conversas?12 min
    5. 31RAG: leer antes de responder¿Cómo se le da conocimiento propio a un modelo sin reentrenarlo?13 min
    6. 32Agentes y herramientas¿Qué cambia cuando un modelo puede actuar, no solo hablar?13 min

  2. Usar IA con criterio

    Alucinaciones, evaluación, riesgos y cómo decidir dónde aplicarla.

    1. 33Alucinaciones y límites¿Por qué se equivoca con tanta seguridad, y qué se puede hacer?12 min
    2. 34Evaluar sistemas de IA¿Cómo compruebas que un sistema de IA sirve para tu caso?12 min
    3. 35Riesgos y gobernanza¿Qué puede salir mal y quién responde cuando sale mal?13 min
    4. 36Estrategia para organizaciones¿Dónde aplicar IA generativa en tu organización y cómo empezar?12 min

  3. Cierre

    El mapa completo, de la neurona al chatbot.

    1. 37El mapa completo¿Cómo encajan todas las piezas, de la neurona al chatbot?11 min