CDIA · Centro de Datos e Inteligencia Artificial · Universidad de ConcepciónColaborar
Divulgación

Aprende con CDIA.

Los conceptos fundamentales de la ciencia de datos y la inteligencia artificial, explicados con palabras simples y sus fórmulas paso a paso. Las lecciones se agrupan en series: un contenido principal y las lecciones que lo desarrollan.

59 lecciones en 11 series

  1. Estructura de datos y bases de datos

    Dónde y cómo viven los datos antes de cualquier modelo. Una serie sobre la capa que sostiene todo lo demás: de las estructuras en memoria a las bases de datos relacionales y vectoriales.

    5 lecciones · Datos y bases de datos
    1. Estructura de datos y bases de datosPunto de partidaBásico4 min
    2. Estructuras de datosBásico10 min
    3. Bases de datos relacionalesBásico8 min
    4. SQL en la prácticaIntermedio10 min
    5. Bases de datos vectorialesIntermedio8 min

  2. Fundamentos del aprendizaje estadístico

    Los cimientos conceptuales del machine learning: qué significa estimar patrones a partir de datos y por qué el verdadero reto es generalizar a datos nuevos, no memorizar los viejos.

    6 lecciones · Aprendizaje estadístico
    1. Fundamentos del aprendizaje estadísticoPunto de partidaBásico5 min
    2. Regresión linealBásico9 min
    3. Descenso de gradienteIntermedio8 min
    4. RegularizaciónIntermedio9 min
    5. Métricas de regresiónIntermedio9 min
    6. Sesgo, varianza y overfittingIntermedio9 min

  3. Procesamiento de datos

    Dejar los datos listos para el modelo: la etapa que más tiempo consume y más impacto tiene. Contenido principal de una serie sobre codificar, escalar e imputar.

    4 lecciones · Procesamiento de datos
    1. Procesamiento de datosPunto de partidaBásico5 min
    2. Codificación de variables categóricasIntermedio7 min
    3. Escalado y normalizaciónIntermedio7 min
    4. Valores faltantesIntermedio6 min

  4. Clasificación: de los modelos a su evaluación

    Una serie guiada para entender la clasificación en aprendizaje automático: primero los modelos que separan clases, luego cómo medir si de verdad funcionan.

    10 lecciones · Machine Learning
    1. Clasificación: de los modelos a su evaluaciónPunto de partidaIntermedio4 min
    2. Regresión logísticaIntermedio10 min
    3. k-vecinos más cercanos (KNN)Intermedio7 min
    4. Máquinas de Vectores de Soporte (SVM)Intermedio8 min
    5. Árboles de decisiónIntermedio7 min
    6. Random ForestIntermedio8 min
    7. XGBoostAvanzado9 min
    8. Matriz de confusiónIntermedio7 min
    9. Balance de clasesIntermedio7 min
    10. Validación cruzadaIntermedio7 min

  5. Aprendizaje no supervisado

    Encontrar estructura en datos sin etiquetas. Contenido principal de una serie con sus dos tareas clásicas: agrupar ejemplos parecidos y resumir muchas variables en pocas.

    3 lecciones · Machine Learning
    1. Aprendizaje no supervisadoPunto de partidaIntermedio4 min
    2. Agrupamiento con k-meansIntermedio7 min
    3. PCA (Análisis de Componentes Principales)Avanzado7 min

  6. Deep Learning

    Apilar capas de neuronas para aprender representaciones cada vez más abstractas. Contenido principal de un módulo que construye las redes neuronales desde su unidad mínima.

    7 lecciones · Deep Learning
    1. Deep LearningPunto de partidaIntermedio5 min
    2. El perceptrónIntermedio7 min
    3. Práctica: el perceptrón separa paso a pasoIntermedio8 min
    4. Redes neuronalesIntermedio7 min
    5. Funciones de activaciónIntermedio9 min
    6. BackpropagationAvanzado7 min
    7. Redes convolucionales (CNN)Intermedio9 min

  7. ¿Qué es la IA generativa?

    Los modelos que crean contenido nuevo en vez de clasificarlo: difusión, GAN y —la rama de esta serie— los grandes modelos de lenguaje, máquinas de predecir la siguiente palabra construidas sobre la atención del Transformer.

    15 lecciones · Inteligencia Artificial
    1. ¿Qué es la IA generativa?Punto de partidaBásico10 min
    2. TokenizaciónBásico7 min
    3. EmbeddingsBásico7 min
    4. El mecanismo de atenciónIntermedio10 min
    5. El TransformerIntermedio8 min
    6. TemperaturaIntermedio6 min
    7. Top-p (nucleus sampling)Intermedio6 min
    8. Top-kIntermedio5 min
    9. RAG (Retrieval-Augmented Generation)Intermedio8 min
    10. Ingeniería de promptsBásico8 min
    11. Agentes de IAIntermedio8 min
    12. Fine-tuningAvanzado8 min
    13. Ingeniería de contextoAvanzado9 min
    14. Ingeniería del bucle (loop engineering)Avanzado9 min
    15. El harness de un agenteAvanzado8 min

  8. Casos prácticos

    El laboratorio de la sección: resolver problemas reales de principio a fin con código que puedes copiar y ejecutar. Aquí las ideas de las otras series se ponen a trabajar.

    6 lecciones · Casos prácticos
    1. Casos prácticosPunto de partidaIntermedio3 min
    2. Caso: clasificar texto con Hugging FaceIntermedio8 min
    3. Caso: llamar a un LLM con LangChainIntermedio8 min
    4. Caso: agentes tipados con pydantic-aiIntermedio8 min
    5. Caso: un flujo de agentes a manoAvanzado9 min
    6. Caso: orquestar un flujo con pydantic-graphAvanzado8 min

  9. Series de tiempo

    Predecir cuando el orden lo es todo: tendencia, estacionalidad y la regla de oro de nunca mirar el futuro al entrenar. La familia de problemas detrás del pronóstico.

    1 lección · Machine Learning
    1. Series de tiempoIntermedio10 min

  10. IA responsable y sesgos

    Por qué un modelo aprende y amplifica los sesgos de sus datos, qué significa que sea "justo" (y por qué es difícil de definir), y las preguntas que hay que hacerse en todo el camino.

    1 lección · Inteligencia Artificial
    1. IA responsable y sesgosIntermedio9 min

  11. Puesta en producción (MLOps)

    Lo que pasa después del notebook: servir el modelo, la deriva que lo degrada solo con el tiempo, el monitoreo y el ciclo de reentrenamiento que mantiene la IA viva en producción.

    1 lección · Casos prácticos
    1. Puesta en producción (MLOps)Intermedio10 min