Comprende. Construye algo útil. Explica cómo funciona.
Aprende ingeniería de IA con un proyecto pequeño y conectado, no con una colección de tutoriales aislados. Elige tu punto de partida, sigue las lecturas junto a cada actividad y avanza cuando puedas explicar y reproducir el resultado.
| Ruta | Empieza aquí si… | Qué explorarás | Presupuesto estimado |
|---|---|---|---|
| A: Construcción de aplicaciones de IA | Conoces Python básico | Software, ML práctico, modelos de lenguaje, recuperación, flujos acotados y entrega | 28 semanas × 12 horas = 336 horas |
| B: Fundamentos de programación | No tienes experiencia programando | Python, pruebas, datos y Git; después, la secuencia A | 40 semanas × 12 horas = 480 horas |
| C: Sistemas de ML y datos | Ya construyes y despliegas software | Mayor profundidad en ML, pipelines de datos, entrenamiento, experimentación y MLOps, con recuperación aplicada | 32 semanas × 15 horas = 480 horas |
Son estimaciones de estudio, no plazos ni garantías. Con la mitad del tiempo semanal, calcula aproximadamente el doble de semanas. Extiende una fase cuando una actividad o criterio de avance requiera más práctica.
Un proyecto que crece contigo
Usa un asistente de apoyo al aprendizaje: una colección pequeña de preguntas públicas o sintéticas, etiquetas de temas y documentos de referencia con licencia. Empieza organizando preguntas; añade un clasificador, respuestas respaldadas por pasajes y un flujo de consulta de solo lectura que prepare un borrador para revisión humana.
Es un ejemplo, no un sector o producto obligatorio. Puedes elegir otro dominio de bajo riesgo que permita las mismas actividades. Mantén un solo dominio durante la ruta. No publiques datos personales, documentos privados ni credenciales.
Tu primera sesión
- Intenta la prueba de entrada de A. Elige B si necesitas programación; C si dominas las bases de software y deseas profundizar en ML/datos.
- Escribe una frase sobre lo que tu proyecto ayudará a una persona a hacer.
- Selecciona datos pequeños que tengas permiso de usar. Registra fuente, licencia y limitaciones.
- Abre la primera lección y realiza la actividad. Guarda una explicación breve y un resultado reproducible.
Un ritmo sostenible
Para A/B: aproximadamente 6 horas de aprendizaje, 5 de construcción/pruebas y 1 de explicación/revisión por semana. C: 6 de aprendizaje, 7 de implementación/evaluación y 2 de revisión. Estudia el tema seleccionado, aplícalo sin copiar, provoca un fallo controlado y explica la corrección. Revisa código asistido por IA y reproduce su comportamiento; respeta las reglas de honestidad académica del proveedor.
La base es pequeña: Python, SQL, una biblioteca de API, una base de datos y una interfaz de modelo. Las herramientas nombradas son ejemplos, no una lista que debas dominar. Empieza localmente; añade servicios alojados solo cuando la práctica de entrega los necesite.
Algunos términos, en lenguaje sencillo
- ML (machine learning): modelos que aprenden patrones de ejemplos; compáralos con una referencia simple sin ML.
- LLM (modelo de lenguaje grande): procesa y genera lenguaje; una respuesta fluida puede ser incorrecta.
- Embeddings: representaciones numéricas para comparar elementos, como pasajes de texto.
- Datos reservados: ejemplos separados del entrenamiento y ajuste para evaluar una elección terminada.
- Ficha del modelo: registro breve de uso previsto, datos, evaluación y limitaciones.
- MLOps: prácticas que conectan versiones de modelos/datos, entrenamiento repetible, entrega, monitoreo y recuperación.
- Criterio de avance: evidencia que compruebas antes de continuar, no solo horas de estudio.
Dónde continuar
| Necesidad | Página |
|---|---|
| Secuencia semanal con recursos directos | A: Aplicaciones de IA |
| Introducción para principiantes | B: Programación |
| Mayor profundidad en ML, datos y entrenamiento | C: Sistemas de ML y datos |
| Resultados reproducibles y criterios de avance | Proyecto y revisión |
| Autoevaluación clara | Guía de capacidades |
| Profundidad operativa opcional | Práctica de entrega |
| Acceso a cursos y credenciales opcionales | Cursos y credenciales |
| Uso del repositorio de referencia | Fuentes y verificación |
| Extensiones puntuales, no otro curso obligatorio | Recursos de aprendizaje |
La selección considera claridad, requisitos previos, ejercicios y pertinencia; no afirma un ranking universal de los “mejores”. Se conservan los nombres oficiales de proveedores y credenciales para atribuir correctamente. Las rutas no apuntan a un empleador o puesto, no otorgan experiencia profesional ni prometen empleo.