Curso de Inteligencia Artificial: fundamentos y aplicaciones prácticas
Aprende inteligencia artificial desde cero: comprende los datos, el machine learning y las redes neuronales, y practica con IA generativa, prompts y evaluación. Ocho módulos con ejemplos, ejercicios y un proyecto final.
¿Qué aprenderás en este curso de inteligencia artificial?
Aprenderás a distinguir tipos de sistemas, preparar datos de práctica, interpretar resultados y diseñar un flujo de IA con revisión humana. El objetivo es comprender qué puede aportar un modelo, cómo comprobarlo y cuándo una solución más sencilla resulta suficiente.
¿A quién está dirigido?
A estudiantes, emprendedores, creadores y personas que quieren comprender y aplicar IA. Es un curso introductorio, de lectura abierta y a tu ritmo.
Necesitas un documento de trabajo y datos ficticios. Las actividades principales no exigen programar ni contratar servicios. Para probar prompts puedes utilizar una herramienta a la que ya tengas acceso; también puedes preparar instrucciones, casos y criterios sin ejecutar un modelo.
Si deseas entrenar modelos con código, las referencias oficiales de aprendizaje automático sirven como continuación técnica. Este curso desarrolla fundamentos y un prototipo de proceso; no promete una especialización profesional en ingeniería de IA.
Resultados de aprendizaje
- Distinguir IA, machine learning, redes neuronales e IA generativa.
- Identificar problemas de calidad y filtración de información en los datos.
- Redactar instrucciones con contexto y criterios de aceptación.
- Comparar salidas mediante métricas y casos difíciles.
- Diseñar un prototipo con límites, costos y revisión definidos.
Propuesta formativa: Ciborg · Ocho módulos · Un proyecto final. Los casos de la tienda utilizados durante el curso son ficticios.
Fundamentos de inteligencia artificial
¿Qué es la inteligencia artificial?
La inteligencia artificial reúne métodos para construir sistemas capaces de realizar tareas como reconocer patrones, predecir resultados o generar contenido. Un sistema de IA se evalúa por lo que hace en un contexto concreto. Su capacidad para responder con fluidez no demuestra que comprenda o verifique todo lo que afirma.
Conceptos y pasos de trabajo
- IA y aprendizaje automático: La IA es el campo general; el aprendizaje automático, o machine learning, desarrolla modelos a partir de datos. No toda solución automatizada necesita aprendizaje automático.
- Modelo: Es una representación computacional que transforma entradas en resultados. Su utilidad depende de la tarea, los datos y las condiciones de uso.
- Entrenamiento e inferencia: Durante el entrenamiento se ajustan parámetros. En la inferencia se utiliza el modelo para obtener resultados; enviar una instrucción no equivale necesariamente a reentrenarlo.
- Tipos de tarea: Clasificar es asignar categorías; predecir una cantidad es regresión; generar es producir contenido. Define primero qué resultado necesitas.
- Límites: Distingue una capacidad demostrada de una expectativa. Los sistemas pueden fallar con datos diferentes a los de desarrollo o con preguntas ambiguas.
Una tienda ficticia quiere organizar consultas. Puede usar reglas para detectar un número de pedido, un clasificador para proponer categorías o un modelo generativo para redactar un borrador. Son soluciones distintas para pasos distintos.
Identifica tres tareas de un proyecto y escribe sus entradas, salida esperada y criterio de éxito. Propón cuál resolverías con reglas y cuál podría beneficiarse de un modelo.
Criterio de revisión: Las propuestas describen un problema concreto y no utilizan «añadir IA» como objetivo suficiente.
Datos, calidad y minería de datos
¿Qué es la minería de datos?
La minería de datos busca patrones y relaciones útiles mediante exploración, estadística y técnicas computacionales. Preparar los datos es parte del trabajo: necesitas conocer su procedencia, significado y limitaciones. Encontrar una relación no demuestra que una variable cause otra.
Conceptos y pasos de trabajo
- Unidad de análisis: Define qué representa cada fila: una consulta, una compra o una persona. Mezclar unidades puede producir comparaciones engañosas.
- Variables y etiquetas: Una variable describe una característica disponible; una etiqueta es el resultado que deseas aprender en una tarea supervisada. Evita usar información que solo conocerías después de la decisión.
- Calidad: Revisa duplicados, valores ausentes, formatos y errores. Documenta las correcciones para que otra persona pueda reproducirlas.
- Exploración: Compara distribuciones y busca diferencias entre grupos. Un promedio puede ocultar casos importantes o una muestra poco representativa.
- Particiones: Separa datos para desarrollar y evaluar. Cuando hay personas repetidas o una secuencia temporal, una división aleatoria puede mezclar información y dar una impresión demasiado favorable.
La tienda crea un registro ficticio de consultas con texto y categoría. Descubre mensajes duplicados y una columna «respuesta final» que no existirá al recibir una nueva consulta: esa columna no debe usarse como entrada.
Diseña un diccionario de cinco campos y diez registros ficticios. Identifica un duplicado, un dato ausente y una variable que podría revelar indebidamente el resultado.
Criterio de revisión: Puedes explicar qué representa cada campo y qué información estará disponible al utilizar el sistema.
Machine learning: clasificación, regresión y agrupación
¿Cómo aprende un modelo de machine learning?
Un modelo de aprendizaje automático ajusta su comportamiento usando datos y un objetivo de aprendizaje. En el aprendizaje supervisado dispone de ejemplos con resultados; en el no supervisado busca estructura sin esas etiquetas. En el aprendizaje por refuerzo, un agente aprende a partir de interacciones y recompensas.
Conceptos y pasos de trabajo
- Clasificación: Predice una categoría, como consulta de envío o devolución. Define etiquetas que las personas puedan distinguir de forma consistente.
- Regresión: Estima un valor numérico, como tiempo de preparación. Evalúa el tamaño de los errores y en qué situaciones aparecen.
- Agrupación: Reúne ejemplos por similitud. Los grupos encontrados necesitan interpretación; no equivalen automáticamente a categorías comerciales válidas.
- Referencia inicial: Compara el modelo con una regla sencilla. Si casi todas las consultas son de envío, predecir siempre envío puede parecer exacto y fallar en las demás.
- Generalización: Un modelo debe funcionar en ejemplos no utilizados para ajustarlo. El sobreajuste ocurre cuando aprende particularidades del conjunto de entrenamiento que no se trasladan bien a casos nuevos.
En cien consultas ficticias, noventa son de envío. Una regla que siempre responde «envío» acierta el 90 %, pero no reconoce ninguna devolución. La cifra global no basta para aceptar el sistema.
Define dos categorías y clasifica manualmente quince mensajes ficticios. Reserva cinco sin utilizarlos para diseñar tus reglas y compara después los errores.
Criterio de revisión: Distingues desarrollo de evaluación y explicas qué falla aunque el porcentaje total de aciertos parezca alto.
Redes neuronales y aprendizaje profundo
¿Qué es una red neuronal?
Una red neuronal transforma entradas mediante unidades de cálculo conectadas y parámetros ajustables. Las capas aprenden representaciones que pueden resultar útiles para una tarea. El aprendizaje profundo utiliza redes con múltiples capas; no implica reproducir fielmente el cerebro ni garantiza una solución superior.
Conceptos y pasos de trabajo
- Entrada y salida: Define qué recibe la red y qué debe producir. Una imagen, un texto y una tabla requieren representaciones diferentes.
- Parámetros y activaciones: Los pesos y sesgos intervienen en los cálculos; las funciones de activación permiten transformaciones no lineales.
- Función de pérdida: Cuantifica un error que el entrenamiento intenta reducir. La pérdida elegida debe corresponder con la tarea, pero no sustituye evaluar el impacto real.
- Entrenamiento: Un optimizador actualiza parámetros a partir de los datos. Más épocas o más capas pueden aumentar costo y sobreajuste sin mejorar resultados útiles.
- Modelos preentrenados: Partir de un modelo ya entrenado puede evitar comenzar desde cero. Revisa su tarea original, limitaciones, condiciones de uso y adecuación a tus datos.
Para distinguir fotografías de dos tipos de envase, una red podría aprender rasgos visuales. Si todas las fotos de un tipo tienen fondo blanco, podría aprender el fondo en vez del envase.
Dibuja el recorrido entrada, capas y salida para un clasificador de imágenes. Propón tres pruebas que cambien fondo, iluminación o encuadre manteniendo el objeto.
Criterio de revisión: Las pruebas intentan descubrir atajos del modelo y no se limitan a repetir ejemplos casi idénticos a los de entrenamiento.
IA generativa, lenguaje y contenido multimedia
¿Qué es la inteligencia artificial generativa?
La IA generativa produce contenido como texto, imágenes, audio o código a partir de patrones aprendidos y de las entradas proporcionadas. En los modelos de lenguaje, generar una respuesta no equivale a consultar una fuente fiable. Una salida puede ser plausible y contener información inventada.
Conceptos y pasos de trabajo
- Contexto: El sistema trabaja con la información que tiene disponible en la interacción y en sus herramientas, si las utiliza. No supongas que puede consultar archivos o páginas que no se han incorporado.
- Tokens: Son unidades de procesamiento del texto. Los límites de contexto condicionan cuánto material puede manejar una interacción.
- Variabilidad: Una misma petición puede producir resultados diferentes. Evalúa consistencia con varios casos antes de incorporar la salida a un proceso.
- Multimodalidad: Algunos sistemas aceptan o generan distintos tipos de contenido. Esa capacidad no significa precisión perfecta al leer imágenes, gráficos o documentos.
- Documentos de apoyo: La recuperación de información puede aportar fragmentos relevantes al modelo. Este enfoque, conocido como RAG, requiere comprobar tanto la selección de fuentes como la respuesta generada.
La tienda entrega una política ficticia de devoluciones y pide un resumen. El borrador añade un plazo que el documento no contiene. La revisión debe eliminar ese dato y señalar que falta información.
Escribe una política ficticia de cinco puntos y solicita o redacta un resumen de tres. Marca qué frase de origen respalda cada afirmación y qué información no debería añadirse.
Criterio de revisión: Cada afirmación importante puede rastrearse al material suministrado; una respuesta convincente no se acepta solo por su tono.
Prompts, contexto y tareas bien definidas
¿Cómo escribir un prompt útil?
Un prompt útil define la tarea, el contexto disponible, el formato de salida y las condiciones de aceptación. Puede incluir ejemplos y señalar qué hacer cuando falta información. Mejorar una instrucción consiste en resolver ambigüedades y comprobar resultados, no en buscar una frase que garantice respuestas perfectas.
Conceptos y pasos de trabajo
- Objetivo: Describe una acción observable: clasificar, extraer, resumir o proponer. Evita mezclar tareas incompatibles en una petición extensa.
- Material: Incluye solo la información necesaria y separa instrucciones de documentos de referencia. El contenido de un documento no debe tratarse automáticamente como una orden.
- Formato: Especifica campos o estructura. Si la salida debe utilizarla otro sistema, comprueba que cumpla el formato antes de continuar.
- Ejemplos: Muestra uno o dos casos representativos, incluidos casos ambiguos. Evita ejemplos que contradigan la regla general.
- Iteración: Cambia un aspecto y compara sobre los mismos casos. Pide que señale incertidumbre y evidencia disponible, sin asumir que esa petición elimina los errores.
Prompt de práctica: «Clasifica la consulta usando solo envío, devolución o revisión humana. Devuelve categoría y una frase del mensaje que la justifique. Si faltan datos o aparecen dos temas, elige revisión humana. No inventes números de pedido».
Redacta dos versiones de una instrucción para clasificar consultas ficticias. Compara claridad, formato y manejo de ambigüedad con los mismos cinco casos.
Criterio de revisión: Puedes identificar qué cambio mejoró el resultado y conservas ejemplos donde todavía falla.
Evaluación, sesgos y uso responsable
¿Cómo evaluar una solución de inteligencia artificial?
Evalúa una solución con casos representativos, criterios definidos y revisión de sus errores. La calidad depende de la tarea y de las consecuencias de equivocarse. También debes considerar privacidad, sesgos, seguridad y las personas que quedan a cargo cuando el sistema no puede resolver un caso.
Conceptos y pasos de trabajo
- Métricas: En clasificación, exactitud es la proporción total de aciertos; precisión de una clase relaciona aciertos positivos con predicciones positivas; recall relaciona positivos detectados con positivos reales.
- Casos difíciles: Incluye entradas incompletas, lenguaje diferente y situaciones fuera de alcance. Un conjunto de prueba cómodo puede ocultar fallos importantes.
- Sesgos: Compara desempeño entre grupos relevantes y revisa cómo se obtuvieron las etiquetas. Balancear una muestra por sí solo no resuelve todos los sesgos.
- Privacidad y seguridad: Usa datos ficticios o minimizados en las prácticas. Revisa permisos, conservación de datos y condiciones del proveedor antes de incorporar información real.
- Supervisión: Define cuándo escalar, quién revisa y cómo corregir una salida. El marco de riesgos de IA del NIST propone gestionar riesgos durante el ciclo de vida, no solo al final.
Un clasificador marca ocho devoluciones, de las cuales seis son correctas; en realidad había diez. Su precisión para devoluciones es 6 ÷ 8 = 75 % y su recall es 6 ÷ 10 = 60 %. Ambas cifras describen problemas distintos.
Construye diez casos de prueba con resultado esperado, incluyendo dos ambiguos y dos fuera de alcance. Define qué errores obligan a detener o revisar el flujo.
Criterio de revisión: Las métricas tienen denominadores claros y existe una acción prevista para los errores de mayor impacto.
Aplicaciones, automatización y proyecto de IA
¿Cómo convertir una idea de IA en un proyecto?
Convierte una idea en proyecto definiendo una tarea pequeña, un flujo de trabajo y una forma de medir utilidad. Empieza con un prototipo revisable antes de conectar acciones reales. Un agente puede utilizar herramientas para ejecutar pasos; necesita permisos, límites y comprobaciones acordes a sus efectos.
Conceptos y pasos de trabajo
- Proceso: Separa entrada, validación, procesamiento, revisión y salida. Identifica qué pasos requieren IA y cuáles pueden resolverse con reglas.
- Prototipo: Trabaja primero con datos ficticios y resultados guardados como borradores. Documenta qué se hace manualmente y qué se automatiza.
- Herramientas: Una conexión con correo, archivos o una API amplía las capacidades y el riesgo. Limita el acceso a lo necesario y solicita revisión antes de acciones sensibles o externas.
- Costos y utilidad: Mide tiempo total, incluidas revisiones y correcciones. Considera costo por ejecución, volumen y dependencia de servicios, sin asumir que automatizar siempre ahorra.
- Mantenimiento: Registra instrucciones, pruebas y cambios de versión. Reevalúa cuando cambien modelo, datos, documentos o propósito.
La tienda prueba un flujo que recibe una consulta ficticia, propone categoría y prepara un borrador. Una persona aprueba el texto; durante el prototipo no se envían mensajes ni se modifican pedidos.
Diseña un flujo de cinco pasos para tu caso y ejecútalo con diez entradas ficticias. Registra resultados, tiempo de revisión y dos mejoras priorizadas.
Criterio de revisión: Puedes mostrar una mejora verificable, explicar los límites del prototipo y mantener bajo control las acciones que afectan a otras personas.
Diseña y evalúa un asistente para clasificar consultas
Prepara un prototipo que proponga una categoría y, cuando corresponda, un borrador basado en una política ficticia. Trabaja con ejemplos inventados y conserva la aprobación humana antes de cualquier acción externa.
- Define propósito, usuarios, entradas y situaciones fuera de alcance.
- Prepara veinte consultas ficticias y una política breve.
- Separa diez casos de desarrollo y diez de evaluación antes de ajustar las instrucciones.
- Define categorías, criterios y cuándo pedir revisión humana.
- Redacta una instrucción y compárala con una regla sencilla.
- Registra salidas, errores y tiempo de revisión en los casos reservados.
- Documenta privacidad, permisos, límites y costo estimado del proceso.
- Propón dos mejoras y una nueva ronda de evaluación con casos no utilizados.
¿Puedes justificar cada categoría? ¿Los borradores se apoyan en el documento? ¿Los casos ambiguos llegan a revisión? ¿La mejora compensa el esfuerzo? Si no ejecutaste un modelo, presenta el diseño y los resultados esperados como una propuesta, no como un sistema probado.
Entrega: descripción del flujo, datos ficticios, instrucciones, registro de evaluación y conclusiones. Un conjunto pequeño sirve para aprender; no demuestra por sí solo desempeño en producción.
Comprueba lo que aprendiste
Finalizaste los ocho módulos. La evaluación de Inteligencia Artificial te permitirá comprobar cuánto dominas fundamentos, datos, machine learning, redes neuronales, IA generativa, prompts, métricas y uso responsable.
- 📝 Quiz de Inteligencia Artificial
- 🎯 Resultado inmediato al completar el quiz
- 👤 Requiere iniciar sesión
Evaluación en preparación. El quiz y el acceso mediante inicio de sesión se habilitarán próximamente.
Preguntas frecuentes sobre el curso de inteligencia artificial
¿Puedo aprender inteligencia artificial desde cero?
Sí. Los módulos comienzan con conceptos y ejemplos antes de abordar datos, modelos y evaluación. Las actividades principales pueden completarse sin programación.
¿El curso de inteligencia artificial es gratuito?
Los ocho módulos de esta página son de lectura abierta. Puedes realizar sus ejercicios y el proyecto a tu ritmo.
¿Necesito Python para seguir el curso?
No para las actividades principales. Python puede ser una continuación para entrenar modelos y automatizar evaluaciones; este curso se centra en comprender el proceso y diseñar un prototipo.
¿Qué diferencia hay entre IA y machine learning?
La IA es el campo general. Machine learning es una parte que utiliza datos para ajustar modelos. Existen automatizaciones basadas en reglas que no necesitan aprendizaje automático.
¿Qué diferencia hay entre machine learning y deep learning?
Deep learning utiliza redes neuronales con múltiples capas y forma parte del aprendizaje automático. No es necesariamente la mejor opción para cualquier problema.
¿Qué es un prompt?
Es la entrada con la que expresas una tarea e información de contexto a un sistema generativo. Puede incluir instrucciones, documentos, ejemplos y formato esperado.
¿Un modelo de lenguaje responde siempre con hechos correctos?
No. Puede producir afirmaciones plausibles pero incorrectas. Verifica datos importantes y contrasta las fuentes que realmente respalden la respuesta.
¿Qué es una alucinación en IA generativa?
Es una salida que presenta información inventada, incorrecta o no respaldada como si fuera válida. Una redacción convincente no demuestra exactitud.
¿Qué es RAG?
Es un enfoque que recupera información de una fuente y la incorpora al contexto para generar una respuesta. No elimina los errores: deben comprobarse la recuperación y la salida.
¿Qué diferencia hay entre un chatbot y un agente?
Un chatbot permite una interacción conversacional. Un agente puede además utilizar herramientas y ejecutar pasos orientados a una tarea, según su configuración y permisos. Las capacidades concretas deben comprobarse.
¿El curso entrega una certificación profesional?
Esta página ofrece formación introductoria, ejercicios y un proyecto. No promete certificación ni equivale a una carrera o especialización profesional.
¿Dónde se realiza la evaluación final?
El botón apunta al espacio previsto para el quiz de Inteligencia Artificial. Está en preparación y se habilitará con inicio de sesión.
Continúa aplicando lo que aprendiste
Referencias oficiales para profundizar
Estas fuentes amplían los conceptos del curso. Consulta la documentación vigente de cualquier herramienta antes de implementar un flujo real.
- Google: introducción al aprendizaje automático.
- Google: introducción a los modelos de lenguaje.
- scikit-learn: métricas y evaluación de modelos.
- NIST: marco de gestión de riesgos de inteligencia artificial.