Machine Learning e Inteligencia Artificial: de la intuición a la práctica

Lo que vas a aprender

• Explicar con tus palabras qué es el aprendizaje automático y en qué se diferencia de un programa normal
• Distinguir aprendizaje supervisado, no supervisado y por refuerzo, y saber cuál pide cada problema
• Reconocer cuándo un modelo está sobreajustado y por qué una precisión del 99% puede ser una mala noticia
• Entender qué hace una red neuronal capa por capa, y qué significa que aprenda
• Explicar qué es un transformer y por qué la atención cambió el procesamiento de lenguaje
• Entrenar y evaluar un clasificador propio sin escribir una línea de código
• Detectar sesgo en un sistema de IA y nombrar quién queda perjudicado

Temario

1. 1 Qué es la inteligencia artificial y qué no Separar lo que la IA hace de verdad de lo que se le atribuye, y ubicar el machine learning dentro del mapa.
2. 2 Los datos: la materia prima que nadie mira De dónde salen los datos, por qué casi siempre están sucios y cómo se preparan antes de entrenar nada.
3. 3 Aprendizaje supervisado: predecir a partir de ejemplos El caso más común y el más útil: dar ejemplos con la respuesta correcta para que el modelo aprenda a responder solo.
4. 4 Aprendizaje no supervisado: encontrar estructura sin respuestas Qué se puede hacer cuando los datos no vienen etiquetados, que es la situación normal fuera del laboratorio. Requiere inscripción
5. 5 Evaluar un modelo: sobreajuste y métricas que engañan Cómo se sabe si un modelo sirve, y por qué una precisión del 99% puede ser una pésima noticia. Requiere inscripción
6. 6 Redes neuronales: la intuición Qué es realmente una red neuronal, capa por capa, usando el problema de reconocer dígitos escritos a mano. Requiere inscripción
7. 7 Cómo aprende una red: el descenso de gradiente Qué significa exactamente que una red neuronal aprenda, y por qué es bajar por una colina a ciegas. Requiere inscripción
8. 8 Retropropagación: repartir la culpa hacia atrás El algoritmo que hace posible entrenar redes grandes, explicado sin cálculo diferencial. Requiere inscripción
9. 9 Visión por computador: enseñarle a ver a una máquina Cómo se pasa de una imagen a una decisión, y por qué las redes convolucionales cambiaron el área entera. Requiere inscripción
10. 10 Lenguaje natural: convertir palabras en números El problema de representar significado, y por qué los embeddings son la idea que lo destrabó. Requiere inscripción
11. 11 Transformers: la arquitectura detrás de los LLM Qué hay dentro de un GPT, de la entrada a la salida, y qué significa realmente cada letra de la sigla. Requiere inscripción
12. 12 Atención: el mecanismo que lo hizo posible Cómo cada palabra mira a las demás para ajustar su propio significado. La pieza central del transformer. Requiere inscripción
13. 13 Sesgo, equidad e IA responsable De dónde sale el sesgo algorítmico, por qué no se arregla borrando una columna, y qué se puede hacer. Requiere inscripción
14. 14 Proyecto final: de la idea a un modelo que funciona Cerrar el círculo con un proyecto propio, chico y terminado, aplicando el criterio de los trece módulos anteriores. Requiere inscripción

Requisitos

• Un computador con navegador y conexión a internet
• No se requiere saber programar: los ejercicios obligatorios usan herramientas visuales
• Matemáticas de enseñanza media. No hace falta cálculo ni álgebra lineal
• Disponibilidad de 3 horas por semana
• Inglés de lectura ayuda: parte del material es subtitulado

Reseñas