Para aprender inteligencia artificial desde cero, el orden que mejor funciona es este: primero programar en Python, después manejar datos, luego las matemáticas justas, a continuación machine learning clásico, después deep learning y, por último, aplicaciones con modelos de lenguaje (LLMs). Cada paso se apoya en el anterior, y saltarse los primeros es la causa más habitual de abandono.
No necesitas un título en informática ni ser «de ciencias». Necesitas constancia, unas horas fijas a la semana y un plan que te diga qué aprender ahora y qué puede esperar. Eso es lo que encontrarás en esta guía: la ruta paso a paso, cuánto tiempo suele llevar según tu dedicación, los errores más comunes y cómo elegir entre recursos gratuitos y cursos guiados.
Antes de empezar: qué significa «aprender IA»
«Inteligencia artificial» es una etiqueta muy amplia. Puede significar saber usar herramientas como un chatbot, o puede significar construir sistemas que aprenden de datos. Esta guía trata de lo segundo: entender cómo funcionan los modelos y ser capaz de programarlos, evaluarlos y ponerlos a trabajar.
Esa distinción importa porque cambia el camino. Si solo quieres usar herramientas, bastan unas semanas de práctica. Si quieres construir con IA (y, quizá, trabajar en ello algún día como AI engineer), la base es la programación. No hay atajo que la sustituya.
La ruta paso a paso
1. Python y fundamentos de programación
Python es, con diferencia, el lenguaje más usado en IA. Empieza por lo básico (variables, condiciones, bucles, funciones, listas y diccionarios) y avanza hasta escribir programas pequeños completos: leer un archivo, procesarlo y mostrar un resultado.
Junto a Python conviene aprender lo mínimo del entorno de trabajo: qué es la terminal, cómo se organizan los archivos y para qué sirve Git. Parece secundario, pero es lo que separa «hago ejercicios» de «trabajo en proyectos reales».
Un hábito que te servirá toda la vida: antes de ejecutar una línea, predice qué hará. Luego ejecútala y compara. Cuando la predicción falla, acabas de aprender algo. Si quieres profundizar en este paso, tienes una guía específica sobre Python para IA.
2. Datos: NumPy, pandas y SQL
Los modelos aprenden de datos, y la mayor parte del trabajo real consiste en conseguirlos, limpiarlos y entenderlos. Aquí aprenderás NumPy (cálculo con arrays de números), pandas (tablas de datos, como una hoja de cálculo programable), SQL (consultar bases de datos) y algo de visualización para ver lo que tienes delante antes de modelar nada.
3. Las matemáticas justas
Aquí es donde mucha gente se asusta sin motivo. Para empezar no necesitas una carrera de matemáticas: necesitas entender vectores y matrices (álgebra lineal básica), probabilidad y estadística elemental y la idea de derivada como «hacia dónde y cuánto cambia algo». Con eso se entiende cómo un modelo «aprende» ajustando sus números para equivocarse menos.
Lo más eficaz es aprenderlas en código: una multiplicación de matrices con NumPy se entiende mejor que en la pizarra. Si hace años que no tocas las matemáticas del instituto, empieza por repasarlas; no pasa nada. Lo desarrollamos en matemáticas necesarias para IA (y las que no).
4. Machine learning clásico
Ahora sí: modelos que aprenden de ejemplos. Regresión, clasificación, árboles de decisión, clustering y, sobre todo, cómo evaluar un modelo honestamente (separar datos de entrenamiento y de prueba, elegir métricas, detectar sobreajuste). Así se ve un primer modelo con scikit-learn:
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.25, random_state=0
)
modelo = DecisionTreeClassifier(max_depth=3, random_state=0)
modelo.fit(X_train, y_train)
print(f"Exactitud en datos nuevos: {modelo.score(X_test, y_test):.2f}")Son pocas líneas, pero entender por qué se separan los datos o qué significa max_depth es lo que de verdad te hace avanzar. Si quieres la intuición sin fórmulas, lee machine learning explicado sin matemáticas.
Este es también buen momento para aprender sobre ética, sesgos y regulación (por ejemplo, el Reglamento Europeo de IA): un modelo puede acertar mucho de media y fallar sistemáticamente con un grupo concreto.
5. Deep learning
Las redes neuronales son la base de la IA moderna: visión por computador, reconocimiento de voz, traducción y modelos de lenguaje. Aquí aprenderás cómo aprende una red (backpropagation), a usar PyTorch y a entender la arquitectura Transformer, presentada en el artículo «Attention Is All You Need» (2017) y en la que se basan los LLMs actuales.
6. LLMs y aplicaciones
El último paso es construir cosas útiles con modelos de lenguaje: llamar a un modelo desde tu código, crear APIs, montar un sistema RAG que responde con tus propios documentos y diseñar agentes que usan herramientas. También lo menos vistoso pero imprescindible: medir la calidad con evals, controlar el coste y poner límites de seguridad.
Un matiz importante: si tu objetivo es construir aplicaciones cuanto antes, existe una vía rápida. Tras dominar Python y datos puedes pasar directamente a aplicaciones con LLMs y volver después a machine learning y deep learning para entender lo que hay por debajo.
¿Cuánto tiempo se tarda?
Depende sobre todo de tus horas semanales y de tu punto de partida. Estas cifras son orientativas, pensadas para alguien que empieza sin experiencia en programación, y pueden variar bastante de una persona a otra:
| Dedicación | Python y datos | Hasta machine learning | Ruta completa |
|---|---|---|---|
| 3–5 h/semana | varios meses | cerca de un año | más de un año, a menudo bastante más |
| 8–10 h/semana | unos pocos meses | algo más de medio año | en torno a un año o algo más |
| 15 h o más/semana | pocos meses | unos meses | menos de un año, en el mejor caso |
Dos observaciones honestas. Primera: la regularidad pesa más que la intensidad. Cinco horas repartidas en cuatro días suelen rendir más que un maratón de domingo. Segunda: «terminar» un tema no es haber visto los vídeos, sino ser capaz de resolver un problema nuevo sin ayuda. Si quieres un calendario concreto, tienes nuestra ruta de aprendizaje de IA en 12 meses.
Errores comunes al aprender IA desde cero
- Empezar por lo más vistoso. Lanzarse a entrenar redes neuronales o a montar agentes sin saber programar lleva a copiar código que no entiendes y a atascarte con el primer error.
- Quedarse en el «infierno de los tutoriales». Ver un curso tras otro da sensación de progreso, pero se aprende al escribir código tú mismo, equivocarte y arreglarlo.
- Estudiar matemáticas durante meses antes de programar. Las matemáticas se entienden mejor cuando las necesitas para algo concreto. Aprende lo justo, en paralelo al código.
- No evaluar bien. Medir un modelo con los mismos datos con los que se entrenó da resultados engañosamente buenos. Aprende pronto a separar datos y a desconfiar de números demasiado bonitos.
- Pedir la solución a un chatbot en cuanto te atascas. Usar IA para aprender es útil, pero si le pides el código hecho te saltas justo el esfuerzo que te hace aprender. Mejor pídele pistas o que te haga preguntas.
- No repasar. Lo que no se practica se olvida. Volver a los temas anteriores cada cierto tiempo (repaso espaciado) consolida mucho más que releer apuntes.
Recursos gratuitos o curso guiado
Se puede aprender IA solo con recursos gratuitos, y hay material excelente. La documentación oficial de Python, NumPy, pandas, scikit-learn y PyTorch incluye tutoriales muy buenos y es la referencia que usarás toda tu carrera. También hay cursos universitarios abiertos, libros con versión en línea y cuadernos de ejemplo en plataformas gratuitas como Google Colab, que además ofrece GPU gratuita con límites de uso.
El inconveniente de ir por libre no suele ser la calidad, sino tres cosas: el orden (saber qué aprender antes de qué), la verificación (saber si de verdad dominas algo) y la constancia (no abandonar cuando nadie te marca el ritmo). Además, buena parte del mejor material está en inglés.
Un curso guiado resuelve precisamente eso, a cambio de dinero. Pregúntate con honestidad qué te falta: si eres disciplinado y te manejas en inglés, lo gratuito puede bastarte. Si ya lo has intentado por libre y te has perdido, un camino estructurado probablemente te compense.
Si quieres un camino guiado
En Marsof Academy hemos construido exactamente esta ruta, en español y para adultos que empiezan de cero. Son cuatro cursos troncales: Fundamentos: programación y datos, Machine learning, Deep learning y Transformers y Aplicaciones con LLMs, más un nivel avanzado opcional. Las lecciones son cortas, el Python se ejecuta en el navegador sin instalar nada y solo avanzas cuando demuestras dominio con tests, exámenes y retos. Un tutor IA te da pistas en forma de preguntas, no soluciones.
Puedes revisar el temario completo para ver cada paso en detalle y consultar los precios: suscripción mensual o anual, que se cancela cuando quieras. Es una opción entre varias; lo importante es que elijas un camino y lo sigas con regularidad.
Preguntas frecuentes
¿Puedo aprender inteligencia artificial sin saber programar?
Sí, pero el primer paso será aprender a programar. Casi todo el trabajo práctico en IA se hace con código, y Python es el lenguaje más accesible para empezar.
¿Necesito ser bueno en matemáticas?
No al principio. Con las matemáticas del instituto, repasadas, y aprendiendo en código lo que vayas necesitando (vectores, probabilidad, derivadas), puedes llegar muy lejos.
¿Necesito un ordenador potente?
No. Para aprender basta un ordenador normal, e incluso puedes practicar Python desde el navegador. Cuando entrenes redes más grandes, puedes usar GPU gratuitas en la nube como las de Colab.
¿Es tarde para empezar a aprender IA?
No. Las herramientas cambian muy rápido, pero los fundamentos (programación, datos, matemáticas y evaluación) son estables. Quien los domina se adapta a lo nuevo mucho mejor que quien solo conoce la herramienta de moda.