Marsof Academy
TemarioPreciosEntrar
Temario

Temario del curso de Inteligencia Artificial desde cero

Sin experiencia previa · En español · A tu ritmo

Los cuatro cursos y el nivel avanzado opcional, unidad a unidad y lección a lección: 181 lecciones y 11 proyectos, de Python desde cero a machine learning, deep learning y LLMs.

Crear mi cuentaVer precios

Curso 1

Fundamentos: programación y datos

De cero a programar con Python y manejar datos reales

  • ≈ 173 h
  • Nivel: principiante
  • 4 unidades
  • 36 lecciones

Cómo funciona un ordenador, la terminal y Git; Python como herramienta de ingeniería; algoritmos y estructuras de datos; y NumPy, pandas, SQL y visualización para preparar cualquier dataset. Es la base de todo lo demás y abre la vía rápida al curso de aplicaciones con LLMs. El curso no exige saber inglés: todo está en español. Algunas lecturas recomendadas para ir más allá solo existen en inglés (van marcadas «(en inglés)»); si te cuesta, usa la traducción automática del navegador.

Lo que sabrás hacer

  • Una aplicación de línea de comandos con tests, empaquetada y versionada con Git
  • Un pipeline de datos que descarga, limpia, analiza y grafica datos reales
  • Consultas SQL y análisis con pandas sobre cualquier dataset, sin fugas de información
Unidad 1 · Fundamentos digitales5 lecciones
  1. Cómo funciona un ordenador
  2. Sistema operativo y terminal
  3. Git y control de versiones
  4. Python, entornos virtuales y pip
  5. Prepara tu ordenador
Unidad 2 · Ingeniería con Python16 lecciones
  1. Variables, tipos y expresiones
  2. Operadores, formato y precisión
  3. Condicionales y bucles
  4. Funciones
  5. Listas y tuplas
  6. Diccionarios y conjuntos
  7. Comprensiones y el módulo collections
  8. Excepciones y manejo de errores
  9. Archivos, CSV y JSON
  10. Clases y objetos
  11. Herencia, composición y métodos especiales
  12. Iteradores y generadores
  13. Decoradores y context managers
  14. Tipos, dataclasses y tests
  15. Python avanzado (opcional): medir antes de optimizar
  16. Python avanzado (opcional): concurrencia y async
Unidad 3 · Ciencias de la computación8 lecciones
  1. Complejidad y notación Big O
  2. Arrays, listas enlazadas, pilas y colas
  3. Tablas hash y conjuntos
  4. Recursión
  5. Ordenación y búsqueda
  6. Árboles y grafos
  7. Avanzado (opcional): hilos, carreras y cerrojos
  8. Avanzado (opcional): sistemas distribuidos en 45 minutos
Unidad 4 · Datos para IA7 lecciones
  1. NumPy a fondo
  2. pandas (I): seleccionar, filtrar y agrupar
  3. pandas (II): unir tablas, valores ausentes y series temporales
  4. SQL con sqlite3 (I): consultar, agrupar y unir
  5. SQL con sqlite3 (II): funciones de ventana, CTE e índices
  6. Visualización — ver los datos antes de modelarlos
  7. Limpieza de datos y análisis exploratorio

Proyectos del curso

  • Aplicación CLI: gestor de tareas ≈ 25 h
    Un gestor de tareas de línea de comandos con persistencia en JSON, tests y diseño en capas.
  • Pipeline de datos: CO₂ de Mauna Loa ≈ 30 h
    Datos reales de NOAA (dominio público) con una cabecera que miente: ingesta con huella, esquema como código, cuarentena, comprobaciones de calidad, tabla de características en SQLite, cargas incrementales e idempotentes y un DAG con reintentos.

Curso 2

Machine learning

Las matemáticas justas y los algoritmos clásicos, desde cero

  • ≈ 130 h
  • Nivel: intermedio
  • 4 unidades
  • 36 lecciones

Un puente con las matemáticas del instituto que hacen falta (funciones, potencias, logaritmos, sumatorios y notación), para quien las tenga oxidadas; álgebra lineal, probabilidad, cálculo y optimización implementados en código; regresión, clasificación, árboles y clustering programados a mano y, después, con scikit-learn, la biblioteca que usa la industria; y cómo evaluar un modelo con honestidad, detectar sesgos y cumplir la regulación.

Lo que sabrás hacer

  • Un clasificador entrenado con datos reales y evaluado sin trampas
  • Regresión, k-NN, árboles y k-means implementados desde cero, y su versión profesional con pipelines de scikit-learn
  • Un recomendador y un modelo de previsión evaluados con cortes temporales, sin fugas del futuro
  • Una auditoría de equidad y una model card de un modelo real
Unidad 1 · Puente de matemáticas7 lecciones
  1. Funciones, gráficas y pendiente
  2. Potencias y raíces
  3. Exponenciales y logaritmos
  4. Log-loss y softmax
  5. Sumatorios, subíndices y vectores como listas
  6. Porcentajes, proporciones y notación científica
  7. Leer fórmulas sin miedo
Unidad 2 · Matemáticas para IA12 lecciones
  1. Vectores y producto escalar
  2. Matrices y multiplicación de matrices
  3. Derivadas: pendiente, límite y regla de la potencia
  4. Reglas de derivación
  5. Descenso de gradiente
  6. Probabilidad y probabilidad condicionada
  7. Teorema de Bayes
  8. Estadística y distribuciones
  9. Derivadas parciales y gradiente
  10. Regla de la cadena
  11. SGD, momentum y Adam
  12. Transformaciones lineales y autovalores
Unidad 3 · Machine Learning13 lecciones
  1. Regresión lineal con varias variables
  2. Regresión logística y clasificación
  3. Evaluación de modelos
  4. Overfitting, underfitting y regularización
  5. k-NN y árboles de decisión
  6. Aprendizaje no supervisado
  7. Gradient boosting y XGBoost
  8. Máquinas de vectores soporte (SVM)
  9. Detección de anomalías
  10. Sistemas de recomendación
  11. Series temporales y previsión
  12. La versión profesional: scikit-learn
  13. Elegir modelo sin hacerte trampas: validación cruzada y GridSearchCV
Unidad 4 · Ética, sesgos y regulación de la IA4 lecciones
  1. Sesgos y equidad en modelos de ML
  2. Privacidad y protección de datos en IA
  3. El Reglamento Europeo de IA (AI Act)
  4. Despliegue responsable — documentar, supervisar, atacar y responder

Proyectos del curso

  • Modelo de ML con datos reales: pingüinos de Palmer ≈ 38 h
    Datos de campo reales y sucios (CC0): limpieza, partición sin fuga, línea base, regresión logística con NumPy, validación cruzada, calibración, tarjeta del modelo y la versión profesional con scikit-learn.

Curso 3

Deep learning y Transformers

De la neurona a tu propio modelo de lenguaje

  • ≈ 287 h
  • Nivel: intermedio-avanzado
  • 6 unidades
  • 36 lecciones

Redes neuronales con backpropagation escrito a mano, PyTorch profesional, visión por computador, procesamiento del lenguaje y el Transformer pieza a pieza, hasta entrenar y servir un pequeño LLM.

Lo que sabrás hacer

  • Una red neuronal desde cero, sin librerías de deep learning
  • Una CNN para reconocer dígitos y un sistema NLP con texto real
  • Un Transformer completo y TuLLM, un modelo de lenguaje entrenado por ti
Unidad 1 · Deep Learning9 lecciones
  1. La neurona artificial
  2. Redes multicapa (MLP)
  3. Grafos computacionales y autograd
  4. Backpropagation
  5. Entrenar una red
  6. Activaciones, inicialización y normalización
  7. Dropout y regularización en redes
  8. Redes recurrentes y el gradiente a través del tiempo
  9. LSTM y GRU — memoria con puertas
Unidad 2 · Ingeniería con PyTorch6 lecciones
  1. Tensores y broadcasting
  2. Autograd sobre tensores
  3. Módulos, parámetros y optimizadores
  4. Datasets y DataLoaders
  5. Bucle de entrenamiento profesional
  6. GPU, precisión mixta y checkpoints
Unidad 3 · Visión por computador4 lecciones
  1. Convolución — una lupa que recorre la imagen
  2. Redes convolucionales — apilar miradas cada vez más amplias
  3. Detección y segmentación — qué hay y dónde está
  4. Vision Transformers — una imagen vale 16 × 16 palabras
Unidad 4 · Procesamiento del lenguaje5 lecciones
  1. Texto como datos
  2. Tokenización BPE desde cero
  3. Modelos de lenguaje n-grama
  4. Embeddings — tokens como vectores
  5. Atención — cada token mira a los demás
Unidad 5 · Transformers5 lecciones
  1. Embeddings y codificación posicional — de ids a vectores que saben dónde están
  2. Multi-head attention — muchas miradas a la vez, sin un solo bucle
  3. El bloque Transformer — residual, LayerNorm y MLP
  4. El decoder completo — de ids a logits, pérdida y texto generado
  5. Entrenar un modelo de lenguaje pequeño — datos, gradientes y curvas que hablan
Unidad 6 · Ingeniería de LLMs7 lecciones
  1. Preentrenamiento y leyes de escala
  2. Decodificación — de logits a texto
  3. Inferencia y KV cache
  4. Del modelo base al asistente — SFT y DPO
  5. LoRA y QLoRA — afinar sin tocar los pesos
  6. Cuantización — menos bits, casi el mismo modelo
  7. Evaluar LLMs sin engañarte

Proyectos del curso

  • Red neuronal desde cero ≈ 35 h
    Una red neuronal multicapa con backpropagation implementado a mano, entrenada sobre datos reales.
  • Transformer desde cero ≈ 50 h
    Implementa y entrena un Transformer completo, verificando cada componente contra una referencia.
  • TuLLM — un modelo de lenguaje desde cero ≈ 80 h
    Tu proyecto de largo recorrido. Construye un modelo de lenguaje completo, del texto en bruto a la inferencia optimizada, a medida que avanzas por la academia.

Curso 4

Aplicaciones con LLMs

APIs, RAG, agentes y LLMs en producción

  • ≈ 224 h
  • Nivel: intermedio
  • 4 unidades
  • 30 lecciones

El trabajo diario de un AI engineer de aplicaciones: servir modelos como APIs fiables, buscar en tus documentos con RAG, construir agentes con herramientas y llevarlo todo a producción con evals, guardrails, coste y observabilidad. Se puede empezar justo después del curso 1: lo que haga falta de los modelos por dentro se explica «lo justo para empezar».

Lo que sabrás hacer

  • Una API de IA con streaming, límites de uso y despliegue con Docker
  • Un sistema RAG sobre tus documentos, con búsqueda híbrida y evaluación
  • Un agente con herramientas seguro y un asistente de soporte en producción con evals y trazas
Unidad 1 · APIs y servicios para IA5 lecciones
  1. HTTP y REST — el idioma de los servicios
  2. Construir una API con FastAPI
  3. Servir un modelo o un LLM detrás de una API
  4. Desplegar — Docker, configuración y health checks
  5. Tu primera llamada real a un LLM
Unidad 2 · RAG7 lecciones
  1. Ingesta y chunking — preparar los documentos para ser encontrados
  2. Recuperación léxica — índice invertido, TF-IDF y BM25
  3. Recuperación densa — embeddings, top-k e índices aproximados
  4. Búsqueda híbrida, reranking y reescritura de consultas
  5. Construir y evaluar un RAG — prompt con citas, métricas y análisis de fallos
  6. Graph RAG — recuperar siguiendo relaciones
  7. RAG multimodal — tablas, imágenes y la maquetación del PDF
Unidad 3 · Agentes de IA6 lecciones
  1. Tool calling y salidas estructuradas
  2. El bucle agéntico
  3. Memoria y gestión de contexto
  4. Workflows, orquestación y MCP
  5. Evaluación y seguridad de agentes
  6. Sistemas multiagente — coordinar sin perder el control
Unidad 4 · Ingeniería de aplicaciones con LLMs en producción12 lecciones
  1. Prompt engineering serio — plantillas, few-shot y versiones
  2. Salidas estructuradas — JSON en el que puedes confiar
  3. Function calling a fondo — herramientas que aguantan producción
  4. Evals de aplicaciones LLM — saber si tu cambio mejora algo
  5. Guardrails y seguridad — defensa por capas
  6. Coste y latencia — la factura y el reloj
  7. Observabilidad LLMOps — ver lo que pasa dentro
  8. RAG en producción — frescura, permisos y citas que se sostienen
  9. Agentes en producción — presupuestos, humanos y reanudación
  10. ¿Prompting, RAG o fine-tuning? Decidir con criterio
  11. Multimodal y voz en aplicaciones
  12. Proyecto integrador — un asistente de soporte de punta a punta

Proyectos del curso

  • API REST para un modelo ≈ 30 h
    Un servicio FastAPI de verdad alrededor de un modelo: validación con Pydantic v2, claves de API, errores uniformes, paginación por cursor, límite de peticiones, OpenAPI, tests con TestClient, health checks y Dockerfile.
  • Sistema RAG ≈ 45 h
    Un sistema de recuperación aumentada con indexación, búsqueda híbrida, citas y evaluación.
  • Agente de IA ≈ 45 h
    Un agente que planifica, usa herramientas y se recupera de errores, con evaluación de su fiabilidad.

Curso 5

Nivel avanzado (opcional): especializaciones

GPU, rendimiento, escala, MLOps, investigación y frontera

  • ≈ 360 h
  • Nivel: avanzado
  • 8 unidades
  • 43 lecciones

Opcional, para ir más allá de la ruta «de cero a AI engineer» (cursos 1–4): GPU y CUDA, rendimiento de LLMs, entrenamiento distribuido, MLOps, research engineering, IA multimodal, la frontera del campo y un proyecto final de sistemas de IA. Cada unidad es una especialización independiente con su propio certificado: elige las que encajen con tu ruta, no hace falta hacerlas todas. Los proyectos de GPU, entrenamiento distribuido y reproducción de un paper están marcados como «Próximamente».

Lo que sabrás hacer

  • Un servidor de inferencia con batching, KV cache y cuantización
  • Una plataforma de IA completa, de los datos al despliegue y la monitorización, evaluada con una rúbrica
  • Próximamente: proyectos guiados de inferencia en GPU, entrenamiento distribuido y reproducción de un paper
Unidad 1 · GPU y CUDA4 lecciones
  1. Arquitectura de la GPU
  2. El modelo de programación CUDA
  3. Roofline y optimización de kernels
  4. Jerarquía de memoria a fondo — cachés, orden de bucles y forma del tile
Unidad 2 · Rendimiento de LLMs5 lecciones
  1. Memoria de entrenamiento e inferencia
  2. Cuantización, pruning y destilación
  3. Batching, throughput y latencia
  4. Paralelismo tensorial y de pipeline
  5. Fusión de kernels y FlashAttention — la softmax online
Unidad 3 · IA distribuida7 lecciones
  1. Paralelismo de datos y all-reduce
  2. Sharding de modelo y optimizador (ZeRO y FSDP)
  3. Tolerancia a fallos, checkpoints y reanudación
  4. Paralelismo tensorial a fondo — el bloque Transformer completo
  5. Planificaciones de pipeline — GPipe, 1F1B e intercalada
  6. Precisión mixta, escalado de la pérdida y solapar la comunicación
  7. Inferencia distribuida — servir un modelo que no cabe en una GPU
Unidad 4 · MLOps e infraestructura7 lecciones
  1. Servir modelos en producción
  2. Observabilidad, percentiles y drift
  3. Reproducibilidad, tracking y CI/CD para modelos
  4. Coste, caché, secretos y privacidad
  5. KV cache paginada — memoria virtual para servir LLMs
  6. Cuantizar para servir — qué se acelera, qué cabe y qué se rompe
  7. Despliegue progresivo — shadow, canario y vuelta atrás
Unidad 5 · Research Engineering5 lecciones
  1. Leer papers como un investigador
  2. Diseño experimental, semillas e incertidumbre
  3. Ablations, higiene de benchmarks y reproducción
  4. Escritura técnica, figuras honestas e incertidumbre
  5. Reproducir un paper — del PDF a un número que puedas defender
Unidad 6 · IA multimodal5 lecciones
  1. Aprendizaje contrastivo y CLIP — imágenes y textos en el mismo mapa
  2. Audio y voz — del micrófono al espectrograma mel
  3. Modelos visión-lenguaje y agentes multimodales
  4. Modelos generativos — autoencoders, VAEs y GANs
  5. Generación de imágenes — modelos de difusión
Unidad 7 · Frontera de la IA8 lecciones
  1. Razonamiento y cómputo en inferencia
  2. Contexto largo y atención eficiente
  3. Mixture of Experts
  4. Alineamiento y datos sintéticos
  5. El modelo de recompensa — de rankings humanos a un número
  6. RLHF con PPO — recompensa con KL, ventajas y recorte
  7. DPO — la derivación completa y por qué funciona
  8. Evaluar el alineamiento — reward hacking, sobreoptimización y jueces sesgados
Unidad 8 · Proyecto final — Ingeniería de sistemas de IA2 lecciones
  1. Diseñar un sistema de IA de extremo a extremo
  2. Defensa técnica — justificar cada decisión con números

Proyectos del curso

  • Servidor de inferencia ≈ 60 h
    Un servidor que sirve un modelo con batching, streaming, métricas y límites de carga.
  • Plataforma de IA completa ≈ 150 h
    Una plataforma de IA en producción que integra datos, recuperación, agentes, serving, observabilidad, evaluación y despliegue, evaluada con una rúbrica pública, tu autoevaluación y la revisión del tutor IA de tu defensa técnica.

Horas estimadas para alguien que empieza de cero: lecciones con práctica y repaso, retos, exámenes y los proyectos recomendados. Es la misma estimación que verás dentro de la academia. En total, unas 1174 horas de estudio.

¿Empezamos?

Crea tu cuenta y activa tu suscripción: tendrás todo el temario desde el primer día.

Crear mi cuentaVer precios