Índice del Programa de Inteligencia Artificial Aplicada
La inteligencia artificial está transformando la manera en que aprendemos, trabajamos, analizamos información, desarrollamos software, automatizamos procesos, tomamos decisiones y resolvemos problemas. Pero aprender inteligencia artificial no significa solamente aprender a utilizar ChatGPT o conocer las herramientas que están de moda.
Este programa ha sido diseñado para llevarte progresivamente desde los fundamentos de la inteligencia artificial hasta la capacidad de analizar problemas reales y diseñar, construir, evaluar e implementar soluciones prácticas basadas en IA.
No necesitas conocimientos previos de inteligencia artificial ni programación. El programa comienza desde cero y avanza paso a paso hacia temas como IA generativa, machine learning, sistemas de conocimiento, RAG, análisis de datos, IA multimodal, programación con Python, APIs, bases de datos, automatización, agentes de IA, diseño de soluciones, seguridad, implementación y negocio.
El objetivo no es que memorices cientos de conceptos ni que dependas de una herramienta determinada. El objetivo es desarrollar progresivamente el criterio necesario para preguntarte:
¿Cuál es realmente el problema, qué necesito para resolverlo y qué papel —si alguno— debe desempeñar la inteligencia artificial?
A lo largo del programa avanzarás mediante cuatro grandes etapas:
Aprender → Utilizar → Construir → Aplicar
Al finalizar el recorrido completo, el objetivo es que hayas desarrollado las competencias fundamentales de un Especialista Práctico en Inteligencia Artificial Aplicada.
🧭 Elige Tu Ruta de Aprendizaje
No todas las personas llegan a este programa con los mismos conocimientos ni persiguen exactamente el mismo objetivo. Por eso no existe una única forma obligatoria de recorrerlo.
🌱 Si empiezas desde cero
Comienza en la Lección 1 y sigue el programa en orden. Los conceptos y habilidades han sido organizados progresivamente para que los conocimientos posteriores se apoyen en lo aprendido anteriormente.
🚀 Si ya tienes conocimientos de inteligencia artificial
Puedes revisar el índice y comenzar desde la Parte o lección que corresponda a tu nivel. Si encuentras conceptos que todavía no dominas, puedes regresar fácilmente a las lecciones anteriores que los explican.
🔎 Si buscas aprender un tema específico
No necesitas recorrer todo el programa para consultar un tema concreto. Utiliza este índice como mapa para acceder directamente a contenidos sobre machine learning, RAG, datos, imágenes, programación, APIs, automatización, agentes, seguridad, implementación, negocio u otras áreas de inteligencia artificial aplicada.
Tú eliges el punto de entrada. El programa te muestra el camino.
PARTE I — Fundamentos de Inteligencia Artificial
Antes de utilizar o construir soluciones con inteligencia artificial, necesitas comprender qué es, cómo funciona y cuáles son sus límites. En esta Parte conocerás los fundamentos de IA, machine learning, redes neuronales, deep learning, IA generativa y modelos de lenguaje, además de aprender a reconocer errores, sesgos y limitaciones.
🧠 Capítulo 1 — Introducción a la Inteligencia Artificial
Lección 1 — Qué Es la Inteligencia Artificial y Para Qué Sirve
Lección 2 — Cómo Funciona la Inteligencia Artificial
Lección 3 — Inteligencia Artificial y Automatización: Qué Son y Cómo se Diferencian
Lección 4 — Inteligencia Artificial vs. Programación Tradicional: Cuál Es la Diferencia
Lección 5 — Tipos de Inteligencia Artificial: Principales Ramas y Enfoques
Lección 6 — Ejemplos de Inteligencia Artificial en la Vida Real
Lección 7 — Historia de la Inteligencia Artificial: De sus Orígenes a la IA Generativa
📊 Capítulo 2 — Machine Learning: Cómo Aprenden las Máquinas
Lección 8 — Qué Es Machine Learning y Para Qué Sirve
Lección 9 — Cómo Aprende una Inteligencia Artificial: Datos, Patrones y Entrenamiento
Lección 10 — Qué Es un Modelo de Inteligencia Artificial: Cómo se Entrena y Cómo se Utiliza
Lección 11 — Machine Learning Supervisado vs. No Supervisado: Cuál Es la Diferencia
Lección 12 — Clasificación, Regresión y Clustering: Tres Formas de Aprender con Datos
🕸️ Capítulo 3 — Redes Neuronales y Deep Learning
Lección 13 — Red Neuronal Artificial: Qué Es y Cómo Aprende
Lección 14 — Qué Es Deep Learning y Cómo Funcionan las Redes Profundas
Lección 15 — Aplicaciones de Deep Learning: Visión, Voz, Lenguaje y Otros Problemas
✨ Capítulo 4 — Inteligencia Artificial Generativa y Modelos de Lenguaje
Lección 16 — Inteligencia Artificial Generativa: Qué Es y Cómo se Diferencia de la IA Tradicional
Lección 17 — Modelos Fundacionales: Qué Son y Por Qué Cambiaron la Inteligencia Artificial
Lección 18 — Qué Es un LLM: Cómo Funciona un Modelo de Lenguaje Grande
Lección 19 — Tokens en Inteligencia Artificial: Qué Son y Por Qué Importan
Lección 20 — Ventana de Contexto en Inteligencia Artificial: Qué Es y Cómo Afecta las Respuestas
Lección 21 — Transformer en Inteligencia Artificial: Qué Es y Cómo Procesa el Lenguaje
Lección 22 — Qué Es Fine-Tuning: Cómo Funciona el Ajuste de un Modelo de Inteligencia Artificial
⚠️ Capítulo 5 — Capacidades, Limitaciones y Errores de la IA
Lección 23 — Capacidades y Limitaciones de la Inteligencia Artificial
Lección 24 — Alucinaciones de Inteligencia Artificial: Qué Son, Por Qué Ocurren y Cómo Detectarlas
Lección 25 — Sesgos en Inteligencia Artificial: Qué Son y Por Qué Ocurren
Lección 26 — Inteligencia Artificial y Conocimiento: Por Qué un Modelo No “Sabe” como una Persona
Lección 27 — Cómo Evaluar Respuestas de Inteligencia Artificial y Detectar Errores
PARTE II — Trabajar Profesionalmente con IA Generativa
En esta Parte pasarás de comprender la inteligencia artificial a utilizarla de manera deliberada y profesional. Aprenderás a trabajar con asistentes de IA, proporcionar instrucciones y contexto, diseñar mejores prompts, resolver problemas, investigar, verificar información y utilizar IA para aprender, crear y trabajar sin perder tu propio criterio.
💬 Capítulo 6 — Primeros Pasos con Asistentes de IA
Lección 28 — Asistentes de Inteligencia Artificial: Qué Son y Para Qué Sirven
Lección 29 — Cómo Usar ChatGPT desde Cero
Lección 30 — Cómo Elegir un Modelo de IA Según la Tarea que Quieres Realizar
Lección 31 — Funciones de ChatGPT: Archivos, Imágenes, Voz y Otras Capacidades
Lección 32 — Errores al Usar ChatGPT: Qué Evitar y Cómo Obtener Mejores Resultados
✍️ Capítulo 7 — Instrucciones, Contexto y Prompting
Lección 33 — Qué Es un Prompt y Cómo Funciona
Lección 34 — Cómo Escribir un Buen Prompt para Obtener Mejores Resultados
Lección 35 — Contexto en Inteligencia Artificial: Qué Es y Por Qué Cambia las Respuestas
Lección 36 — Prompt Engineering: Técnicas para Obtener Mejores Resultados de la IA
Lección 37 — Plantillas de Prompts: Cómo Crear Instrucciones Reutilizables
Lección 38 — Cómo Mejorar un Prompt: Evaluar, Corregir e Iterar
🧩 Capítulo 8 — Resolución de Problemas con Inteligencia Artificial
Lección 39 — Resolución de Problemas con IA: Cómo Utilizarla para Analizar Situaciones Complejas
Lección 40 — Razonamiento con Inteligencia Artificial: Cómo Analizar Problemas Paso a Paso
Lección 41 — Tomar Decisiones con Inteligencia Artificial: Cómo Utilizar un Asistente de IA para Analizar Opciones
Lección 42 — Brainstorming con Inteligencia Artificial: Cómo Generar y Evaluar Ideas
Lección 43 — Planificación con Inteligencia Artificial: Cómo Convertir Objetivos en Acciones
🧵 Capítulo 9 — Contexto, Memoria y Trabajo Complejo
Lección 44 — Cómo Mantener el Contexto en Conversaciones Largas con Inteligencia Artificial
Lección 45 — Memoria en Asistentes de Inteligencia Artificial: Qué Es y Cómo Utilizarla
Lección 46 — Flujos de Trabajo con Inteligencia Artificial: Cómo Organizar Proyectos Complejos
🔍 Capítulo 10 — Verificación, Evaluación e Investigación
Lección 47 — Cómo Verificar Respuestas de Inteligencia Artificial
Lección 48 — Cómo Citar Fuentes al Trabajar con Inteligencia Artificial
Lección 49 — Investigación con Inteligencia Artificial: Cómo Buscar, Analizar y Organizar Información
Lección 50 — Investigación Profunda con IA: Cómo Comparar Fuentes y Construir Evidencia
🎓 Capítulo 11 — IA para Aprender, Crear y Trabajar
Lección 51 — Aprender con Inteligencia Artificial: Cómo Utilizarla como Tutor y Herramienta de Estudio
Lección 52 — Escribir con Inteligencia Artificial: Cómo Crear, Revisar y Mejorar Contenido
Lección 53 — Productividad con Inteligencia Artificial: Cómo Mejorar Tareas y Flujos de Trabajo
Lección 54 — Inteligencia Artificial para Negocios: Cómo Identificar Aplicaciones y Oportunidades
Lección 55 — Dependencia de la Inteligencia Artificial: Cómo Utilizarla sin Perder Criterio ni Capacidades
PARTE III — Documentos, Información y Sistemas de Conocimiento
En esta Parte aprenderás a convertir grandes cantidades de documentos e información en conocimiento que una solución de IA pueda localizar, recuperar y utilizar. Avanzarás desde el análisis de documentos hasta embeddings, búsqueda semántica, bases vectoriales, RAG y diseño profesional de sistemas de conocimiento.
📄 Capítulo 12 — Documentos y Extracción de Información
Lección 56 — Inteligencia Artificial para PDF: Cómo Analizar y Extraer Información de Documentos
Lección 57 — Cómo Resumir Documentos con Inteligencia Artificial
Lección 58 — Cómo Comparar Documentos con Inteligencia Artificial
Lección 59 — Cómo Analizar Hojas de Cálculo y Presentaciones con Inteligencia Artificial
Lección 60 — Limitaciones de la Inteligencia Artificial al Analizar Documentos
🗂️ Capítulo 13 — Organización y Recuperación de Información
Lección 61 — Gestión del Conocimiento con Inteligencia Artificial: Cómo Organizar Información para Poder Utilizarla
Lección 62 — Recuperación de Información: Cómo Encontrar el Contenido Correcto en Grandes Colecciones
Lección 63 — Chunking en Inteligencia Artificial: Cómo Dividir Documentos para Recuperar Mejor la Información
Lección 64 — Metadatos: Cómo Mejoran la Organización y Recuperación de Información
Lección 65 — Indexación de Documentos: Cómo Preparar Información para Buscarla y Recuperarla
🧬 Capítulo 14 — Embeddings y Búsqueda Semántica
Lección 66 — Embeddings en Inteligencia Artificial: Qué Son y Cómo Representan Significado
Lección 67 — Búsqueda Semántica: Qué Es y Cómo se Diferencia de la Búsqueda por Palabras Clave
Lección 68 — Cómo Crear un Sistema de Búsqueda Semántica
Lección 69 — Cómo Evaluar la Calidad de un Sistema de Búsqueda Semántica
🗄️ Capítulo 15 — Bases Vectoriales y RAG
Lección 70 — Base de Datos Vectorial: Qué Es y Para Qué Sirve en Inteligencia Artificial
Lección 71 — Qué Es RAG en Inteligencia Artificial y Cómo Funciona su Arquitectura
Lección 72 — Cómo Crear un Sistema RAG Paso a Paso
Lección 73 — RAG, Fine-Tuning o Contexto Largo: Diferencias entre las Tres Estrategias
Lección 74 — RAG Avanzado: Búsqueda Híbrida y Reranking para Mejorar Resultados
Lección 75 — Citas y Trazabilidad en Sistemas RAG: Cómo Mostrar de Dónde Sale una Respuesta
📚 Capítulo 16 — Diseño y Evaluación de Sistemas de Conocimiento
Lección 76 — Cómo Diseñar un Sistema de Conocimiento con Inteligencia Artificial
Lección 77 — Calidad de Datos y Documentos en RAG: Cómo Preparar una Buena Base de Conocimiento
Lección 78 — Evaluación de Sistemas RAG: Cómo Medir Recuperación y Calidad de Respuestas
Lección 79 — Errores y Alucinaciones en RAG: Cómo Detectarlos y Reducirlos
Lección 80 — Seguridad y Privacidad en Sistemas RAG: Cómo Proteger el Acceso al Conocimiento
Lección 81 — Mantenimiento de Sistemas RAG: Cómo Actualizar Documentos, Índices y Conocimiento
PARTE IV — Datos, Machine Learning, Predicción y Decisión
En esta Parte aprenderás a trabajar con datos para descubrir patrones, crear y evaluar modelos de machine learning y utilizar técnicas de predicción, recomendación, optimización y simulación. El objetivo no será aplicar algoritmos porque sí, sino aprender a seleccionar técnicas según el problema que necesitas resolver.
📊 Capítulo 17 — Datos y Análisis Exploratorio
Lección 82 — Datos para Inteligencia Artificial: Qué Son y Por Qué Importan
Lección 83 — Tipos de Datos: Estructurados, No Estructurados y Semiestructurados
Lección 84 — Limpieza y Preparación de Datos: Cómo Mejorar la Calidad Antes de Analizarlos
Lección 85 — Análisis Exploratorio de Datos: Cómo Descubrir Patrones Antes de Crear un Modelo
Lección 86 — Visualización de Datos: Cómo Comunicar Patrones, Métricas y KPIs
Lección 87 — Correlación y Causalidad: Cómo Evitar Conclusiones Equivocadas al Analizar Datos
🎯 Capítulo 18 — Machine Learning Supervisado
Lección 88 — Aprendizaje Supervisado: Cómo Aprende un Modelo a Partir de Ejemplos Etiquetados
Lección 89 — Clasificación en Machine Learning: Cómo Predecir Categorías
Lección 90 — Regresión en Machine Learning: Cómo Predecir Valores Numéricos
Lección 91 — Entrenamiento y Prueba en Machine Learning: Cómo Separar los Datos Correctamente
Lección 92 — Overfitting y Underfitting: Cómo Detectar si un Modelo Aprende Mal
Lección 93 — Métricas de Clasificación: Accuracy, Precision, Recall y F1 Score
Lección 94 — Métricas de Regresión: Cómo Medir el Error de una Predicción Numérica
🧭 Capítulo 19 — Machine Learning No Supervisado
Lección 95 — Aprendizaje No Supervisado: Cómo Encontrar Patrones sin Etiquetas
Lección 96 — Clustering en Machine Learning: Cómo Agrupar Datos por Similitud
Lección 97 — Detección de Anomalías: Cómo Identificar Comportamientos Fuera de lo Normal
Lección 98 — Reducción de Dimensionalidad: Cómo Simplificar Datos Complejos
📈 Capítulo 20 — Predicción, Series Temporales y Recomendación
Lección 99 — Series Temporales: Cómo Analizar Datos que Cambian con el Tiempo
Lección 100 — Cómo Evaluar un Sistema de Recomendación
Lección 101 — Sistemas de Recomendación: Cómo Personalizar Productos, Contenido y Experiencias
Lección 102 — Forecasting: Cómo Predecir Valores Futuros a Partir de Datos Históricos
📏 Capítulo 21 — Evaluación y Mejora de Modelos
Lección 103 — Evaluación de Modelos de Machine Learning: Cómo Saber si un Modelo Realmente Funciona
Lección 104 — Validación Cruzada: Cómo Evaluar un Modelo con Mayor Confiabilidad
Lección 105 — Selección y Mejora de Modelos de Machine Learning
⚙️ Capítulo 22 — Optimización y Toma de Decisiones
Lección 106 — Optimización: Cómo Encontrar Mejores Decisiones Bajo Restricciones
Lección 107 — Sistemas de Decisión Basados en Datos: Cómo Convertir Análisis y Predicciones en Acciones
Lección 108 — Optimización de Recursos: Asignación, Programación, Rutas, Capacidad e Inventario
🎲 Capítulo 23 — Simulación y Análisis de Escenarios
Lección 109 — Simulación: Cómo Representar Sistemas Reales para Analizar su Comportamiento
Lección 110 — Análisis de Escenarios: Cómo Comparar Decisiones Antes de Implementarlas
Lección 111 — Simulación Monte Carlo: Cómo Analizar Incertidumbre y Riesgo
🧰 Capítulo 24 — Selección de Técnicas para Problemas Reales
Lección 112 — Cómo Convertir un Problema Real en un Problema de Datos
Lección 113 — Cómo Elegir una Técnica de Machine Learning: Clustering, Detección de Anomalías y Otros Enfoques
PARTE V — Inteligencia Artificial Multimodal y Mundo Físico
La inteligencia artificial no trabaja solamente con texto. En esta Parte aprenderás cómo puede generar y analizar imágenes, documentos, voz, audio y video, combinar diferentes modalidades y conectarse con sensores, dispositivos, IoT, Edge AI y robótica para percibir y actuar sobre el mundo físico.
🧩 Capítulo 25 — Fundamentos de IA Multimodal
Lección 114 — Inteligencia Artificial Multimodal: Qué Es y Cómo Combina Diferentes Tipos de Información
Lección 115 — Modelos Multimodales: Cómo Procesan Texto, Imágenes, Audio y Video
Lección 116 — Cómo Elegir una Modalidad de IA Según el Problema
🖼️ Capítulo 26 — Imágenes Generativas y Visión Artificial
Lección 117 — Generación de Imágenes con Inteligencia Artificial: Cómo Funciona y Qué Puede Hacer
Lección 118 — Cómo Crear Imágenes con Inteligencia Artificial
Lección 119 — Edición de Imágenes con Inteligencia Artificial
Lección 120 — Visión Artificial: Cómo una Máquina Analiza e Interpreta Imágenes
Lección 121 — Clasificación de Imágenes: Cómo Reconocer Categorías con Inteligencia Artificial
Lección 122 — Detección de Objetos: Cómo Localizar Elementos Dentro de una Imagen
Lección 123 — Cómo Crear un Sistema de Visión Artificial
🔤 Capítulo 27 — OCR y Comprensión Visual de Documentos
Lección 124 — OCR: Qué Es y Cómo Extraer Texto de Imágenes y Documentos
Lección 125 — OCR con Inteligencia Artificial: Cómo Mejorar la Extracción y Comprensión de Documentos
Lección 126 — Document AI: Cómo Extraer y Estructurar Información de Documentos Complejos
Lección 127 — Cómo Crear un Flujo de Procesamiento Inteligente de Documentos
🎙️ Capítulo 28 — Voz y Audio con Inteligencia Artificial
Lección 128 — Inteligencia Artificial de Voz: Cómo Procesar, Comprender y Generar Audio
Lección 129 — Speech-to-Text: Cómo Convertir Voz en Texto con Inteligencia Artificial
Lección 130 — Text-to-Speech: Cómo Generar Voz a Partir de Texto
Lección 131 — Análisis de Audio con Inteligencia Artificial: Sonidos, Eventos y Patrones
🎥 Capítulo 29 — Video e Inteligencia Artificial
Lección 132 — Inteligencia Artificial para Video: Qué Puede Analizar y Generar
Lección 133 — Generación de Video con Inteligencia Artificial
Lección 134 — Detección y Seguimiento de Objetos en Video con Inteligencia Artificial
Lección 135 — Análisis de Video con Inteligencia Artificial: Cómo Detectar Eventos y Comportamientos
🔀 Capítulo 30 — Sistemas Multimodales Integrados
Lección 136 — Cómo Combinar Texto, Imagen, Audio y Video en una Solución de Inteligencia Artificial
Lección 137 — Cómo Crear una Aplicación Multimodal con Inteligencia Artificial
Lección 138 — Evaluación de Sistemas Multimodales: Cómo Medir la Calidad de una Solución
🤖 Capítulo 31 — Sensores, IoT, Edge AI y Robótica
Lección 139 — Sensores e Inteligencia Artificial: Cómo Convertir el Mundo Físico en Datos
Lección 140 — IoT e Inteligencia Artificial: Cómo Crear Sistemas Conectados e Inteligentes
Lección 141 — Edge AI: Qué Es y Cuándo Ejecutar Inteligencia Artificial Cerca del Dispositivo
Lección 142 — Inteligencia Artificial y Robótica: Percepción, Decisión y Acción
Lección 143 — Mantenimiento Predictivo con Inteligencia Artificial: Cómo Anticipar Fallas en Equipos
Lección 144 — Seguridad en Sistemas de IA Físicos: Cómo Reducir Riesgos Cuando la Inteligencia Artificial Actúa en el Mundo Real
PARTE VI — Programación Asistida por Inteligencia Artificial
En esta Parte comenzarás a construir software con ayuda de IA. Aprenderás pensamiento computacional, programación y Python desde cero, manejo de archivos y datos, depuración, HTTP, Git y desarrollo asistido por inteligencia artificial. El propósito no es convertirte en programador tradicional antes de construir, sino conseguir que comprendas suficientemente el código que desarrollas junto con la IA para poder revisarlo, modificarlo y controlarlo.
💻 Tu entorno tecnológico puede crecer con tus proyectos
Para comenzar a aprender, programar y experimentar con inteligencia artificial no necesitas tener el equipo más avanzado.
Conforme tus proyectos crezcan, podrás evaluar qué capacidad de procesamiento, memoria, almacenamiento y otros recursos tecnológicos necesitas realmente para lo que quieres construir.
Explora opciones para tu entorno tecnológico →
Capítulo 32 — Pensamiento Computacional y Fundamentos de Programación
Lección 145 — Pensamiento Computacional: Cómo Descomponer Problemas para Resolverlos con una Computadora
Lección 146 — Algoritmos: Cómo Convertir un Problema en una Secuencia de Pasos
Lección 147 — Qué Es Programar y Cómo Funciona un Programa
Lección 148 — Programación Asistida por Inteligencia Artificial: Cómo Utilizar IA para Crear Software
Lección 149 — Cómo Pedirle a una Inteligencia Artificial que Genere Código Correctamente
Capítulo 33 — Python desde Cero
Lección 150 — Python: Qué Es, Para Qué Sirve y Cómo Ejecutar tu Primer Programa
Lección 151 — Variables y Tipos de Datos en Python
Lección 152 — Condicionales en Python: Cómo Tomar Decisiones en un Programa
Lección 153 — Bucles en Python: Cómo Repetir Tareas
Lección 154 — Funciones en Python: Cómo Organizar y Reutilizar Código
Lección 155 — Listas, Diccionarios y Otras Colecciones en Python
Capítulo 34 — Archivos, Datos, JSON y Librerías
Lección 156 — Archivos en Python: Cómo Leer, Escribir y Procesar Información
Lección 157 — CSV en Python: Cómo Leer y Procesar Datos Tabulares
Lección 158 — JSON: Qué Es y Cómo Utilizarlo en Python
Lección 159 — Librerías de Python: Qué Son y Cómo Instalarlas
Lección 160 — Entornos Virtuales en Python: Cómo Aislar Dependencias de un Proyecto
Lección 161 — Pandas: Cómo Analizar y Manipular Datos con Python
Capítulo 35 — Pruebas, Errores y Depuración
Lección 162 — Errores en Python: Cómo Leer Mensajes y Encontrar la Causa de un Problema
Lección 163 — Excepciones en Python: Cómo Manejar Errores sin Detener un Programa
Lección 164 — Debugging: Cómo Encontrar y Corregir Errores en el Código
Lección 165 — Cómo Revisar Código Generado por Inteligencia Artificial
Lección 166 — Pruebas de Software: Cómo Comprobar que el Código Hace lo que Debe
Capítulo 36 — HTTP y Comunicación entre Sistemas
Lección 167 — HTTP: Cómo se Comunican las Aplicaciones a Través de Internet
Lección 168 — Métodos HTTP: GET, POST, PUT, PATCH y DELETE
Lección 169 — Requests y Responses: Cómo Intercambian Información los Sistemas
Lección 170 — Códigos de Estado HTTP: Cómo Interpretar Respuestas y Errores
Capítulo 37 — Git y Desarrollo Asistido por IA
Lección 171 — Git: Qué Es y Por Qué Utilizar Control de Versiones
Lección 172 — Commits y Ramas en Git: Cómo Registrar y Organizar Cambios
Lección 173 — GitHub: Qué Es y Cómo Utilizarlo para Trabajar con Código
Lección 174 — Desarrollo de Software con Inteligencia Artificial: Cómo Trabajar con IA sin Perder el Control del Código
Lección 175 — Cómo Construir un Proyecto de Programación Asistido por Inteligencia Artificial
PARTE VII — APIs, Bases de Datos y Automatización
En esta Parte aprenderás a conectar sistemas y convertir soluciones aisladas en procesos funcionales. Trabajarás con APIs, autenticación, bases de datos, automatizaciones, herramientas no-code y low-code, webhooks y arquitecturas híbridas que combinan reglas, software, datos e inteligencia artificial.
Capítulo 38 — APIs y APIs de Inteligencia Artificial
Lección 176 — API: Qué Es y Cómo Permite que Diferentes Aplicaciones se Comuniquen
Lección 177 — Cómo Funciona una API: Solicitudes, Respuestas, Endpoints y Datos
Lección 178 — API REST: Qué Es y Cómo Funciona
Lección 179 — Cómo Consumir una API con Python
Lección 180 — APIs de Inteligencia Artificial: Cómo Conectar Modelos de IA con Aplicaciones
Lección 181 — Errores, Rate Limits y Reintentos en APIs: Cómo Crear Integraciones Más Confiables
Lección 182 — Cómo Integrar una API de Inteligencia Artificial en una Aplicación
Capítulo 39 — Autenticación, Credenciales y Permisos
Lección 183 — Autenticación en APIs: Cómo Verificar Quién Puede Acceder a un Servicio
Lección 184 — API Keys: Qué Son y Cómo Utilizarlas de Forma Segura
Lección 185 — OAuth: Qué Es y Cómo Funciona la Autorización entre Aplicaciones
Lección 186 — Variables de Entorno: Cómo Proteger Credenciales y Configuraciones
Lección 187 — Permisos y Principio de Mínimo Privilegio en Aplicaciones de Inteligencia Artificial
Capítulo 40 — Bases de Datos y Persistencia
Lección 188 — Base de Datos: Qué Es y Cómo Almacena Información una Aplicación
Lección 189 — Cómo Conectar Python con una Base de Datos
Lección 190 — SQL: Qué Es y Cómo Consultar Información en una Base de Datos
Lección 191 — Persistencia de Datos: Cómo Guardar el Estado y la Información de una Aplicación
Capítulo 41 — Automatización de Procesos
Lección 192 — Triggers, Acciones y Condiciones: Cómo Funciona un Flujo de Automatización
Lección 193 — Automatización de Procesos: Cómo Convertir Tareas Repetitivas en Flujos Automáticos
Lección 194 — Errores y Recuperación en Automatizaciones: Cómo Evitar Duplicados y Ejecuciones Incorrectas
Lección 195 — Automatización con Inteligencia Artificial: Cómo Incorporar IA en un Flujo de Trabajo
Capítulo 42 — No-Code, Low-Code y Código
Lección 196 — No-Code y Low-Code: Qué Son y Cuándo Utilizarlos
Lección 197 — Automatización No-Code: Cómo Crear Flujos sin Programar
Lección 198 — No-Code vs. Código: Cómo Elegir el Enfoque Adecuado para una Automatización
Capítulo 43 — Webhooks e Integraciones
Lección 199 — Webhook: Qué Es y Cómo Permite que una Aplicación Reaccione a Eventos
Lección 200 — Cómo Crear una Integración entre Aplicaciones con APIs y Webhooks
Capítulo 44 — Automatización Inteligente y Arquitecturas Híbridas
Lección 201 — Automatización Inteligente y Sistemas Híbridos de IA: Cómo Combinar Reglas, APIs, Datos e Inteligencia Artificial
Lección 202 — Observabilidad y Confiabilidad en Automatizaciones: Cómo Saber Qué Ocurrió y Recuperarse de Fallos
Lección 203 — Costos de APIs de Inteligencia Artificial: Cómo Medir y Controlar el Consumo
PARTE VIII — Agentes de Inteligencia Artificial
En esta Parte aprenderás a construir sistemas que no sólo generan respuestas, sino que pueden recibir objetivos, planificar acciones, utilizar herramientas, consultar información, interactuar con otros sistemas y comprobar resultados. También aprenderás a limitar su autonomía, supervisarlos y evaluar su confiabilidad antes de permitirles actuar.
Capítulo 45 — Fundamentos de Agentes de IA
Lección 204 — Agentes de Inteligencia Artificial: Qué Son y Cómo Funcionan
Lección 205 — Chatbot vs. Agente de IA: Cuál Es la Diferencia
Lección 206 — Cuándo Usar un Agente de IA y Cuándo No
Capítulo 46 — Planificación, Herramientas y Ejecución
Lección 207 — Planificación en Agentes de IA: Cómo Convertir un Objetivo en una Secuencia de Acciones
Lección 208 — Tool Calling: Cómo un Agente de IA Utiliza Herramientas Externas
Lección 209 — Agentes de IA con APIs y Bases de Datos: Cómo Actuar sobre Sistemas Externos
Lección 210 — Ejecución de Acciones por Agentes de IA: Cómo Comprobar Resultados Antes de Continuar
Capítulo 47 — Memoria, Estado y Conocimiento
Lección 211 — Memoria y Estado en Agentes de IA: Cómo Conservar Información entre Acciones
Lección 212 — Memoria de Corto y Largo Plazo en Agentes de Inteligencia Artificial
Lección 213 — Agentes de IA con RAG: Cómo Utilizar Conocimiento Externo
Capítulo 48 — Autonomía, Permisos y Supervisión Humana
Lección 214 — Autonomía en Agentes de IA: Cuánto Control Debe Tener un Sistema
Lección 215 — Permisos en Agentes de IA: Cómo Limitar lo que un Agente Puede Hacer
Lección 216 — Supervisión Humana en Agentes de IA: Cuándo una Persona Debe Revisar o Autorizar una Acción
Lección 217 — Guardrails en Agentes de IA: Cómo Establecer Límites y Controles
Capítulo 49 — Errores, Recuperación y Confiabilidad
Lección 218 — Errores en Agentes de IA: Cómo Detectar Fallos y Evitar Acciones Incorrectas
Lección 219 — Confiabilidad y Trazabilidad en Agentes de IA: Cómo Saber Qué Hizo un Agente y Por Qué
Lección 220 — Recuperación de Errores en Agentes de IA: Reintentos, Fallbacks y Escalamiento Humano
Capítulo 50 — Agentes Especializados y Sistemas Multiagente
Lección 221 — Agentes Especializados de IA: Cómo Diseñar Sistemas para Tareas Específicas
Lección 222 — Sistemas Multiagente: Cómo Coordinan su Trabajo Varios Agentes de IA
Lección 223 — Orquestación de Agentes de IA: Cómo Coordinar Roles, Tareas y Resultados
Capítulo 51 — Construcción y Evaluación de Agentes
Lección 224 — Cómo Crear un Agente de Inteligencia Artificial Paso a Paso
Lección 225 — Cómo Evaluar un Agente de Inteligencia Artificial
Lección 226 — Costos y Latencia en Agentes de IA: Cómo Diseñar Sistemas Eficientes
Lección 227 — Proyecto de Agente de IA: Cómo Construir, Probar y Documentar un Sistema Completo
PARTE IX — Diseño de Soluciones de Inteligencia Artificial Aplicada
Aquí comienza uno de los cambios más importantes del programa: dejarás de partir de una tecnología para buscar dónde utilizarla. Aprenderás a entrar en un dominio, comprender problemas reales, trabajar con especialistas, analizar procesos, decidir si realmente se necesita IA y seleccionar la tecnología adecuada. Después estudiarás viabilidad, arquitectura, prototipado, validación e iteración utilizando el Método IAA.
Capítulo 52 — Comprender Dominios y Problemas
Lección 228 — Dominio de Aplicación en Inteligencia Artificial: Qué Significa y Por Qué Importa
Lección 229 — Cómo Investigar y Aprender Rápidamente un Dominio Desconocido para Aplicar IA
Lección 230 — Cómo Comprender un Problema Antes de Diseñar una Solución de Inteligencia Artificial
Lección 231 — Restricciones e Incertidumbre en Proyectos de Inteligencia Artificial
Capítulo 53 — Trabajar con Expertos y Mapear Procesos
Lección 232 — Experto del Dominio: Qué Es y Cómo Colaborar con Especialistas en un Proyecto de IA
Lección 233 — Cómo Entrevistar a un Experto del Dominio para Diseñar una Solución de IA
Lección 234 — Mapeo de Procesos: Cómo Descubrir Tareas, Decisiones y Puntos de Fricción
Lección 235 — Conocimiento Tácito: Cómo Descubrir lo que los Expertos Saben pero No Está Documentado
Lección 236 — Cómo Documentar un Proceso Antes de Automatizarlo con Inteligencia Artificial
Capítulo 54 — Descubrir, Definir y Priorizar Problemas
Lección 237 — Cómo Identificar Problemas que Podrían Beneficiarse de la Inteligencia Artificial
Lección 238 — Cómo Convertir un Problema de Negocio en un Problema de Inteligencia Artificial
Lección 239 — Objetivos y Criterios de Éxito en un Proyecto de Inteligencia Artificial
Lección 240 — Casos de Uso de Inteligencia Artificial: Cómo Evaluarlos y Priorizarlos
Capítulo 55 — Determinar si Realmente Necesitamos IA
Lección 241 — Cuándo Usar Inteligencia Artificial y Cómo Saber si un Problema Realmente la Necesita
Lección 242 — Inteligencia Artificial, Automatización, Reglas o Software Tradicional: Cómo Elegir
Capítulo 56 — Seleccionar la Tecnología Adecuada
Lección 243 — Cómo Elegir la Tecnología de Inteligencia Artificial Adecuada para un Problema
Lección 244 — Reglas, Machine Learning o IA Generativa: Qué Enfoque Elegir
Lección 245 — Prompting, RAG o Fine-Tuning: Cómo Elegir la Estrategia Adecuada
Lección 246 — Automatización vs. Agente de IA: Qué Arquitectura Necesita el Problema
Lección 247 — Visión Artificial vs. OCR: Qué Tecnología Utilizar para Analizar Información Visual
Lección 248 — Predicción, Optimización o Simulación: Cómo Elegir el Enfoque Adecuado
Lección 249 — Soluciones Híbridas de Inteligencia Artificial: Cómo Combinar Tecnologías sin Depender de una Sola Herramienta
Capítulo 57 — Datos, Recursos, Riesgos y Viabilidad
Lección 250 — Viabilidad de Proyectos de Inteligencia Artificial: Cómo Saber si una Solución Puede Construirse
Lección 251 — Datos para Proyectos de Inteligencia Artificial: Qué Necesitas y Cómo Saber si Son Suficientes
Lección 252 — Recursos y Costos Iniciales de un Proyecto de Inteligencia Artificial
Lección 253 — Riesgos en Proyectos de Inteligencia Artificial: Cómo Identificarlos Antes de Construir
Lección 254 — Prueba de Concepto en Inteligencia Artificial: Cómo Decidir si Vale la Pena Continuar
Capítulo 58 — Diseñar Arquitecturas de IA Aplicada
Lección 255 — Arquitectura de Inteligencia Artificial: Cómo Diseñar los Componentes de una Solución
Lección 256 — Flujo de Datos en una Arquitectura de Inteligencia Artificial
Lección 257 — Cloud, Edge o Arquitectura Híbrida: Dónde Ejecutar una Solución de IA
Lección 258 — Supervisión Humana y Diseño para Fallos en Arquitecturas de Inteligencia Artificial
Lección 259 — Cómo Crear un Diagrama de Arquitectura para una Solución de Inteligencia Artificial
Capítulo 59 — Prototipar, Validar, Medir e Iterar
Lección 260 — PoC, Prototipo y MVP en Inteligencia Artificial: Diferencias y Cuándo Utilizar Cada Uno
Lección 261 — Cómo Validar una Solución de Inteligencia Artificial con Usuarios Reales
Lección 262 — Cómo Medir el Impacto de una Solución de Inteligencia Artificial
Lección 263 — Iteración en Proyectos de IA: Cuándo Mejorar, Pivotar, Continuar o Abandonar
Lección 264 — Método IAA: Cómo Resolver Problemas Reales con Inteligencia Artificial Aplicada
PARTE X — IA Responsable, Implementación y Negocio
Una solución de IA no está terminada cuando funciona en una demostración. En esta Parte aprenderás a evaluarla profesionalmente, proteger datos y sistemas, gestionar riesgos, seleccionar modelos e infraestructura, llevar soluciones a producción, monitorearlas, mantenerlas y determinar si son económicamente viables. También aprenderás a documentar, comunicar y convertir tus capacidades en servicios, proyectos y oportunidades profesionales.
Capítulo 60 — Evaluación Profesional de Sistemas de IA
Lección 265 — Evaluación de Sistemas de IA: Cómo Definir Métricas y Saber si Funcionan
Lección 266 — Evaluación Técnica vs. Evaluación de Negocio en Sistemas de IA
Lección 267 — Evaluación Offline, Online y Pruebas A/B en Sistemas de Inteligencia Artificial
Lección 268 — Casos Límite y Pruebas Adversas en Sistemas de Inteligencia Artificial
Lección 269 — Evaluación Humana de Sistemas de Inteligencia Artificial
Lección 270 — Evaluación Continua de Sistemas de Inteligencia Artificial
Capítulo 61 — Seguridad, Privacidad y Protección de Datos
Lección 271 — Seguridad y Privacidad en Inteligencia Artificial: Riesgos que Debes Evaluar
Lección 272 — Datos Personales y Sensibles en Sistemas de Inteligencia Artificial
Lección 273 — Control de Acceso en Sistemas de Inteligencia Artificial
Lección 274 — Prompt Injection y Fuga de Datos: Cómo Proteger Aplicaciones con IA Generativa
Lección 275 — Seguridad de APIs, Herramientas y Agentes de Inteligencia Artificial
Lección 276 — Gestión de Incidentes de Seguridad en Sistemas de Inteligencia Artificial
Capítulo 62 — Sesgos, Responsabilidad y Propiedad Intelectual
Lección 277 — Sesgo Algorítmico: Cómo Detectarlo, Evaluarlo y Reducirlo
Lección 278 — Inteligencia Artificial Responsable: Principios, Gobierno y Ciclo de Vida
Lección 279 — Transparencia, Explicabilidad y Responsabilidad en Inteligencia Artificial
Lección 280 — Propiedad Intelectual, Copyright y Contenido Generado por Inteligencia Artificial
Capítulo 63 — Supervisión Humana y Aplicaciones de Alto Riesgo
Lección 281 — Supervisión Humana en Inteligencia Artificial: Human-in-the-Loop, Human-on-the-Loop y Human-in-Command
Lección 282 — Inteligencia Artificial de Alto Riesgo: Salud, Finanzas, Empleo y Otros Contextos Sensibles
Lección 283 — Decisiones Automatizadas con Inteligencia Artificial: Cuándo Permitirlas y Cuándo Escalar a una Persona
Capítulo 64 — Selección de Modelos e Infraestructura
Lección 284 — Cómo Elegir un Modelo de Inteligencia Artificial para una Aplicación Real
Lección 285 — Modelos de IA Grandes vs. Pequeños, Abiertos vs. Propietarios
Lección 286 — IA Local vs. Nube: Ventajas, Riesgos y Cuándo Utilizar Cada Enfoque
Lección 287 — GPU, Latencia y Rendimiento en Sistemas de Inteligencia Artificial
Lección 288 — Cómo Elegir Infraestructura para una Solución de Inteligencia Artificial
Capítulo 65 — Del Prototipo a Producción
Lección 289 — Inteligencia Artificial en Producción: Cómo Pasar de un Prototipo a un Sistema Real
Lección 290 — Desarrollo, Pruebas y Producción: Cómo Separar Entornos y Configuraciones
Lección 291 — Versionado de Modelos, Prompts y Configuraciones de Inteligencia Artificial
Lección 292 — Rollback y Despliegue Gradual de Sistemas de Inteligencia Artificial
Capítulo 66 — Monitoreo, Mantenimiento y Escalamiento
Lección 293 — Monitoreo, Logs y Observabilidad en Sistemas de Inteligencia Artificial
Lección 294 — Data Drift y Model Drift: Cómo Detectar que un Sistema de IA Está Dejando de Funcionar Bien
Lección 295 — Mantenimiento de Sistemas de Inteligencia Artificial: Modelos, Datos y Conocimiento
Lección 296 — Escalabilidad y Resiliencia en Sistemas de Inteligencia Artificial
Lección 297 — Planes de Contingencia: Qué Hacer Cuando un Servicio de Inteligencia Artificial Falla
Capítulo 67 — Costos, ROI y Viabilidad Empresarial
Lección 298 — Costos de Inteligencia Artificial: Cómo Calcular Gastos Fijos, Variables y por Uso
Lección 299 — ROI de Inteligencia Artificial: Cómo Medir Beneficios y Retorno de Inversión
Lección 300 — Caso de Negocio de Inteligencia Artificial: Cómo Evaluar TCO, Riesgo e Inversión
Capítulo 68 — Documentación y Comunicación Profesional
Lección 301 — Documentación de Proyectos de Inteligencia Artificial: Arquitectura, Datos, Modelos, Riesgos y Limitaciones
Lección 302 — Cómo Explicar Inteligencia Artificial a Personas No Técnicas sin Exagerar sus Capacidades
Lección 303 — Cómo Presentar una Solución de Inteligencia Artificial a una Organización
Capítulo 69 — Profesiones, Servicios y Negocios con IA
Lección 304 — Profesiones en Inteligencia Artificial y el Perfil del Especialista en IA Aplicada
Lección 305 — Consultoría de Inteligencia Artificial: Cómo Ayudar a Organizaciones a Identificar y Resolver Problemas
Lección 306 — Negocios con Inteligencia Artificial: Cómo Identificar Oportunidades para Productos y Servicios
Lección 307 — Cómo Vender Soluciones de Inteligencia Artificial sin Prometer lo que No Pueden Cumplir
Lección 308 — Portafolio de Inteligencia Artificial: Cómo Demostrar lo que Sabes Construir y Resolver
Lección 309 — Cómo Mantenerte Actualizado y Evaluar Nuevas Herramientas y Modelos de IA
PARTE XI — Proyecto Integrador de Inteligencia Artificial Aplicada
Llegó el momento de demostrar que puedes integrar lo aprendido. Esta Parte no agrega nuevas lecciones teóricas: plantea un Proyecto Integrador desarrollado por etapas y termina con un desafío completamente nuevo para comprobar que puedes transferir tus conocimientos a un problema que no habías estudiado previamente.
El objetivo no es demostrar que sabes utilizar muchas herramientas. Es demostrar que puedes comprender un problema, decidir correctamente, construir cuando sea necesario, evaluar resultados y defender profesionalmente tus decisiones.
Capítulo 70 — Proyecto Integrador — Etapa 1: Investigación y Diagnóstico
Entregable: Diagnóstico del Problema
Investiga el dominio, comprende el problema, identifica participantes, analiza el proceso actual, examina datos y restricciones y determina si existe una razón suficientemente sólida para considerar inteligencia artificial.
Capítulo 71 — Proyecto Integrador — Etapa 2: Diseño y Viabilidad
Entregable: Propuesta de Solución
Selecciona y justifica el enfoque, define requisitos, arquitectura, datos, recursos, riesgos, costos preliminares, supervisión humana y criterios de éxito.
Capítulo 72 — Proyecto Integrador — Etapa 3: Construcción del Prototipo
Entregable: Prototipo Funcional
Planifica, construye, integra y prueba una solución funcional, documentando las decisiones y la evidencia obtenida durante el desarrollo.
Capítulo 73 — Proyecto Integrador — Etapa 4: Validación, Evaluación y Mejora
Entregable: Informe de Evaluación y Mejora
Demuestra qué mediste, cómo lo mediste, qué resultados obtuviste, dónde falló la solución, qué modificaste y si esos cambios produjeron una mejora real.
Capítulo 74 — Proyecto Integrador — Etapa 5: Implementación y Defensa Profesional
Entregable: Dossier Profesional del Proyecto
Documenta la solución y demuestra que puedes explicar y defender sus decisiones técnicas, económicas, operativas, de seguridad y de negocio ante diferentes participantes de una organización.
Capítulo 75 — Desafío Final de Transferencia
Enfréntate a un problema nuevo en un dominio diferente. Investígalo, comprende el proceso, determina si necesita inteligencia artificial, compara alternativas, selecciona un enfoque, diseña una solución, analiza riesgos y explica cómo evaluarías sus resultados.
La respuesta correcta no tiene que incluir inteligencia artificial.
Si el análisis demuestra que una solución tradicional, una automatización, reglas o incluso un cambio de proceso resolverían mejor el problema, justificar esa decisión será una demostración de criterio profesional.
Tu Camino Empieza Aquí
Este índice contiene 11 Partes, 75 Capítulos y 309 Lecciones, pero no necesitas contemplarlo como 309 cosas que debes memorizar.
Piensa en él como un mapa.
No necesitas saberlo todo antes de comenzar.
Necesitas comenzar, practicar, construir y aprender a resolver problemas cada vez más complejos.
Aprender → Utilizar → Construir → Aplicar
Empiezo desde cero
Si nunca has estudiado inteligencia artificial y tu objetivo es desarrollar progresivamente las competencias de un Especialista Práctico en Inteligencia Artificial Aplicada, el recorrido completo y en orden es la ruta recomendada.
Comienza en la Lección 1 — Qué Es la Inteligencia Artificial y Para Qué Sirve
Ya tengo conocimientos
Si ya tienes experiencia, identifica dónde comienzan los conocimientos que todavía necesitas desarrollar y continúa desde ahí.
Revisa las Partes y Capítulos anteriores e identifica el punto desde el que puedes continuar sin dejar vacíos importantes.
Busco un tema específico
Y si llegaste buscando resolver una duda o aprender una tecnología específica, utiliza el índice para ir directamente al tema que necesitas.
Utiliza este índice como mapa y accede directamente a la lección que necesitas.
Elige tu ruta. Empieza donde tenga sentido para ti. Y sigue construyendo desde ahí.