Esta plataforma educativa está pensada para todos aquellos que, por lo complejo de los temas tratados, deciden no aprender. Pues hagámoslo en simple.
dedicatoria¿Cómo entender con rigor técnico?
Una plataforma editorial para alumnos, autodidactas y equipos que necesitan entender fundamentos, arquitectura y operación sin caer en explicaciones vacías.
Para aprender
Una estructura de aprendizaje para entrar, profundizar y conectar teoría con sistemas reales.
Para alumnos
Una secuencia clara para estudiar fundamentos, transformers, evaluación, agentes y sistemas sin saltos arbitrarios.
Para quienes aprenden por su cuenta
Explicaciones visuales y laboratorios que ayudan a construir intuición técnica sin depender del hype ni del humo comercial.
Para perfiles técnicos y de negocio
Material útil para tomar mejores decisiones sobre costo, calidad, riesgo y operación de sistemas de IA.
Programa
Una ruta editorial para aprender Machine Learning e IA aplicada de forma acumulativa.
Los seis códices están ordenados para que cada etapa agregue una capa nueva de comprensión: fundamentos, memoria, transformers, ecosistema, agentes y operación.
Fundamentos del lenguaje
La alquimia de convertir texto en vectores: embeddings, semántica y primeras intuiciones geométricas.
Modelos clásicos y memoria
RNN, LSTM y GRU explicados desde mecanismo interno, límites operativos y criterio de arquitectura.
La revolución transformer
Atención, escala y el cambio de paradigma que reorganizó la industria de IA aplicada.
El ecosistema de modelos
Mapa técnico de familias, trade-offs y decisiones prácticas según costo, precisión y contexto.
De modelos a sistemas agénticos
Arquitectura de herramientas, memoria episódica, planificación y coordinación multi-agente para construir pipelines autónomos con criterio técnico.
Sistemas y alineamiento
RAG, evaluación, seguridad, RLHF y gobernanza para entornos de exigencia real.
Marcos agénticos en producción
LangGraph, CrewAI, MCP, A2A, máquinas de estado, memoria persistente y evaluación de agentes en producción.
Ingeniería LLM y RAG
Fine-tuning (DPO/ORPO/LoRA), pipelines RAG avanzados, bases de datos vectoriales, Azure OpenAI y evaluación con RAGAS.
MLOps e IA responsable
Pipelines ML, serving con vLLM, monitoreo de drift, detección de sesgo, gobernanza IA y automatización GenAI.
Laboratorios
Laboratorios para pasar de conceptos a mecanismos observables.
Los labs están hechos para que tus alumnos y lectores puedan mirar por dentro modelos, entrenamiento, preferencias y sistemas interactivos.
Simulador interno de LLM
Una vista concreta de tokenización, embeddings, capas y generación paso a paso.
Nested learning
Aprendizaje por capas, retención y refinamiento para explicar continuidad y olvido.
RL Playground
Exploración, reward y policy observables en una simulación interactiva.
RLHF Explainer
Preferencias, reward models, PPO y riesgos de optimización mal especificada.
Inference-time compute lab
Presupuestos de razonamiento, verificadores y trade-offs de costo, latencia y calidad.
Simulador multi-agente de fraude
Agentes autónomos que colaboran para detectar fraude bancario con LangChain, LangGraph y LangSmith.
Embedding Projector
Visualiza embeddings de palabras en 3D. Explora relaciones semánticas con PCA, t-SNE y UMAP.