Inicio¶
Bienvenido al material de los dos módulos del Curso de Especialización en Inteligencia Artificial y Big Data: Programación de IA y Sistemas de aprendizaje automático (Machine Learning).
Este sitio reúne apuntes, ejemplos y prácticas de ambos módulos, para trabajar con Python y datos de forma progresiva y reproducible.
Los dos módulos se imparten a la vez y suman unas 313 horas repartidas a lo largo de 30 semanas lectivas: Programación de IA (≈187 h) y Machine Learning (≈126 h).
El orden en que aparecen en la navegación no es casual: primero se construye y se sirve software con IA; después se explican los datos y los modelos que ese software pone en uso. Los dos módulos avanzan en paralelo, así que verás material de ambos a la vez.
Qué encontrarás aquí¶
- Cuadernos y ejemplos ejecutables, con su salida esperada.
- Conceptos mínimos explicados antes de cada práctica.
- Prácticas guiadas y productos evaluables, incluidos los proyectos finales de cada módulo.
Cómo se organiza el curso¶
| Módulo | Qué se trabajará | Unidades |
|---|---|---|
| Programación de IA | Python, APIs, aplicaciones y despliegue | 4 unidades |
| Machine Learning · Sistemas de aprendizaje automático | Datos, preparación, modelos y evaluación | 7 unidades · arranca por Unidad 1 · Fundamentos de IA, Data Science y datos |
Todo el grupo cursa los dos módulos, que avanzan en paralelo y comparten el mismo entorno. Machine Learning explica los datos y los modelos; Programación de IA convierte esos conocimientos en aplicaciones.
Qué hay disponible ahora
Ahora mismo hay material de las dos unidades 1: la de Programación de IA y la de Machine Learning. Cada capítulo lleva sus ejemplos ejecutables y su salida esperada, así que puedes consultarlos cuando quieras.
Las demás unidades se van abriendo según se imparten. El calendario de publicación dice qué se abre en cada semana. Si intentas abrir un capítulo que aún no está publicado, el sitio te devuelve un 404: no es un fallo, todavía no toca.
El material se revisa y se amplía mientras se imparte: se corrigen erratas y se aclaran las explicaciones que no se entendieron en clase. Si algo no te encaja, anótalo y dímelo.
Si te atascas en un capítulo
Qué volver a mirar cuando algo no cuadra relaciona lo que te pasa con el capítulo que lo explica. Empieza por ahí antes que releer el curso entero: casi siempre la duda está en un capítulo anterior, no en el que estás leyendo.
Punto de partida: preparar el entorno
Si es la primera vez que usas este material, empieza por Cómo usar este material: explica qué se espera de cada tipo de bloque, cuándo hace falta una clave de API o una GPU, y qué hacer cuando algo falla.
Después, continúa con Entorno de trabajo para
instalar uv y preparar el proyecto. Sigue con
VS Code, que será el lugar desde el
que abrirás la carpeta, seleccionarás Python, editarás los cuadernos y
usarás la terminal integrada. Continúa con
Cuadernos marimo y
Git y GitHub;
uv queda como referencia de comandos y
dependencias.
Un ejemplo mínimo¶
import pandas as pd
tabla = pd.DataFrame({"nombre": ["Ana", "Luis"], "edad": [22, 25]})
print(tabla)
Salida esperada: