iaparagentecuriosa

# IA para Gente Curiosa — Index del Curso ## Qué es Curso completo de IA en español (CC BY 4.0 + MIT) por 686h6c61. 12 fascículos, 113 capítulos, 34 cuadernos ejecutables en Colab, 1105 términos de glosario. **URL base:** `https://www.iaparagentecuriosa.686f6c61.dev/` ## Estructura del curso ### 12 Fascículos | # | Título | Caps | Cuadernos | URL base | |---|--------|------|-----------|----------| | F01 | Los cimientos | 11 | 3 | `/fasciculo-01/` | | F02 | Inteligencia clásica | 16 | 4 | `/fasciculo-02/` | | F03 | Arquitecturas y modelos | 7 | 4 | `/fasciculo-03/` | | F04 | La caja de herramientas | 11 | 2 | `/fasciculo-04/` | | F05 | Agentes y orquestación | 12 | 3 | `/fasciculo-05/` | | F06 | Construir y operar | 10 | 2 | `/fasciculo-06/` | | F07 | Evaluar, calibrar e interpretar | 6 | 2 | `/fasciculo-07/` | | F08 | La ciencia de los datos | 8 | 2 | `/fasciculo-08/` | | F09 | Seguridad, privacidad y gobernanza | 5 | 2 | `/fasciculo-09/` | | F10 | Aprendizaje por refuerzo | 8 | 2 | `/fasciculo-10/` | | F11 | IA multimodal | 12 | 2 | `/fasciculo-11/` | | F12 | Lógica e incertidumbre | 7 | 6 | `/fasciculo-12/` | ### Capítulos F01 — Los cimientos (11) 1. Qué es y qué no es la IA 2. Sistemas deterministas frente a sistemas probabilísticos 3. Los cinco principios 4. La neurona artificial 5. Redes neuronales: capas y arquitectura 6. Retropropagación 7. Funciones de pérdida y optimizadores 8. CNNs y RNNs 9. Tokens y embeddings 10. Entrenamiento frente a inferencia 11. Machine learning clásico ### Capítulos F02 — Inteligencia clásica (16) 1. Búsqueda como espacio de estados 2. BFS, DFS, UCS e IDS 3. Greedy, A* y heurísticas 4. Agentes modernos 5. SAT y CSP 6. Variables, dominios y restricciones 7. Propagación, backtracking y heurísticas en CSP 8. Restricciones como guardrails 9. Planificación automática 10. Planificación heurística, SAT y agentes LLM 11. Juegos: decidir con otros actores 12. Conocimiento simbólico ### Capítulos F03 — Arquitecturas y modelos (7) 1. Qué es un LLM: modelo, parámetros y escala 2. Transformer: de texto a tensores y atención 3. Q, K, V, máscara causal y softmax 4. MLP, residual, LayerNorm, logits y sampling 5. Arquitecturas modernas: familias, MoE, razonamiento y multimodalidad 6. Transfer learning, destilación y modelos abiertos 7. Inferencia optimizada, edge AI y hardware ### Capítulos F04 — La caja de herramientas (11) 1. Elegir la intervención correcta 2. APIs: mensajes, eventos y contratos 3. Tokens, contexto y caché 4. Model cards y elección de modelos 5. Local, cuantización y dependencia operativa 6. Embeddings y búsqueda semántica 7. Bases vectoriales y búsqueda híbrida 8. RAG básico: evidencia antes que respuesta 9. Evaluar RAG y no fiarse de la demo 10. Agentic RAG y GraphRAG: complicar con permiso 11. Text-to-SQL y herramientas de datos ### Capítulos F05 — Agentes y orquestación (12) *(Extraer de `/fasciculo-05/`)* ### Capítulos F06 — Construir y operar (10) *(Extraer de `/fasciculo-06/`)* ### Capítulos F07 — Evaluar, calibrar e interpretar (6) *(Extraer de `/fasciculo-07/`)* ### Capítulos F08 — La ciencia de los datos (8) *(Extraer de `/fasciculo-08/`)* ### Capítulos F09 — Seguridad, privacidad y gobernanza (5) *(Extraer de `/fasciculo-09/`)* ### Capítulos F10 — Aprendizaje por refuerzo (8) *(Extraer de `/fasciculo-10/`)* ### Capítulos F11 — IA multimodal (12) *(Extraer de `/fasciculo-11/`)* ### Capítulos F12 — Lógica e incertidumbre (7) *(Extraer de `/fasciculo-12/`)* ## 34 Cuadernos de Colab Todos están en `/cuadernos/`. Se abren en Google Colab sin instalar nada. 1. Una red neuronal a mano, con NumPy 2. Entrenamiento vs inferencia: el sobreajuste, en directo 3. Machine learning clásico que decide de verdad 4. Buscar en un mapa: BFS, DFS, coste uniforme y A* 5. Sudoku como CSP: fuerza bruta frente a propagación 6. Planificar de verdad: el mundo de bloques 7. Decidir contra alguien: minimax y poda alfa-beta 8. Atención a mano: Q, K, V y la máscara causal 9. Cómo elige palabras un LLM: temperatura, top-k y top-p 10. Cuantización: cómo cabe un modelo gigante en tu portátil 11. Un mini-GPT desde cero: constrúyelo y míralo pensar 12. Tokens, contexto y coste: la factura de un LLM 13. Salidas estructuradas: que el modelo rellene tu formulario 14. Un agente ReAct mínimo, paso a paso 15. Function calling: el contrato entre el modelo y tus herramientas 16. El bucle con verificador: optimizar código probando, midiendo y quedándote con lo mejor 17. Observabilidad: la caja negra que sí puedes mirar 18. Routing, fallback y presupuesto: el modelo adecuado para cada tarea 19. El coste del error: dónde poner el umbral 20. Calibración: cuando el modelo dice «90%», ¿es un 90%? 21. Leakage: cómo te engañas sin querer 22. Slices y sesgo: el promedio miente 23. Minimizar y anonimizar: tratar datos personales con cabeza 24. Inyección de prompt: cuando el dato te da órdenes 25. Aprender a decidir: MDP, Bellman y un mundo de casillas 26. Explorar o explotar: el dilema de los bandidos 27. De píxeles a patches: cómo una imagen entra en un Transformer 28. Buscar imágenes por su contenido: el germen de la búsqueda multimodal 29. Lógica y resolución: razonar con reglas, no con datos 30. Bayes y redes bayesianas: razonar con probabilidades 31. Lógica difusa: cuando «verdadero» y «falso» no bastan 32. Sistemas expertos: encadenamiento hacia delante y hacia atrás 33. Razonamiento causal: correlación no es causa 34. Razonamiento no monótono: retractarse cuando llega un dato nuevo ## Recursos complementarios - **Glosario:** `/glosario/` — 1105 términos con enlace al capítulo donde se explica - **Aprende con TEO:** `/aprende-con-teo/` — Mini-cursos prácticos paso a paso - **Bricoman(IA):** `/bricomania/` — Artículos técnicos reproducibles (taller: "Radiografiar un LLM capa a capa con la Jacobian lens") - **Licencia:** CC BY 4.0 (texto) + MIT (código y cuadernos) ## Extracción de skills — Metodología Este curso puede convertirse en skills de Hermes mediante: 1. **Scraping estructural:** `python scrape_iaparagentecuriosa_final.py` desde `/root/workspace/` 2. **Extraer capítulos:** buscar h2 numerados (`^(\d+)\.\s+(.+)$`) 3. **Extraer cuadernos:** buscar bloques `<article>` con h4 + párrafos 4. **Generar skills:** 1-3 skills por fascículo, accionables y específicas 5. **Guardar:** `/hermes-home/skills/iaparagentecuriosa/` ### Cron automatizado Job `3d5c484ead60` — ejecuta 12 ticks (uno por fascículo) a las 10:00 UTC diarios. Cada tick procesa un fascículo y crea 1-3 skills. ### HTML estructurado del curso El sitio usa un patrón consistente por fascículo: - `h1` = título del fascículo - `h2` numerados = capítulos reales - Dentro de cada capítulo: subsecciones "Cómo funciona", "Por qué debería importarte", "Dónde solía tropezar yo", "Vocabulario aprendido", "Antes de pasar página" - Los cuadernos se vinculan desde la recapitulación de cada fascículo - El glosario usa `<dt>/<dd>` para términos/definiciones ## Scripts - `scripts/scrape-iaparagentecuriosa.py` — Scraping estructural: extrae fascículos, capítulos, cuadernos y glosario. Output: `/root/workspace/iaparagentecuriosa_final.json`. ## Datos escrapados Archivo de referencia: `/root/workspace/iaparagentecuriosa_final.json` Contiene: 12 fascículos con capítulos numerados, 34 cuadernos con descripciones, muestra de glosario. ## Rutas de lectura recomendadas - **Desde cero:** F01 → F02 → F03 - **Construir con LLM:** F04 → F05 → F06 - **Agentes en producción:** F05 → F06 → F09 - **Ingeniería de datos:** F08 → F04 → F07 - **Evaluar y gobernar:** F07 → F09 - **RL:** F10 (inmersión) - **Multimodal:** F11 (inmersión)