Skip to content

SYLLABUS_ES.md

Latest commit

 

History

History
263 lines (149 loc) · 9.09 KB

SYLLABUS_ES.md

File metadata and controls

263 lines (149 loc) · 9.09 KB

📘 SYLLABUS - Building Intelligence

AI Systems Engineering: From Machine Learning to Generative Intelligence

🎓 Información del Curso

Programa: Building Intelligence — AI Systems Engineering Repositorio: DeepRatAI/Educative-Lab Nivel: Intermedio a Avanzado Duración Estimada: 6–9 meses (dedicación de 10–15 horas semanales) Modalidad: Autoestudio con recursos prácticos Idioma: Español & Ingles Última Actualización: Noviembre 2025

🎯 Descripción General

Este programa integral cubre el espectro completo de la Ingeniería de Sistemas de Inteligencia Artificial, desde los fundamentos del Machine Learning clásico hasta las técnicas más avanzadas de Generative AI, LLMs y sistemas de agentes inteligentes. El enfoque es 70 % práctico y 30 % teórico, con proyectos reales y reproducibles en cada módulo.

Público Objetivo

  • Desarrolladores que buscan especializarse en AI/ML
  • Data Scientists que desean profundizar en Deep Learning
  • Profesionales técnicos interesados en Generative AI
  • Estudiantes de Ciencias de la Computación e Ingeniería
  • Investigadores que necesitan implementar modelos de IA

Prerrequisitos

Conocimientos Obligatorios:

  • ✅ Python intermedio (funciones, clases, módulos)
  • ✅ Matemáticas básicas (álgebra, cálculo, probabilidad)
  • ✅ NumPy y Pandas fundamentales
  • ✅ Familiaridad con Jupyter Notebooks

Conocimientos Recomendados:

  • 📊 Estadística descriptiva e inferencial
  • 📈 Visualización de datos (Matplotlib, Seaborn)
  • 🐍 Programación orientada a objetos
  • 🔧 Git y GitHub básico

📚 Estructura del Programa

El programa está dividido en 5 Fases con 15 Módulos progresivos:

Fase 1: Foundations of Machine Learning and Neural Thinking

Fundamentos del aprendizaje automático clásico y primeros pasos en el pensamiento neuronal con Keras.

Fase 2: Building Neural Intelligence with PyTorch

Dominio de PyTorch y arquitecturas profundas aplicadas a visión y lenguaje.

Fase 3: Generative Intelligence — From Data to Language

Modelos generativos, transformers y aprendizaje del lenguaje.

Fase 4: Fine-Tuning and Adaptation Engineering

Técnicas modernas de ajuste y optimización de LLMs.

Fase 5: Agentic AI and Cognitive Systems

Sistemas RAG, LangChain, AI Agents y proyectos finales integradores.

📖 Contenido Detallado por Módulo

Módulo 1: Teaching Machines to Think — The Python Approach

Duración: 4–5 semanas | Nivel: Intermedio

Aprenderás los fundamentos del aprendizaje supervisado, no supervisado y por refuerzo; aplicarás algoritmos clásicos como regresión, clasificación y clustering, y construirás soluciones completas de ML con scikit-learn.

Módulo 2: Neural Foundations — Learning Through Keras

Duración: 3–4 semanas | Nivel: Intermedio

Explora los conceptos fundamentales de las redes neuronales artificiales y domina Keras para construir modelos de regresión y clasificación, incluyendo arquitecturas avanzadas como CNNs y RNNs.

Módulo 3: Deep Vision and Sequential Intelligence — TensorFlow in Action

Duración: 4–5 semanas | Nivel: Avanzado

Aprende a combinar TensorFlow y Keras para crear modelos personalizados, CNNs avanzadas y arquitecturas Transformer. Incluye proyectos de visión médica, series temporales y generación de imágenes.

Módulo 4: PyTorch Fundamentals — Thinking in Tensors

Duración: 3–4 semanas | Nivel: Intermedio

Introduce los fundamentos de PyTorch: tensores, autograd, optimización y regresión. Construye tus primeros modelos neuronales desde cero y entrena redes simples con gradient descent.

Módulo 5: Building Deep Intelligence with PyTorch

Duración: 4–5 semanas | Nivel: Avanzado

Profundiza en la construcción de redes neuronales profundas, CNNs y técnicas avanzadas de regularización, normalización y transfer learning para problemas complejos de visión.

Módulo 6: Capstone Project I — Applied Deep Learning Systems

Duración: 3–4 semanas | Nivel: Avanzado

Primer proyecto integrador: aplica tus conocimientos para construir un sistema de clasificación de imágenes geoespaciales con CNNs, Vision Transformers y transfer learning.

Módulo 7: Foundations of Generative Intelligence and LLMs

Duración: 4–5 semanas | Nivel: Avanzado

Explora las arquitecturas generativas (RNNs, VAEs, GANs, Transformers) y aprende cómo preparar datos y tokenizadores para modelos de lenguaje de gran escala (LLMs).

Módulo 8: Language Understanding and Representation Learning

Duración: 4–5 semanas | Nivel: Avanzado

Aprende Word Embeddings (Word2Vec, GloVe, FastText), RNNs y BERT para tareas de comprensión del lenguaje. Incluye proyectos de análisis de sentimientos y Named Entity Recognition.

Módulo 9: Transformers and Generative Language Modeling

Duración: 5–6 semanas | Nivel: Avanzado

Implementa un Transformer completo desde cero, desarrolla modelos tipo GPT y T5, y aplica técnicas avanzadas de decoding y evaluación de generación de texto.

Módulo 10: Fine-Tuning Transformers — Engineering Adaptive Models

Duración: 4–5 semanas | Nivel: Experto

Domina LoRA, QLoRA y otras técnicas de Parameter-Efficient Fine-Tuning. Optimiza memoria y rendimiento, y aplica Hugging Face Trainer para fine-tuning de modelos grandes.

Módulo 11: Alignment and Optimization — RLHF, DPO & Beyond

Duración: 4–5 semanas | Nivel: Experto

Estudia RLHF, DPO y Constitutional AI para alinear modelos con preferencias humanas. Aprende a evaluar, ajustar y optimizar modelos de lenguaje a nivel de comportamiento.

Módulo 12: Retrieval-Augmented Generation — Building Knowledge-Aware Systems

Duración: 3–4 semanas | Nivel: Experto

Diseña sistemas RAG combinando LLMs con bases vectoriales. Implementa retrievers, rankers y evaluadores para crear sistemas de respuesta basados en conocimiento.

Módulo 13: LangChain and Agentic Intelligence — Orchestrating AI Systems

Duración: 3–4 semanas | Nivel: Experto

Aprende LangChain y el paradigma de Agentic AI: orquesta agentes, herramientas y memoria contextual para construir aplicaciones cognitivas complejas.

Módulo 14: Advanced RAG Engineering and Production Intelligence

Duración: 3–4 semanas | Nivel: Experto

Aplica técnicas avanzadas como HyDE, Self-RAG y Corrective RAG para desarrollar sistemas listos para producción con rendimiento y seguridad empresarial.

Módulo 15: Capstone Project II — End-to-End Generative AI Application

Duración: 4–6 semanas | Nivel: Experto

Proyecto final: desarrolla una aplicación Generative AI completa integrando LLMs, RAG, LangChain y agentes. Implementa, despliega y documenta un sistema de nivel productivo.

📊 Metodología de Enseñanza

El enfoque es Project-Based Learning (Aprendizaje Basado en Proyectos), con notebooks interactivos y ejercicios progresivos. Cada módulo incluye teoría, práctica, ejercicios y soluciones completas.

📅 Cronograma Sugerido

  • Plan Full-Time (6 meses): Módulos 1–15 con 40h/semana
  • Plan Part-Time (9 meses): Módulos 1–15 con 15h/semana
  • Plan Flexible (12 meses): Módulos 1–15 con 10h/semana

Todos los módulos están diseñados para ejecutarse en Google Colab Free Tier (GPU T4 gratuita).

🧠 Resultados Esperados

Al finalizar el programa, serás capaz de:

  • Implementar sistemas de IA completos, desde Machine Learning hasta Generative AI.
  • Ajustar y desplegar modelos de lenguaje grandes (LLMs).
  • Diseñar arquitecturas RAG y agentes inteligentes con LangChain.
  • Documentar y comunicar resultados de forma profesional.

📄 Licencia y Atribuciones

Este programa educativo es completamente abierto bajo licencia MIT, y puede utilizarse libremente con atribución. Material derivado de IBM Skills Network, Hugging Face, PyTorch Foundation y comunidad open-source.

🧩 Recursos Complementarios

🎯 Objetivos de Carrera

Al completar Building Intelligence, podrás desempeñarte como:

  • 🤖 Machine Learning Engineer
  • 🧠 Deep Learning Researcher
  • 💬 NLP Engineer
  • 🎨 Generative AI Specialist
  • 🧩 AI Systems Engineer

Y estarás preparado para construir y desplegar sistemas de inteligencia artificial reales, escalables y éticamente diseñados.

Última actualización: Noviembre 2025 Versión: 1.0 Mantenido por: DeepRatAI

“From models to minds — let’s make intelligence open again.” — Gonzalo Romero (DeepRat)