Aprende IA haciendo

Cursos prácticos de IA en vídeo para estudiantes, empleados, freelancers, empresarios y empresas que quieren usar la IA en su trabajo.

¿Eres nuevo en IA? Empieza aquí.

Elige un curso práctico y aprende a tu ritmo. Estos cursos para principiantes ya están disponibles en el catálogo de la Academia.

• Claude Cowork y trabajo del conocimiento con IA - Usa las demostraciones seleccionadas para estudiar patrones de trabajo del conocimiento: organizar archivos, añadir contexto persistente, investigar un sitio web, empaquetar capacidades reutilizables, redactar recursos empresariales y comparar flujos con agentes. El énfasis está en entradas inspeccionables y salidas revisables, porque las interfaces y los permisos pueden cambiar.
• Creación de imágenes con IA: indicaciones, coherencia y herramientas locales - Trabaje desde un encargo visual hasta un flujo de imágenes que pueda revisarse. Comparará enfoques de generación y edición, practicará la estructura de las indicaciones, conservará la continuidad de personajes y escenas, y probará opciones alojadas y locales sin considerar permanente una interfaz concreta. El curso pone el acento en registrar versiones, permisos y revisiones de los recursos, así como en informar cuando se trate de medios sintéticos.
• Contenido y flujos de trabajo de marketing con IA - Construya un sistema pequeño de contenido en lugar de acumular consejos sobre herramientas. Practicará el diseño de indicaciones y contexto, encargos con varias salidas, automatización acotada, borradores de estilo UGC, atajos móviles, experimentos de marketing y laboratorios controlados de indicaciones. Cada flujo mantiene visibles la verificación, la privacidad, la revisión de afirmaciones y la aprobación humana, para que una interfaz cambiante no se convierta en la única fuente de verdad del curso.
• Lee el Manual de IA mientras aprendes

Aprende IA haciendo

Cursos prácticos de IA en vídeo para estudiantes, empleados, freelancers, empresarios y empresas que quieren usar la IA en su trabajo.

• Análisis SQL con funciones de ventana - Desarrolle soltura práctica con funciones de ventana SQL: desde la cláusula OVER y las particiones hasta las clasificaciones y los cálculos comparativos. Distinga un cálculo de ventana de una agregación que agrupa filas, defina explícitamente el orden y los límites del marco y valide resultados con ejemplos pequeños. Las actividades usan datos inventados o cuyo uso está permitido y destacan la granularidad clara, el orden determinista y la interpretación prudente. Un resultado de consulta solo tiene sentido cuando se explican la población y las suposiciones.
• Supervisión de la deriva de modelos: detectar, diagnosticar y mejorar - Relaciona señales estadísticas de deriva con el diagnóstico de modelos en producción y su mejora responsable. Distingue cambios en la distribución de entrada de cambios en la relación predictiva, combina evidencias de calidad de datos y resultados y no conviertas una alerta en una orden automática de reentrenamiento. Los ejercicios ficticios abordan referencias, evaluación temporal, subgrupos, reversión y responsabilidad.
• Respuestas fundamentadas: diseñar y evaluar un flujo RAG - Sigue el recorrido desde la recuperación de documentos hasta un sistema de preguntas y respuestas verificable. Compara sistemas locales para PDF, examina un enfoque de autocontrol y planifica evaluaciones que separen recuperación y generación. Las actividades originales priorizan la trazabilidad de fuentes, la privacidad, el análisis de errores y la revisión humana: una respuesta fluida no es una prueba.
• IA generativa: primeros pasos prácticos - Una introducción sin conocimientos previos. Cuatro vídeos con derechos comprobados explican los conceptos básicos, los límites de las respuestas generadas y dos aplicaciones cotidianas. Comprueba siempre los resultados con la fuente.
• Segmentación avanzada de imágenes: métodos semánticos, por instancia y panópticos - De la formulación de segmentación a etiquetas semánticas, instancias y métodos panópticos, y al seguimiento de puntos y píxeles. Distingue unidades, anotación y asociación temporal.
• Ajuste eficiente de LLM: PEFT, LoRA y QLoRA - Estudia el ajuste eficiente en parámetros desde su motivación y la adaptación de bajo rango hasta flujos PEFT y LoRA cuantizado. Compara pesos base congelados con adaptadores entrenables y explicita las elecciones de módulos y datos. Diseña evaluaciones que separen mejoras de tarea, memorización, cuantización y costes de despliegue. Los vídeos en inglés se acompañan de notas originales, no transcripciones.
• Aprendizaje continuo: memoria, estabilidad y plasticidad - Estudia escenarios de aprendizaje continuo, el equilibrio entre estabilidad y plasticidad, memoria y generalización, y un estudio de aprendizaje por refuerzo continuo sin identificar explícitamente la tarea. La secuencia pasa de definir la evaluación secuencial a los mecanismos de adaptación y costes de memoria, y termina con una referencia sencilla en aprendizaje por refuerzo. Distingue retención de transferencia y diseña evaluaciones que revelen olvido, efectos del orden y costes de recursos. Los vídeos están en inglés; estas notas y actividades originales no reproducen transcripciones.
• Aprendizaje por refuerzo: métodos de valor y gradientes de política - Recorrido desde los procesos de decisión de Markov y los objetivos de aprendizaje hasta los métodos de valor y política, la iteración de valor ajustada y los gradientes deterministas de política. Relaciona los métodos con espacios de acción, recopilación de datos y estabilidad, sin confundir una idea algorítmica con una garantía de éxito. Los vídeos son en inglés; las notas y actividades originales no reproducen sus transcripciones.
• Proyectos de aprendizaje automático aplicado: preparar, predecir y comparar - Los ejemplos conectan preparación de datos, clasificación, agrupamiento y pronóstico temporal. Las actividades tratan la definición del objetivo, las fugas de datos, las referencias y los límites de generalización. Utiliza datos públicos o sintéticos y documenta incertidumbre y reproducibilidad.
• Pruebas A/B: diseñar, ejecutar e interpretar experimentos - Desarrolla un flujo práctico de experimentación que conecte una pregunta de producto con un tratamiento, un grupo de comparación y un resultado claramente definidos. Considera la asignación aleatoria, la exposición y medición, la relevancia práctica y el riesgo de extraer conclusiones excesivas de resultados ruidosos. Las actividades utilizan datos ficticios o agregados con autorización adecuada y destacan decisiones predefinidas, métricas de protección e incertidumbre expresada con honestidad; ninguna prueba garantiza una respuesta definitiva.
• Recuperación de información: modelos de clic, relevancia y aprendizaje de ranking - Esta secuencia avanzada va desde la relevancia lingüística y los clics hasta el aprendizaje por pares en línea y arquitecturas profundas. Distingue juicios de relevancia de clics observados, examina sesgos de exposición y relaciona objetivos de ranking con evaluación. El tema es la búsqueda, no la generación aumentada por recuperación. Los videos en inglés se acompañan de materiales originales, no transcripciones.
• Arquitecturas Transformer: de la atención a las series temporales - Este recorrido técnico parte de los fundamentos de Transformer y una implementación transparente a pequeña escala, pasa por variantes de atención y llega a la arquitectura Informer para series temporales. Relaciona las decisiones de arquitectura con la estructura de las secuencias, el coste computacional y los supuestos de pronóstico; después, diseña una evaluación que evite fugas temporales.
• Ingeniería de prompts: formula solicitudes más claras - Una introducción práctica a la comunicación con IA generativa. Cuatro vídeos con derechos comprobados por separado avanzan desde los fundamentos y la calidad de los prompts hasta distintas técnicas y solicitudes mejor formuladas. Practica con una tarea de bajo riesgo, compara los resultados y trata cada respuesta como un borrador que debe revisarse.
• Análisis práctico de datos con Python y Pandas - Construye un flujo de análisis práctico en pasos breves: prepara un cuaderno, comprende los valores de Python, carga archivos habituales, selecciona y combina datos, resume grupos e inspecciona un conjunto de datos. Las lecciones seleccionadas son demostraciones con licencia abierta de Alex The Analyst; no sustituyen la documentación vigente de las bibliotecas. Al finalizar, tendrás un cuaderno reproducible de análisis exploratorio y un registro claro de los supuestos adoptados.
• Redes neuronales de grafos: propagación de mensajes y aprendizaje - Explora atención en grafos, propagación neuronal de mensajes, clasificación de nodos y grafos y completado de grafos de conocimiento multirrelacionales. Relaciona estructura y agregación con tareas predictivas y analiza cómo la aumentación y los supuestos geométricos afectan a la generalización. Hace explícita la construcción del grafo y plantea una evaluación sin fugas de datos.
• Evaluación de modelos generativos: métricas, benchmarks y confianza - El recorrido avanza desde criterios de calidad hasta los límites de los benchmarks y la evidencia de confianza, y termina con un caso de evaluación multimodal. Una clasificación o una puntuación única no es un veredicto: define el uso previsto, comprueba la adecuación de los datos y la rúbrica, y analiza fallos por grupos. Las actividades combinan pruebas cuantitativas, revisión cualitativa y supervisión humana proporcional.
• Aprendizaje autosupervisado de representaciones de grafos y redes - El curso aborda aumento contrastivo, hipergrafos, embeddings contextuales para enlaces heterogéneos y consultas lógicas sobre grafos de conocimiento. Compara qué estructura preservan las señales y cómo tipo de grafo, geometría y evaluación influyen. Un objetivo autosupervisado no garantiza una representación universal. Los videos en inglés cuentan con materiales originales, no transcripciones.
• Detección avanzada de objetos: DETR y aprendizaje eficiente en datos - Recorre la detección de objetos desde la definición de la tarea hasta la predicción de conjuntos de tipo DETR, el diseño transformer y el aprendizaje activo probabilístico para seleccionar anotaciones. Distingue localización por imagen del seguimiento temporal y considera métricas, particiones, calidad de anotación y cómputo. Los vídeos en inglés se acompañan de notas originales.
• Flujos con agentes: planificar, usar herramientas y mantener el control humano - Estudia el paso de una respuesta única a un flujo de varias etapas. Representa planificación, llamadas a herramientas y traspasos, y establece límites para acciones que puedan afectar a personas, datos o sistemas externos. Las actividades originales utilizan escenarios ficticios y explicitan aprobación, registro y recuperación ante fallos.
• Flujos de datos en Python: recopilar, transformar y analizar - Sigue los datos desde un sitio web o API hasta su estructuración, operaciones numéricas y análisis de relaciones. Comprueba permisos, límites, procedencia, esquema y valores ausentes. Las actividades distinguen correlación de causalidad; que algo sea público no autoriza automáticamente su reutilización.
• Aprendizaje federado: agregación, personalización y representaciones - Estudia aprendizaje federado, FedAvg y personalización. Analiza heterogeneidad, participación, comunicación y por qué conservar datos localmente no garantiza privacidad formal.
• Completado de grafos de conocimiento: representaciones, embeddings y evaluación - Este curso avanzado se centra en completar grafos de conocimiento, no en redes neuronales de grafos generales. Relaciona estructura y características textuales con embeddings de entidades y relaciones, examina objetivos eficientes sin muestreo negativo y completado de instancias con conocimiento del esquema, y analiza protocolos de evaluación de predicción de enlaces. Se centra en construcción de candidatos, fugas de datos, métricas de ranking y en si la evaluación refleja el uso previsto. Los vídeos están en inglés; los materiales originales son guía analítica, no transcripciones.
• Experimentación de producto: análisis, compensaciones y plataformas - Conecta la interpretación de experimentos con decisiones de producto y sistemas que coordinan pruebas a escala. Un ejemplo de paradoja, una clase sobre modelos y pruebas A/B, una conversación sobre cuándo conviene probar y una sesión sobre gestión de plataformas muestran distintos tipos de evidencia y compromisos operativos. Practica la revisión de segmentos, pruebas simultáneas, gobernanza y calidad de medición; ninguna afirmación de una plataforma o ponente demuestra universalmente que una prueba sea válida.
• Observabilidad MLOps: supervisar sistemas en producción - Explora la observabilidad desde la recogida de métricas y el diseño de alertas hasta los traspasos operativos y la transición de notebook a servicio. Separa señales de infraestructura de evidencias sobre predicciones y considera instrumentación respetuosa con la privacidad, etiquetas acotadas, versiones reproducibles y recuperación. Los ejercicios ficticios no afirman que una plataforma garantice fiabilidad.
• Tu primer flujo de análisis de datos - Una orientación sobre tres maneras de examinar tablas, sin prometer dominarlas todas enseguida. Cuatro vídeos con derechos comprobados muestran un proyecto en Excel, MySQL, exploración con SQL y limpieza con Pandas. Documenta tus suposiciones.
• Comprueba antes de confiar: verifica las respuestas de la IA - Un recorrido para principiantes que trata las afirmaciones de la IA como elementos que hay que investigar, no como hechos que deban repetirse. Cuatro vídeos con derechos comprobados abordan las alucinaciones, un ejemplo de verificación, la revisión humana y la detección de errores. Practica cómo separar afirmaciones, localizar pruebas independientes y señalar lo que sigue siendo incierto.
• Análisis geoespacial: datos, consultas y uniones espaciales - Diseñe un flujo cuidadoso para consultar y unir entidades geográficas y conecte las operaciones de un SIG de escritorio con una base de datos espacial. Distinga predicados geométricos, sistemas de referencia de coordenadas y granularidad de los registros unidos; examine también cómo las fronteras y la procedencia afectan el análisis. Las actividades usan datos geográficos inventados o con licencia adecuada, verifican geometrías inválidas o incompatibles y no tratan un mapa ni una asociación espacial como evidencia causal. Compruebe las condiciones de las fuentes y los metadatos de coordenadas antes de reutilizar datos reales.
• Fundamentos del aprendizaje automático: de los algoritmos a los pipelines - Conecta la intuición geométrica de los vectores con el razonamiento de los vecinos más cercanos, los árboles potenciados, las funciones de pérdida, los pipelines de preprocesamiento y dos ejemplos compactos de redes neuronales. La secuencia utiliza lecciones con licencia abierta de CampusX como demostraciones guiadas. Se insiste en preguntar qué datos, objetivo, partición y medida de evaluación utiliza un modelo, en lugar de tratar un ejemplo de código como prueba de que generalizará.
• Finanzas cuantitativas: backtesting y datos de mercado - Examine cómo se combinan datos financieros, reglas de estrategia y decisiones de simulación en un backtest. Distinga backtests de cartera de ejemplos de una sola estrategia y analice un flujo de trabajo orientado a Python. Compruebe sesgos de anticipación y supervivencia y supuestos de ejecución poco realistas. Las afirmaciones llamativas son hipótesis que investigar, no resultados demostrados. Las actividades usan datos hipotéticos y destacan costes de transacción, validación temporal, referencias, medidas de riesgo y límites de extrapolar el pasado. Este curso es educativo y no constituye asesoramiento de inversión.
• Flujos de imágenes generativas: configurar, crear y revisar - Examina interfaces de escritorio, modelos y flujos de texto a imagen, además de los límites de interpretar imágenes. Planifica pruebas seguras, registra procedencia y revisa derechos, divulgación y posibles engaños. Un detector no demuestra el origen de una imagen.
• Optimización bayesiana para experimentar con eficiencia - Avanza desde la motivación de la optimización bayesiana hasta el diseño experimental con sustitutos y el ajuste automatizado del rendimiento. Analiza incertidumbre, adquisición, ruido y límites prácticos como el coste de evaluación y los dominios de parámetros. El curso destaca comparaciones reproducibles con búsqueda aleatoria y la documentación cuidadosa del presupuesto de búsqueda.
• Privacidad diferencial: sensibilidad, métricas y estadística privada - Presenta fundamentos de privacidad diferencial, sensibilidad, definiciones y estadísticas privadas. Se centra en vecindad, composición, utilidad y amenazas.
• Detección de anomalías: flujos, datos multivariados e interpretación - La secuencia avanza de flujos temporales a indicadores multivariados e interpretación de atípicos. Distingue puntuaciones de incidentes confirmados y contrasta explicaciones con conocimiento del dominio. Una conversación centrada en HTM acompaña métodos multivariados; ningún detector sirve para todo. Los videos ingleses incluyen notas originales, no transcripciones.
• IA responsable: privacidad, ética y revisión - Curso introductorio sobre el uso cuidadoso de la IA generativa y de la información. Cuatro vídeos con licencia abierta abordan la privacidad, la ética, los fundamentos de la IA responsable y la integridad de la investigación. Las actividades originales ayudan a decidir qué se puede compartir, quién puede verse afectado y cuándo hace falta revisión humana o una alternativa más segura.
• Sistemas de recomendación aplicados: libros, películas y listas - Usa distintos contextos para comparar prototipos basados en interacciones y contenido y delimitar lo que demuestra una prueba. Define señales de feedback y objetivos de ranking, revisa atributos y sesgo de exposición y planifica consentimiento, diversidad, inicio en frío y control de usuarios. Las tareas usan ejemplos ficticios o metadatos permitidos; una demo no predice gustos universales ni prueba impacto de producto.
• Aprendizaje automático seguro: inferencia privada e inversión de modelos - Explora sistemas de aprendizaje automático que preservan la privacidad: desde un marco general, pasando por un clasificador seguro de vecinos cercanos y la evaluación de redes cuantizadas, hasta la inversión de modelos como amenaza concreta en filtrado colaborativo. El curso distingue la protección del cómputo de las garantías formales de privacidad y analiza modelos de amenaza, canales de filtración y costes de utilidad. La última lección, centrada en un ataque, es un análisis de seguridad, no una aprobación de extraer datos personales. Los vídeos están en inglés; las notas y tareas originales no reproducen transcripciones.
• Aprendizaje automático interpretable: explicaciones y límites - Distingue la interpretabilidad intrínseca de las explicaciones posteriores al entrenamiento, analiza la atribución de características y estudia redes neuronales interpretables y limitaciones de producción. Pon a prueba la estabilidad de las explicaciones, verifica qué dicen realmente del modelo y comunica su alcance a quienes necesitan entenderlas.
• Orquestación de canalizaciones de datos: planificadores y DAG - Explora la planificación de flujos de datos mediante una charla sobre Luigi, una comparación entre Airflow y Luigi, un compositor visual de DAG y aprendizajes de migraciones desde planificadores empresariales. Relaciona dependencias con reintentos, idempotencia, observabilidad y gestión del cambio; un planificador no sustituye código de tareas fiable. Las actividades exigen planes explícitos de recuperación y responsables. Las charlas son ejemplos, no pruebas de que una herramienta sea mejor para todo equipo.
• Evaluar y desplegar aplicaciones de IA de forma responsable - Conecta la evaluación de una aplicación con el empaquetado y la exposición de un servicio basado en modelos. Define pruebas representativas, examina la reproducibilidad y los límites de API, y establece criterios de lanzamiento que incluyan seguridad, reversión y responsabilidad humana. Las actividades originales no garantizan que una herramienta o procedimiento concreto siga vigente.
• Seguimiento multiobjeto: asociación de identidades y rastreadores robustos - Estudia el seguimiento multiobjeto como asociación temporal, no como detección por fotograma. Examina decisiones de asociación, gestión de trayectorias y GHOST como ejemplo concreto. Analiza cambios de identidad, detecciones perdidas, movimiento, apariencia y evaluación por secuencia sin asumir generalización fuera de las condiciones probadas. Los vídeos están en inglés y las notas son originales.
• Aprendizaje profundo y visión artificial con CNN - Avanza desde el papel del aprendizaje profundo y las familias de redes neuronales hasta los fundamentos de PyTorch, la estructura convolucional, los modelos preentrenados y el aprendizaje por transferencia. La última lección ofrece el contexto acotado de un proyecto de clasificación de imágenes. El material se presenta mediante demostraciones con licencia abierta de CampusX; antes de implementar un proyecto, comprueba las API de los entornos de desarrollo y los términos de los conjuntos de datos en la documentación vigente.
• Diseño de prompts repetibles: estructurar, probar y revisar - Un prompt es un componente de una aplicación, no una fórmula mágica. Define tarea, contexto, límites y comprobaciones; compara versiones con ejemplos fijos y evalúa herramientas con criterio. Las actividades priorizan repetibilidad, pruebas, privacidad y juicio humano.
• Algoritmos de recomendación: filtrado colaborativo práctico - Avanza del problema de ranking a vecindades de usuarios, puntuaciones ponderadas y similitud entre elementos. Examina supuestos de matrices de interacción, solapamiento y exposición; compara con referencias de popularidad, calidad de ranking, cobertura, pruebas de inicio en frío y sensibilidad. Los ejercicios con matrices inventadas subrayan que puntuaciones offline no prueban beneficio, equidad ni impacto causal.
• Inferencia bayesiana: aprendizaje, cálculo posterior y MCMC - De la inferencia bayesiana al cálculo posterior con MCMC. Explicita supuestos y evalúa aproximaciones, diagnósticos y sensibilidad.
• Inferencia neuronal eficiente: cuantización y compresión - Estudia cuantización de redes neuronales, cuantización con tamaño de paso aprendido, eficiencia de inferencia y técnicas más amplias para LLM. Distingue los compromisos de representación y cómputo de los efectos reales del hardware, compara métodos de compresión y diseña controles de calidad y latencia específicos para cada tarea. Los vídeos en inglés se acompañan de orientación analítica original, no de transcripciones copiadas.
• Sistemas de recomendación: filtrado colaborativo, factorización y equidad - Explora sistemas de recomendación desde el filtrado colaborativo y las señales de preferencia hasta la codificación compacta de similitud, la recomendación sensible a la equidad y las máquinas de factorización. Analiza cómo se recopila la interacción y cómo la evaluación afecta la calidad y la equidad. Los vídeos en inglés se acompañan de notas originales, no transcripciones.
• Inferencia causal: experimentos, emparejamiento y regresión - El recorrido avanza desde las preguntas causales y sus supuestos hasta los experimentos aleatorizados, el emparejamiento y el ajuste por regresión. Define un efecto objetivo, dibuja un diagrama causal, identifica riesgos de confusión y selección y comunica los límites de las conclusiones observacionales. Los ejemplos enseñan métodos, pero no demuestran que un único estimador resuelva la identificación.
• Sistemas de PLN: de la estructura lingüística a los transformers - Construye un puente práctico desde el procesamiento de texto y las etiquetas de secuencia hasta los modelos neuronales y las representaciones transformer. Compara la definición de tareas, las decisiones sobre datos y las salidas; después diseña una evaluación atenta al contexto y al coste de los errores. Las actividades usan textos inventados o públicos y recuerdan que una salida fluida no garantiza idoneidad ni ausencia de sesgo.
• Ingeniería de datos: ETL, reverse ETL y canalizaciones analíticas - Examina cuatro perspectivas del trabajo con canalizaciones: un panorama de diseño moderno, una implementación ETL en Databricks, reverse ETL con Airflow y una canalización analítica con Airflow y PySpark. Distingue las decisiones de ingesta y transformación de la entrega operativa a otros sistemas, y documenta contratos, procedencia, recuperación y límites de privacidad. Las arquitecturas y demostraciones son ilustrativas: ninguna tecnología ni transferencia es apropiada sin autorización de origen y controles en destino.
• Crear imágenes con IA: del prompt a la revisión - Un recorrido para principiantes por los fundamentos y los enfoques prácticos de la generación de imágenes. Cuatro vídeos con derechos comprobados presentan la generación de imágenes, muestran su creación y exploran formatos de prompts y un flujo de trabajo inicial. Crea un encargo original de bajo riesgo, compara resultados y revisa calidad, procedencia, consentimiento y uso previsto antes de compartirlos.
• Aprendizaje few-shot: generalización en conocimiento, eventos y grafos - Tras definir few-shot, el curso aborda validación de conocimiento, detección de eventos con taxonomías y propiedades moleculares. Los ejemplos de soporte ayudan, pero no garantizan transferencia. Compare baselines y evalúe en unidades adecuadas. Los videos en inglés incluyen materiales originales, no transcripciones.
• Fundamentos de PLN hasta los transformers y los LLM - Construye un modelo mental del PLN paso a paso: define la tarea, sitúa el preprocesamiento y la representación en un pipeline, prueba un planteamiento supervisado de clasificación de texto y conecta la autoatención con la evolución histórica de los modelos de lenguaje. Las lecciones seleccionadas de CampusX son material didáctico, no una promesa sobre el resultado de un modelo concreto. Los ejercicios hacen visibles las decisiones de preprocesamiento y los supuestos de evaluación.
• Análisis de datos con Excel: de la limpieza a los gráficos - Aprende una secuencia práctica para responder una pregunta pequeña con Excel: inspecciona y limpia una tabla, calcula campos útiles, resume categorías con una tabla dinámica y elige un gráfico adecuado. Las cuatro lecciones usan demostraciones distintas cuyos derechos se comprobaron. Trabaja sobre una copia de datos que tengas permiso para usar, conserva el original y explica qué muestra tu resumen y qué no permite concluir.
• Construye aplicaciones de IA generativa con LangChain y LangGraph - Empieza por el papel de LangChain en las aplicaciones de IA generativa y examina componentes, interfaces de modelos, prompts, salidas estructuradas y parsers antes de pasar a un flujo agéntico con LangGraph. CampusX aporta las demostraciones seleccionadas y el contexto de código; los nombres de paquetes y las API pueden cambiar, así que trata los ejercicios como patrones que debes verificar, no como instrucciones de producción inmutables. El curso valora los esquemas explícitos, las entradas de prueba y las transiciones de estado observables.
• SQL inicial: preguntas para hacer a las tablas - Construye una consulta exploratoria en pasos revisables: selecciona columnas, filtra filas, resume las filas resultantes por categoría y distingue un filtro sobre las filas de origen de una condición sobre los grupos. Las lecciones son demostraciones y no garantizan una configuración concreta de base de datos. Usa una tabla segura de práctica y adapta los detalles específicos del dialecto a tu entorno.
• Automatización con IA y operaciones de agentes - Estudia patrones prácticos de automatización sin tomar una demostración como plano de producción. El curso avanza desde un flujo de contenido de extremo a extremo hasta la operación remota, la programación, las extensiones, los diseños multiagente con supervisor y un flujo de n8n con control de calidad humano. Se espera que compruebes los permisos, la recuperación ante fallos, el tratamiento de datos y los pasos de las herramientas sensibles a cambios.
• Python y Pandas: primer análisis de tablas - Una introducción práctica al trabajo con datos tabulares en Python y Pandas. Empieza por entender el DataFrame como tabla etiquetada, carga un archivo, filtra filas o columnas para responder una pregunta y resume grupos. Los videos siguen atribuidos a sus canales de origen y sus derechos se comprobaron de forma individual. Practica con un archivo no confidencial, verifica cada transformación y anota tus supuestos.
• Claude Cowork y trabajo del conocimiento con IA - Usa las demostraciones seleccionadas para estudiar patrones de trabajo del conocimiento: organizar archivos, añadir contexto persistente, investigar un sitio web, empaquetar capacidades reutilizables, redactar recursos empresariales y comparar flujos con agentes. El énfasis está en entradas inspeccionables y salidas revisables, porque las interfaces y los permisos pueden cambiar.
• Fundamentos de Power BI: importar, modelar y visualizar - Sigue un recorrido práctico por Power BI Desktop: conoce una primera visualización, prepara una tabla importada, entiende cómo afectan las relaciones al análisis y elige visuales para comunicar un resultado comprobado. Cada lección es una demostración independiente con licencia Creative Commons del canal que la publicó. La interfaz y las funciones pueden cambiar; documenta tus decisiones sobre datos y modelos.
• Indicaciones aplicadas para investigación y trabajo de alto riesgo - Avanza desde la estructura y los ejemplos de indicaciones hasta el contexto de procesos jurídicos, el análisis de brechas conversacionales, la recuperación fundamentada, la investigación visual y el descubrimiento de palabras clave. El curso trata la salida del modelo como un borrador que debe inspeccionarse: no es asesoramiento jurídico, una constatación de hechos ni un sustituto de una revisión cualificada. Cada tarea produce una indicación, un registro de evidencias o un artefacto de evaluación auditable.
• Aprendizaje automático: conceptos clave y división de datos - Esta introducción recorre la idea básica del aprendizaje automático, sus tipos de tareas, los conceptos de modelo y la división cuidadosa de datos. Compararás ejemplos de aprendizaje supervisado, no supervisado y mediante recompensas; después analizarás por qué los datos de entrenamiento deben mantenerse separados de los de evaluación. La actividad final utiliza un conjunto pequeño de datos que tengas permiso para usar. No hace falta saber programar.
• Fundamentos de los LLM: aprendizaje profundo, modelos y recuperación - Conecta la práctica del entrenamiento de redes neuronales y del aprendizaje por transferencia con el funcionamiento interno de los modelos de lenguaje, la evaluación de modelos, las indicaciones, los ciclos de agentes, las conexiones de herramientas MCP y los flujos orientados a la recuperación. El material combina lecciones técnicas extensas con demostraciones breves; usa las tareas para distinguir conceptos duraderos de comandos sensibles a versiones y para probar los límites de cada sistema.
• Redes neuronales: de las neuronas al aprendizaje - Una introducción accesible en cuatro lecciones: desde la neurona artificial hasta las capas, las funciones de activación y las representaciones aprendidas. El curso explica las ideas sin exigir código ni cálculo diferencial. Al final dibujarás una red pequeña y explicarás por qué también hay que probar sus resultados con ejemplos que no se usaron para entrenarla.
• Fundamentos de IA y LLM: de los fundamentos a los agentes de investigación (urdu-inglés) - Construye un recorrido conceptual desde el aprendizaje automático y el PLN hasta los modelos de lenguaje grandes, las herramientas de modelos preentrenados, las indicaciones y un proyecto final de agente de investigación en Python. La secuencia se presenta con instrucción urdu-inglés y debe servir de base para experimentos, no de promesa de que una API de modelo, biblioteca o servicio alojado permanecerá sin cambios. Las tareas hacen hincapié en el tratamiento de fuentes, las salidas estructuradas y la revisión humana.
• Visualización de datos: principios, percepción y codificaciones - Un curso para principiantes en cuatro lecciones sobre cómo diseñar y leer visualizaciones de datos. Parte del propósito de la visualización y aborda después la percepción, la jerarquía visual y codificaciones como posición, longitud y color. Practicarás cómo elegir un gráfico para una pregunta y cómo indicar incertidumbres y límites, en vez de tratar una imagen pulida como si fuera una prueba.
• Creación de imágenes con IA: indicaciones, coherencia y herramientas locales - Trabaje desde un encargo visual hasta un flujo de imágenes que pueda revisarse. Comparará enfoques de generación y edición, practicará la estructura de las indicaciones, conservará la continuidad de personajes y escenas, y probará opciones alojadas y locales sin considerar permanente una interfaz concreta. El curso pone el acento en registrar versiones, permisos y revisiones de los recursos, así como en informar cuando se trate de medios sintéticos.
• Ética de datos: privacidad, uso y vinculación responsable - Una introducción práctica al razonamiento ético durante todo el ciclo de vida de los datos. Identificarás a las personas afectadas y los propósitos, estudiarás el uso responsable y la privacidad en el análisis del aprendizaje y examinarás cómo combinar conjuntos de datos puede generar riesgos nuevos. El curso ofrece un marco de revisión, no asesoramiento legal, y termina con un registro concreto de decisión sobre el uso de datos.
• Producción de vídeo con IA: de imagen a vídeo hasta anuncios cinematográficos - Planifique el trabajo de vídeo corto con IA como una sucesión de planos, pruebas y puntos de revisión. La secuencia abarca las indicaciones de texto a vídeo, la planificación cinematográfica, la animación de imágenes, los experimentos de imagen a vídeo, la configuración local y la resolución de problemas, hasta un proyecto final orientado a anuncios. Los hábitos duraderos —encargos, hojas de continuidad, registros de procedencia, bitácoras de defectos y aprobación humana— siguen siendo útiles aunque cambien las herramientas y los modelos.
• Automatización con IA sin código: crea y revisa un flujo - Una introducción práctica a la automatización con IA para quienes no programan. Las cuatro demostraciones con licencia presentan n8n para principiantes, una primera automatización con IA, un ejemplo relacionado con Gmail y una extensa clase sobre Make.com. Practica únicamente con datos de ejemplo inocuos: las interfaces y las integraciones cambian, y hay que probar cuidadosamente cualquier automatización antes de que pueda afectar a personas o datos reales.
• Contenido y flujos de trabajo de marketing con IA - Construya un sistema pequeño de contenido en lugar de acumular consejos sobre herramientas. Practicará el diseño de indicaciones y contexto, encargos con varias salidas, automatización acotada, borradores de estilo UGC, atajos móviles, experimentos de marketing y laboratorios controlados de indicaciones. Cada flujo mantiene visibles la verificación, la privacidad, la revisión de afirmaciones y la aprobación humana, para que una interfaz cambiante no se convierta en la única fuente de verdad del curso.
• Flujos de escritura con IA: de la idea a la revisión - Desarrolla un proceso de escritura repetible sin ceder la responsabilidad editorial. Las cuatro demostraciones con licencia Creative Commons abordan la lluvia de ideas con ChatGPT, una instrucción concreta para redactar un correo, una breve lección sobre cómo adaptar el contenido de IA a su público y la revisión mediante esquemas inversos y resúmenes de IA. Trata el texto generado como un borrador editable: aporta hechos verificados, comprueba las afirmaciones y el tono, y toma tú las decisiones finales.
• Investigación con IA y sistemas de productividad - Diseñe rutinas de investigación y productividad como flujos de trabajo auditables. Las lecciones abarcan permisos del espacio de trabajo, captura de reuniones, agentes de investigación programados, recopilación de señales de producto, evaluación de funciones, seguridad de agentes y trabajo asistido por voz. En vez de prometer exactitud automática, el curso pide definir límites de las fuentes, comprobar resultados, proteger información sensible y conservar una alternativa manual.
• Flujos de investigación con IA: buscar, verificar y organizar - Un recorrido para principiantes que usan funciones de investigación con IA sin confundir los resúmenes generados con pruebas. Los videos presentan la investigación profunda con IA y herramientas de búsqueda, examinan cómo verificar la investigación con IA y muestran un flujo de lectura académica en Roam Research. Practicarás cómo delimitar una pregunta, localizar fuentes originales, registrar sus datos y señalar lo que sigue siendo incierto. Las herramientas de IA pueden omitir o tergiversar información; quien investiga sigue siendo responsable de comprobar las afirmaciones importantes.
• IA responsable: equidad, explicabilidad, privacidad y confianza - Aprenda a convertir las preocupaciones sobre IA responsable en preguntas concretas de revisión y registros de decisiones. La secuencia pasa por el encuadre ético y las definiciones contrapuestas de equidad, el diseño de pruebas de sesgo, los límites de las explicaciones, el modelado de amenazas de privacidad, las cuestiones de derechos de autor y procedencia, y la verificación de deepfakes. No ofrece asesoramiento jurídico ni una puntuación universal de equidad: pone el foco en las evidencias, las personas afectadas, la incertidumbre, la supervisión humana y la escalada.
• Crear videos con IA: planificar, generar y editar - Una introducción para principiantes a un proceso de creación de video asistido por IA, desde una idea sencilla hasta la generación y la edición. Los videos seleccionados tratan la creación de historias animadas con IA, la generación de videos cinematográficos con IA, un tutorial de video con IA para principiantes y un flujo narrativo con CapCut. La disponibilidad, las funciones y los derechos varían entre herramientas. Utiliza solo materiales que tengas permiso para usar, identifica cuando corresponda el contenido sintético o alterado y revisa el video terminado antes de compartirlo.

Preguntas frecuentes

¿Hay cursos gratuitos disponibles?

Sí. La lección introductoria de cada curso disponible se ofrece como vista previa gratuita. No necesitas tarjeta para empezar.

¿Cómo funciona la prueba de 7 días?

Los usuarios elegibles reciben una prueba gratuita de 7 días. Después, el plan mensual o anual elegido se renueva automáticamente hasta que lo cancele. Cancele antes de que termine la prueba para evitar el cargo.

¿Qué es el Academy Pass?

El Academy Pass le otorga acceso ilimitado a todos los cursos completos, recursos premium y tareas exclusivas. Está disponible por $14,99/mes o $149/año, con un ahorro del 17 % en el plan anual, y puede cancelar en cualquier momento a través de nuestro portal de facturación de Stripe.

¿La Academy está incluida con Lumi Pro?

Sí. Si tiene una suscripción activa a Lumi Pro, el acceso ilimitado a la One AI Guide Academy se incluye automáticamente sin costo adicional.

Contenido de curso con licencia abierta · licencia CC BY · licencia verificada

Este catálogo solo incluye cursos con pruebas de licencia completas y aprobadas, y al menos una lección publicada que cumpla los requisitos.