Módulo / 0. Introducción a la IA
0%
Módulo 0 · Fundamentos

Introducción a la IA

Antes de escribir una línea de código o derivar una función de pérdida, necesitamos un mapa conceptual: qué es la inteligencia artificial, qué lugar ocupan el Machine Learning y el Deep Learning, y por qué estas ideas cambiaron la tecnología en la última década.

5 lecciones 3 h estimadas Sin prerrequisitos
0 de 5 lecciones completadas

Contenido del módulo

0.1 ¿Qué es la inteligencia artificial?0.2 ¿Qué es Machine Learning?0.3 ¿Qué es Deep Learning?0.4 Historia y evolución0.5 Aplicaciones y tipos de problemas
Lección 0.1

¿Qué es la inteligencia artificial?

12 min de lecturaConceptualNivel básico

La Inteligencia Artificial (IA) es la disciplina que estudia cómo construir sistemas capaces de realizar tareas que, cuando las realiza un humano, requieren inteligencia: percibir, razonar, aprender, decidir, comunicar o actuar.

¿Por qué existe?

Existe porque hay problemas que no queremos —o no podemos— resolver escribiendo reglas explícitas. Programar a mano un detector de spam es frágil: el correo malicioso cambia cada semana. En cambio, podemos mostrarle miles de ejemplos etiquetados y dejar que el sistema descubra patrones. La IA busca automatizar la toma de decisiones en entornos complejos, ambiguos o cambiantes.

Definición operativa Un sistema es inteligente —en el sentido de la IA— si puede alcanzar objetivos en una variedad de entornos, incluyendo entornos nuevos, con autonomía razonable y sin que cada situación haya sido programada explícitamente.

Cuatro formas clásicas de definir IA

Russell y Norvig organizan las definiciones en dos ejes: pensar vs. actuar y como humanos vs. racionalmente. Esto produce cuatro familias:

Pensar como humano

Modelado cognitivo

Reproducir los mecanismos de la mente humana (psicología cognitiva, neurociencia).

Actuar como humano

Test de Turing

Evaluar si una máquina se comporta de forma indistinguible de una persona en una conversación.

Pensar racionalmente

Leyes del pensamiento

Formalizar el razonamiento correcto con lógica y probabilidad.

Actuar racionalmente

Agentes racionales

Maximizar el rendimiento esperado dado lo que el agente sabe y puede hacer. Es el enfoque dominante en IA moderna.

El agente inteligente

Un agente es cualquier entidad que percibe su entorno mediante sensores y actúa sobre él mediante actuadores. Formalmente, buscamos una política $\pi$ que asigne a cada situación $s$ una acción $a=\pi(s)$ que maximice una medida de utilidad.

Objetivo del agente racional $$a^{*} = \arg\max_{a \in \mathcal{A}} \; \mathbb{E}\left[\,U(s_{t+1}) \mid s_t=s,\; a_t=a \,\right]$$ $\mathcal{A}$: conjunto de acciones; $U$: utilidad; la esperanza se toma sobre los resultados inciertos de la acción.

Esta ecuación ya contiene las tres ideas que veremos durante todo el curso: un objetivo ($U$), un modelo del entorno (la distribución de resultados) y un procedimiento de optimización ($\arg\max$).

IA débil, IA general y superinteligencia

  • IA estrecha (narrow AI): especializada en una tarea. Es la que existe hoy: traductores, recomendadores, asistentes de código, sistemas de diagnóstico.
  • IA general (AGI): hipotética capacidad de aprender y desempeñarse en cualquier tarea cognitiva humana. No existe todavía.
  • Superinteligencia: escenario especulativo de un sistema que supera ampliamente a los humanos en todos los dominios. Es objeto de debate filosófico y de seguridad, no de ingeniería establecida.
Precisión conceptual «La IA piensa» o «la IA quiere» son atajos antropomórficos. Un modelo de lenguaje predice tokens; no tiene intenciones ni comprensión humana del mundo. Usaremos lenguaje técnico: el modelo estima, optimiza, generaliza o falla.

Ramas de la IA

RamaPregunta centralEjemplo
Búsqueda y planificación¿Qué secuencia de acciones me lleva a la meta?A*, minimax, planificación logística
Representación del conocimiento¿Cómo almaceno y razono con hechos?Lógica, ontologías, sistemas expertos
Machine Learning¿Cómo aprendo de datos sin reglas explícitas?Regresión, árboles, redes neuronales
Procesamiento de lenguaje¿Cómo entiendo y genero lenguaje?Traducción, chatbots, LLMs
Visión por computador¿Cómo interpreto imágenes?Detección de objetos, segmentación
Robótica¿Cómo actúo físicamente en el mundo?Navegación, manipulación
Idea clave La IA no es una sola técnica: es un conjunto de métodos unidos por un objetivo —construir sistemas que actúen racionalmente— y por un criterio de evaluación —qué tan bien cumplen su tarea, no cuán «humanos» parecen.
Ejercicio 0.1 · Identificar el tipo de problema

Clasifica cada caso como búsqueda, representación del conocimiento, aprendizaje supervisado, aprendizaje no supervisado o aprendizaje por refuerzo:

  1. Un GPS calcula la ruta más rápida entre dos ciudades.
  2. Un banco agrupa clientes con hábitos de consumo similares.
  3. Un sistema aprende a jugar ajedrez recibiendo recompensas por ganar.
  4. Un hospital predice si un paciente tendrá diabetes a partir de análisis clínicos etiquetados.
  5. Un motor de reglas deduce si una transacción cumple una normativa fiscal.

Respuestas: 1) búsqueda; 2) no supervisado (clustering); 3) refuerzo; 4) supervisado (clasificación); 5) representación del conocimiento / sistemas expertos.

Lección 0.2

¿Qué es Machine Learning?

14 min de lecturaConceptual + formalizaciónNivel básico

Machine Learning (ML) es el subcampo de la IA que construye programas cuyo rendimiento mejora con la experiencia. En lugar de programar la regla «si el correo contiene X, entonces es spam», el sistema infiere la regla a partir de ejemplos.

La definición de Tom Mitchell (1997)

Definición canónica Un programa aprende de una experiencia $E$ con respecto a una tarea $T$ y una medida de rendimiento $P$, si su rendimiento en $T$, medido por $P$, mejora con $E$.

Esta definición es exigente: obliga a especificar qué se aprende, con qué datos y cómo se mide el éxito. Un sistema que «aprende» pero no mejora en una métrica relevante no cumple la definición.

T Ejemplo: filtro de spam
T
Tarea $T$: decidir si un correo es spam o no. Es una clasificación binaria.
E
Experiencia $E$: 50 000 correos históricos etiquetados por usuarios como «spam» o «no spam».
P
Rendimiento $P$: porcentaje de correos clasificados correctamente, o mejor, F1-score de la clase spam (ver Módulo 6).
✓
El sistema cumple la definición si, tras procesar $E$, su F1 sobre correos nuevos mejora respecto a la versión anterior. No basta con memorizar los 50 000 correos: eso no es aprender, es copiar.

Paradigma fundamental: aproximar una función desconocida

En la mayoría de los problemas de ML suponemos que existe una relación desconocida $f$ entre las variables de entrada $X$ y la salida $Y$:

Modelo generador $$Y = f(X) + \varepsilon, \qquad \mathbb{E}[\varepsilon \mid X] = 0$$ $X$ puede ser un vector de muchas características; $\varepsilon$ es ruido irreducible (medición, variables omitidas, azar).

Nuestro objetivo es encontrar una función $\hat{f}$ —el modelo— entrenada con datos, tal que $\hat{f}(x) \approx f(x)$ para observaciones nuevas. La distancia entre $\hat{f}$ y $f$ se mide con una función de pérdida y se estima sobre datos no vistos.

Distinción crucial Modelo es la función $\hat{f}$ (por ejemplo, una recta con parámetros). Algoritmo es el procedimiento que ajusta esos parámetros (por ejemplo, mínimos cuadrados o descenso del gradiente). Un mismo algoritmo puede entrenar modelos distintos.

Los tres grandes paradigmas

ParadigmaDatosObjetivoEjemplos
SupervisadoPares $(x_i, y_i)$ con etiquetaAprender el mapeo $x \mapsto y$Regresión, clasificación
No supervisadoSolo $x_i$, sin etiquetasDescubrir estructuraClustering, PCA, anomalías
Por refuerzoInteracción con recompensasMaximizar recompensa acumuladaJuegos, robótica, control

Existen además paradigmas intermedios: semi-supervisado (pocas etiquetas, muchos datos sin etiquetar), auto-supervisado (las etiquetas se generan a partir de los propios datos, base de los LLM) y aprendizaje por transferencia (reutilizar un modelo entrenado en otra tarea).

¿Por qué funciona? El supuesto de generalización

El ML no es magia: se apoya en que los datos de entrenamiento y los datos futuros provienen de una distribución similar. Si entrenamos un modelo con radiografías de un hospital y lo desplegamos en otro país con equipos distintos, la distribución cambió y el rendimiento puede desplomarse. A esto se le llama cambio de distribución (distribution shift) y lo estudiaremos en MLOps.

Supuesto i.i.d. (simplificado) $$(x_i, y_i) \sim \mathcal{D} \quad \text{para todo } i, \qquad \text{objetivo: minimizar } \mathbb{E}_{(x,y)\sim\mathcal{D}}\left[\ell(\hat{f}(x), y)\right]$$ $\mathcal{D}$ es la distribución de datos; $\ell$ es la pérdida. En la práctica solo vemos una muestra finita de $\mathcal{D}$.

ML frente a la programación tradicional

Programación clásicaMachine Learning
EntradaDatos + reglasDatos + respuestas
SalidaRespuestasReglas (modelo)
MantenimientoUn humano edita las reglasEl sistema se reentrena con nuevos datos
FortalezaTransparencia, determinismoEscalabilidad, patrones complejos
DebilidadFrágil ante casos no previstosRequiere datos, puede fallar de forma opaca
Regla práctica Si puedes escribir la regla con claridad y mantenimiento razonable, hazlo. Usa ML cuando la regla sea desconocida, demasiado compleja o cambie con el tiempo, y cuando dispongas de datos representativos.
Ejercicio 0.2 · Definir T, E y P

Para cada caso, especifica tarea $T$, experiencia $E$ y medida $P$:

  1. Predecir el precio de una vivienda.
  2. Detectar tumores malignos en imágenes de mamografía.
  3. Recomendar películas a usuarios.

Orientación: 1) $T$: regresión del precio; $E$: historial de ventas con características; $P$: MAE o RMSE en euros. 2) $T$: clasificación binaria; $E$: imágenes etiquetadas por biopsia; $P$: sensibilidad a una especificidad fija, o AUC. 3) $T$: ranking de ítems; $E$: interacciones usuario–ítem; $P$: precision@k, recall@k o NDCG.

Lección 0.3

¿Qué es Deep Learning?

13 min de lecturaConceptual + diagramaNivel básico

Deep Learning (DL) es una familia de modelos de ML basados en redes neuronales con muchas capas apiladas. Cada capa transforma la representación de la entrada; las capas profundas aprenden abstracciones cada vez más complejas.

La jerarquía IA ⊃ ML ⊃ DL

No son sinónimos. La IA es el objetivo amplio; el ML es la rama que aprende de datos; el DL es una técnica dentro del ML. Podemos visualizarlo así:

Inteligencia Artificial Razonar, planificar, percibir, decidir Machine Learning Aprender patrones a partir de datos Deep Learning Redes neuronales profundas CNN · RNN · Transformers Sistemas expertos Búsqueda A* Lógica SVM, árboles, regresión
Relación conceptual. El DL es una subfamilia del ML; no todo el ML usa redes neuronales.

¿Qué hace «profunda» a una red?

Una red neuronal es una composición de funciones:

Red de $L$ capas $$h^{(0)} = x, \qquad h^{(\ell)} = \sigma\left(W^{(\ell)} h^{(\ell-1)} + b^{(\ell)}\right), \qquad \hat{y} = h^{(L)}$$ $W^{(\ell)}$: matriz de pesos; $b^{(\ell)}$: sesgo; $\sigma$: función de activación no lineal (ReLU, tanh, etc.).

La profundidad permite composición jerárquica: en visión, las primeras capas detectan bordes, las intermedias texturas y partes, las profundas objetos completos. En lenguaje, las primeras capas capturan morfología y las profundas relaciones semánticas y de largo alcance.

Por qué la no linealidad es imprescindible Si todas las capas fueran lineales, su composición seguiría siendo lineal: $W_2(W_1x) = (W_2W_1)x$. La red colapsaría a un solo modelo lineal. Las activaciones no lineales son lo que permite aproximar funciones arbitrariamente complejas (teorema de aproximación universal).

¿Por qué explotó el DL a partir de 2012?

  • Datos: ImageNet (2009) y la web masiva proporcionaron millones de ejemplos etiquetados.
  • Cómputo: las GPU permitieron entrenar redes grandes en días en lugar de décadas.
  • Algoritmos: ReLU, dropout, batch normalization, inicialización adecuada y optimizadores como Adam estabilizaron el entrenamiento profundo.
  • Infraestructura: frameworks como TensorFlow y PyTorch redujeron la barrera de implementación.

En 2012, AlexNet redujo el error top-5 de ImageNet de ≈26% a ≈15% y marcó el inicio de la era moderna del DL. En 2017, el artículo Attention Is All You Need introdujo el Transformer, arquitectura que sostiene la mayoría de los modelos de lenguaje actuales.

Cuándo usar DL (y cuándo no)

Brilla cuando…

  • Hay datos no estructurados: imágenes, audio, texto, video.
  • Existen millones de ejemplos o se dispone de un modelo preentrenado.
  • La relación es muy no lineal y las features son difíciles de diseñar a mano.
  • Se necesita aprender representaciones, no solo predecir.

No es la primera opción si…

  • Hay pocos datos tabulares (cientos o miles de filas).
  • La interpretabilidad es un requisito legal fuerte.
  • Un modelo lineal o un árbol con boosting ya alcanza el rendimiento necesario.
  • El costo de inferencia o de energía es crítico.
Mito frecuente «DL siempre supera a ML clásico». Falso. En datos tabulares pequeños y medianos, gradient boosting (XGBoost, LightGBM) suele igualar o superar a las redes neuronales con mucho menos costo. La elección depende del problema, los datos y las restricciones.
Ejercicio 0.3 · IA, ML o DL

Clasifica: (a) un sistema de reglas que aprueba créditos según umbrales fijos; (b) una regresión logística entrenada con datos; (c) un Transformer que traduce texto; (d) un algoritmo genético que optimiza una ruta; (e) una CNN que detecta neumonía.

Respuestas: (a) IA simbólica, no ML; (b) ML, no DL; (c) DL (y ML, e IA); (d) IA/búsqueda metaheurística, no ML necesariamente; (e) DL. El ejercicio muestra que «IA» es el término paraguas y que no todo sistema inteligente aprende de datos.

Lección 0.4

Historia y evolución de la IA

11 min de lecturaContextoNivel básico

La IA no nació con ChatGPT. Es el resultado de más de setenta años de avances, fracasos y resurgimientos. Conocer esta historia evita repetir errores y ayuda a distinguir una tendencia real de una moda.

1943

Neurona de McCulloch–Pitts

Primer modelo matemático de una neurona artificial: una función de umbral con entradas binarias.

1950

Test de Turing

Alan Turing propone evaluar la inteligencia por la indistinguibilidad conversacional, no por el mecanismo interno.

1956

Conferencia de Dartmouth

Se acuña el término «inteligencia artificial». Nace la disciplina como campo de investigación.

1958

Perceptrón de Rosenblatt

Primer algoritmo de aprendizaje para un clasificador lineal; gran entusiasmo y luego críticas (Minsky y Papert, 1969) por su incapacidad de resolver XOR.

1970–1980

Primer «invierno de la IA»

Las promesas superan los resultados; se recortan fondos. Sobreviven enfoques simbólicos y sistemas expertos.

1986

Backpropagation popularizado

Rumelhart, Hinton y Williams muestran cómo entrenar redes multicapa con la regla de la cadena. Resurge el conexionismo.

1990–2000

Auge del ML estadístico

SVM, boosting, bosques aleatorios y métodos probabilísticos desplazan a los sistemas expertos. La evaluación con datos se vuelve estándar.

2009

ImageNet

Base de datos de más de 14 millones de imágenes etiquetadas; habilita benchmarks masivos de visión.

2012

AlexNet

Una CNN profunda gana ImageNet con amplio margen usando GPU. Comienza la era del Deep Learning.

2014

GANs y seq2seq

Redes generativas adversarias y modelos secuencia-a-secuencia transforman la generación de imágenes y la traducción.

2017

Transformer

Attention Is All You Need elimina la recurrencia y permite entrenamiento paralelo a gran escala.

2018–2020

BERT y GPT

El preentrenamiento auto-supervisado a gran escala se vuelve el paradigma dominante en NLP.

2022–hoy

Modelos generativos masivos

Difusión para imágenes y LLMs conversacionales. La IA generativa entra en productos de uso masivo y se plantean nuevos retos de evaluación, seguridad y regulación.

Tres lecciones de la historia

  1. El entusiasmo no sustituye la evidencia. Cada invierno de la IA siguió a promesas que no se pudieron medir ni reproducir. La cultura de benchmarks y validación existe por esta razón.
  2. Los cuellos de botella cambian. Ayer fue el cómputo; hoy son los datos de calidad, la evaluación, la eficiencia energética y la confiabilidad.
  3. Las ideas viejas vuelven con mejores recursos. Las redes neuronales de los años cincuenta son la base del DL actual; la diferencia es escala, datos y optimización.
Dato El término «inteligencia artificial» se atribuye a John McCarthy, quien lo propuso para la conferencia de Dartmouth de 1956. La propuesta original especulaba que cada aspecto del aprendizaje podría describirse con tanta precisión que una máquina podría simularlo. Setenta años después, seguimos trabajando en esa agenda.
Ejercicio 0.4 · Línea de tiempo

Ordena cronológicamente y explica en una frase la importancia de cada hito: Transformer, AlexNet, Dartmouth, backpropagation, ImageNet, perceptrón.

Orden: perceptrón (1958) → Dartmouth (1956, en realidad anterior; cuidado con la trampa) → backpropagation (1986) → ImageNet (2009) → AlexNet (2012) → Transformer (2017). La trampa es intencional: Dartmouth precede al perceptrón. Verifica siempre las fechas en lugar de asumir una narrativa lineal.

Lección 0.5

Aplicaciones y tipos de problemas

14 min de lecturaPanorama aplicadoNivel básico

Antes de elegir un algoritmo, hay que identificar el tipo de tarea. La tarea determina la salida del modelo, la función de pérdida, las métricas y el diseño del experimento.

Taxonomía de tareas

TareaSalidaEjemplo realMétrica típica
RegresiónNúmero continuoPrecio de vivienda, demanda eléctricaMAE, RMSE, $R^2$
Clasificación binariaUna de dos clasesSpam, fraude, diagnósticoROC-AUC, F1, recall
Clasificación multiclaseUna de $K$ clasesDígitos, especies, tema de noticiaAccuracy, macro-F1
Clasificación multietiquetaVarias etiquetas a la vezEtiquetas de una imagen, diagnósticos múltiplesmAP, micro-F1
ClusteringGrupos sin etiquetaSegmentación de clientesSilhouette, Davies–Bouldin
Reducción de dimensionalidadRepresentación comprimidaVisualización, preprocesamientoVarianza explicada
Detección de anomalíasPuntuación de rarezaFraude, fallos industrialesPrecision@k, AUC
Ranking / recomendaciónLista ordenadaPelículas, productos, búsquedaNDCG, MAP, recall@k
GeneraciónTexto, imagen, audioLLMs, difusión, voz sintéticaPerplejidad, FID, evaluación humana
SecuenciaEtiquetas por pasoNER, transcripción, series temporalesF1 por entidad, error temporal

Casos de estudio reales

Salud

Detección de retinopatía diabética

CNNs entrenadas con imágenes de fondo de ojo alcanzan sensibilidad cercana a especialistas en estudios controlados. El reto no es solo el modelo: es la generalización entre hospitales y la validación clínica.

Finanzas

Detección de fraude

Clasificación extremadamente desbalanceada (≈0.1% de fraudes). Se prioriza recall y se ajusta el umbral según el costo de falsos positivos y falsos negativos.

Industria

Mantenimiento predictivo

Series temporales de sensores para estimar la vida útil restante de una máquina. Combina feature engineering, modelos de regresión y detección de anomalías.

Lenguaje

Asistentes y traducción

Transformers preentrenados con auto-supervisión; ajuste fino o prompting para tareas específicas. La evaluación humana sigue siendo insustituible en matices.

Retail

Pronóstico de demanda

Regresión con variables de calendario, precio y promociones. Un error del 5% puede valer millones en inventario; la calibración importa tanto como la precisión.

Energía

Predicción de consumo

Modelos jerárquicos por hogar, clima y hora. La incertidumbre se modela explícitamente con intervalos de predicción.

El ciclo de vida de un proyecto

  1. Definir el problema y la métrica de negocio. «Predecir churn» no es un objetivo; «reducir cancelaciones un 10% sin aumentar incentivos más de X» sí lo es.
  2. Recolectar y explorar datos. Calidad, cobertura, sesgos, valores faltantes y fugas de información.
  3. Preprocesar y dividir. Entrenamiento, validación y prueba; pipelines reproducibles.
  4. Establecer una línea base. Un modelo trivial (media, clase mayoritaria) da contexto al rendimiento.
  5. Entrenar y comparar modelos. Validación cruzada, búsqueda de hiperparámetros, análisis de errores.
  6. Evaluar y comunicar. Métricas técnicas + impacto esperado + limitaciones.
  7. Desplegar y monitorear. Data drift, model drift, retroalimentación y reentrenamiento.
Advertencia profesional Un modelo con accuracy del 99% puede ser inútil. Si el 99% de los correos no son spam, un clasificador que siempre dice «no spam» acierta el 99% y detecta cero spam. La métrica debe reflejar el costo real de los errores.

Ética y responsabilidad

Los sistemas de ML toman decisiones que afectan personas: créditos, diagnósticos, contratación, justicia penal. Un modelo aprende los sesgos presentes en los datos. Por eso son necesarios la auditoría de sesgo, la explicabilidad, la privacidad diferencial y la gobernanza. Estas no son cuestiones opcionales: son parte de la ingeniería de ML responsable.

Ejercicio 0.5 · Diseñar un caso

Elige una aplicación de tu interés y responde: ¿qué tipo de tarea es? ¿qué datos necesitarías? ¿qué métrica usarías y por qué? ¿qué errores son más costosos? ¿qué riesgos éticos identificas? Escribe una ficha de media página. Este hábito —pensar antes de modelar— es el que distingue un proyecto viable de uno condenado.

Curso de Machine Learning · teoría, matemáticas y práctica en Python Progreso local · 0% completado · Hecho para estudiar en cualquier lugar