Temario de la serie Fundamentos de IA: de lo básico a los modelos de lenguaje y los agentes

El mapa de todos los artículos de la serie: matemáticas, búsqueda, aprendizaje automático, procesamiento de señales, redes neuronales, LSTM, transformers, modelos generativos y agentes de IA.

8 minutos Matěj Žalmánek 2026-10-15

Este es el plan de toda la serie Fundamentos de IA: todo lo que queremos explicar, ordenado de lo básico a los detalles. Los artículos terminados son enlaces; el resto lo vamos escribiendo poco a poco. El temario es un mapa, no una ruta obligatoria: cada artículo se puede leer por separado y al principio de cada uno encontrarás lo que conviene saber antes.

Los módulos se apoyan unos en otros como muestra el grafo. Primero el mapa y las matemáticas, después las dos grandes familias de la IA: la que busca y la que aprende. Del aprendizaje automático y el procesamiento de señales nacen las redes neuronales, de ellas los modelos de lenguaje y la IA generativa, y al final todo se junta en los agentes de IA. El número bajo el nombre de un módulo indica cuántos de sus artículos ya se han publicado.

• básico sin conocimientos previos
• intermedio se apoya en lo básico de módulos anteriores
• a fondo para quien quiere saber cómo funciona por dentro

1. Introducción y mapa

Por dónde empezar: qué es la inteligencia artificial, de dónde viene y el vocabulario básico.

1. 1.1
   Mapa de la inteligencia artificial Qué son la IA, el aprendizaje automático, el aprendizaje profundo y los modelos de lenguaje, y cómo encajan entre sí.
   básico
2. 1.2
   Breve historia de la IA Del test de Turing a los modelos de lenguaje, pasando por los inviernos de la IA.
   básico
3. 1.3
   Datos, modelo, entrenamiento, inferencia Los conceptos básicos que necesitarás en el resto de la serie.
   básico

2. Fundamentos matemáticos

Primero, el lenguaje de las matemáticas —notación, conjuntos, relaciones, funciones, lógica y grafos—, con el que podrás leer cada definición de la serie. Después, solo las matemáticas necesarias, siempre con un ejemplo de la IA. El descenso de gradiente es el corazón de casi todo lo que aprende.

1. 2.1
   Cómo leer la notación matemática Símbolos, subíndices, sumatorios y cuantificadores: un glosario con el que podrás leer cada definición de la serie.
   básico
2. 2.2
   Conjuntos y relaciones Elementos, subconjuntos, producto cartesiano y relaciones: con ellos se construyen estados, datos y grafos.
   básico
3. 2.3
   Funciones y aplicaciones Dominio, codominio y composición: qué significa exactamente la notación f : X → Y.
   básico
4. 2.4
   Lógica y demostraciones Conectivas, implicación, los cuantificadores ∀ y ∃ y cómo funciona una demostración matemática.
   básico
5. 2.5
   Grafos y árboles Vértices, aristas, caminos y árboles: la estructura sobre la que se apoyan tanto la búsqueda como las redes neuronales.
   básico
6. 2.6
   Álgebra lineal para el aprendizaje automático Vectores, matrices y producto escalar — el idioma que habla todo modelo.
   básico
7. 2.7
   Derivadas, gradiente y regla de la cadena Cómo saber hacia dónde girar los mandos del modelo.
   básico
8. 2.8
   Descenso de gradiente: cómo aprende un modelo Descenso de gradiente, SGD, momentum y Adam, con una animación sobre el paisaje del error.
   intermedio

3. Probabilidad y estadística

El aprendizaje automático es, en gran parte, estadística. Desde una definición precisa de la probabilidad, pasando por las variables aleatorias, la función de distribución y la densidad, hasta las distribuciones, la estimación y la entropía.

1. 3.1
   Qué es la probabilidad Experimento aleatorio, sucesos y axiomas de Kolmogórov — una definición precisa en lugar de «la proporción de casos favorables».
   básico
2. 3.2
   Probabilidad condicional y teorema de Bayes Cómo cambiar tu estimación cuando descubres algo nuevo — la base de los filtros de spam y del diagnóstico médico.
   básico
3. 3.3
   Variable aleatoria y función de distribución Variables discretas y continuas, y la función que lo dice todo sobre la distribución de cada una.
   básico
4. 3.4
   Función de densidad y función de probabilidad Por qué una variable continua tiene probabilidad cero en un único punto — y qué muestra la densidad en su lugar.
   intermedio
5. 3.5
   Esperanza, varianza y covarianza Dónde se sitúa una distribución, qué tan ancha es y cómo se relacionan dos variables.
   básico
6. 3.6
   Panorama de las distribuciones de probabilidad Bernoulli, binomial, Poisson, uniforme, normal y exponencial — cuándo usar cada una.
   básico
7. 3.7
   La ley de los grandes números y el teorema central del límite Por qué los promedios se comportan de forma tan predecible y por qué la distribución normal está en todas partes.
   intermedio
8. 3.8
   Estadística y estimación de parámetros Muestra, estimador, método de máxima verosimilitud e intervalos de confianza.
   intermedio
9. 3.9
   Teoría de la información Entropía, entropía cruzada y divergencia KL — de dónde salen las funciones de pérdida.
   intermedio

4. IA clásica: búsqueda, juegos y lógica

IA que no aprende nada, sino que piensa: explora posibilidades, calcula jugadas y deduce a partir de reglas.

1. 4.1
   Búsqueda en el espacio de estados BFS, DFS, UCS, búsqueda voraz y A* en un mismo laberinto.
   básico
2. 4.2
   Juegos y adversarios Minimax, poda alfa-beta y búsqueda de árbol Monte Carlo.
   intermedio
3. 4.3
   Satisfacción de restricciones Sudokus, horarios y backtracking con propagación de restricciones.
   intermedio
4. 4.4
   Lógica y sistemas basados en conocimiento Conocimiento expresado mediante reglas, razonamiento automático y sistemas expertos.
   intermedio
5. 4.5
   Planificación Cómo la IA encadena acciones para alcanzar un objetivo — de STRIPS a los agentes actuales.
   intermedio

5. Algoritmos inspirados en la naturaleza

Cuando hay tantas posibilidades que no se pueden recorrer, ayuda fijarse en la naturaleza: la evolución, las hormigas, las bandadas de pájaros y el metal que se enfría.

1. 5.1
   Búsqueda local y recocido simulado Un escalador que se queda atascado en una colina — y cómo lo ayuda la física del metal que se enfría.
   básico
2. 5.2
   Algoritmos genéticos Una población de soluciones, cruce, mutación y selección natural en código.
   básico
3. 5.3
   Estrategias evolutivas y programación genética Evolución de parámetros numéricos y de programas enteros.
   intermedio
4. 5.4
   Optimización por colonia de hormigas Cómo los rastros de feromonas encuentran un camino corto — incluso para el problema del viajante.
   intermedio
5. 5.5
   Optimización por enjambre de partículas Un enjambre que comparte el mejor lugar encontrado, y por qué funciona.
   intermedio
6. 5.6
   Neuroevolución Evolución de los pesos y de la arquitectura de las redes neuronales — NEAT y sus sucesores.
   a fondo

6. Lógica difusa y sistemas difusos

El mundo no es blanco o negro, y la lógica difusa lo tiene en cuenta: en lugar de «sí o no» pregunta «en qué medida». A partir de reglas que una persona entiende, construye controladores y modelos.

1. 6.1
   Conjuntos difusos y funciones de pertenencia Cuando un elemento no pertenece a un conjunto ni del todo ni en absoluto: cómo expresar «algo de calor».
   básico
2. 6.2
   Lógica difusa y probabilidad Por qué «hace algo de calor» no significa lo mismo que «probablemente hace calor».
   básico
3. 6.3
   Lógica difusa: operaciones y reglas Intersección y unión difusas, t-normas y reglas SI–ENTONCES.
   intermedio
4. 6.4
   Control difuso: Mamdani y Sugeno Fuzzificación, inferencia y defuzzificación: cómo un controlador difuso gobierna una lavadora o un aire acondicionado.
   intermedio
5. 6.5
   Agrupamiento difuso El algoritmo fuzzy c-means: un punto puede pertenecer a varios grupos a la vez.
   intermedio
6. 6.6
   Sistemas neurodifusos (ANFIS) Reglas difusas cuyos parámetros se aprenden como una red neuronal.
   a fondo

7. Modelos probabilísticos y secuencias

Cómo calcular con incertidumbre y con lo que ocurre en el tiempo: de las cadenas de Márkov al filtro de Kalman.

1. 7.1
   Cadenas de Markov Procesos aleatorios sin memoria, matriz de transición y distribución estacionaria.
   intermedio
2. 7.2
   Modelos ocultos de Markov Qué pasa cuando no vemos el estado — y el algoritmo de Viterbi.
   intermedio
3. 7.3
   Redes bayesianas Un grafo de dependencias entre variables aleatorias y cómo hacer inferencia con él.
   intermedio
4. 7.4
   El filtro de Kalman Estimar el estado real a partir de mediciones con ruido, paso a paso.
   a fondo

8. Aprendizaje automático

El marco general: qué tipos de aprendizaje existen, por qué un modelo falla con datos nuevos y cómo saber si ha aprendido bien.

1. 8.1
   Tipos de aprendizaje automático Supervisado, no supervisado, semisupervisado, autosupervisado y por refuerzo.
   básico
2. 8.2
   Sobreajuste y regularización Por qué falla un modelo que se sabe de memoria los datos de entrenamiento — y qué hacer al respecto.
   intermedio próximamente
3. 8.3
   Evaluación de modelos Datos de entrenamiento y de prueba, validación cruzada, exactitud, F1 y ROC.
   intermedio próximamente
4. 8.4
   Agrupamiento y reducción de dimensionalidad k-means, PCA y t-SNE — cómo ver estructura en cientos de dimensiones.
   intermedio próximamente

9. Clasificación y regresión

Las dos tareas más comunes del aprendizaje automático — en qué cajón va y cuánto será — y los modelos que las resuelven: de la recta a los árboles y las SVM.

1. 9.1
   Clasificación y regresión: dos tareas del aprendizaje supervisado Cuándo un modelo responde con una clase y cuándo con un número — y cómo cambia eso la forma de medir el error.
   básico próximamente
2. 9.2
   Regresión lineal Mínimos cuadrados, geométricamente y con matrices, y qué significa R².
   básico próximamente
3. 9.3
   Regresión polinómica y no lineal Cómo doblar una recta — y por qué una curva demasiado doblada predice peor.
   intermedio próximamente
4. 9.4
   Regresión logística Clasificación con la sigmoide, frontera de decisión y entropía cruzada.
   básico próximamente
5. 9.5
   Clasificación multiclase y softmax De dos clases a muchas: uno contra todos y la función softmax.
   intermedio próximamente
6. 9.6
   Clasificador bayesiano ingenuo El teorema de Bayes en la práctica: un clasificador de texto rápido que funciona mejor de lo que debería.
   intermedio próximamente
7. 9.7
   Funciones de pérdida MSE, MAE, pérdida de Huber, entropía cruzada y hinge — qué minimiza exactamente el modelo.
   intermedio próximamente
8. 9.8
   Árboles de decisión y k vecinos más cercanos Dos modelos que se pueden explicar sin fórmulas.
   intermedio próximamente
9. 9.9
   Ensambles: bosque aleatorio y gradient boosting Por qué cien modelos débiles vencen a uno fuerte.
   intermedio próximamente
10. 9.10
    SVM y el truco del kernel La frontera más ancha posible entre clases y cómo curvarla.
    a fondo próximamente

10. Procesamiento de señales

El sonido, la imagen y las mediciones son señales. Antes de que lleguen a un modelo hay que convertirlas en números, y la convolución pasa de aquí directamente a las redes neuronales.

1. 10.1
   Señal y muestreo Qué es una señal, cómo convertirla en números y por qué se cumple el teorema de Nyquist.
   básico próximamente
2. 10.2
   La transformada de Fourier Descomponer una señal en frecuencias y lo que nos revela el espectro.
   intermedio próximamente
3. 10.3
   Filtros y convolución Suavizado, realce de bordes y eliminación de ruido — y por qué la convolución está en todas partes.
   intermedio próximamente
4. 10.4
   Sonido y habla Espectrograma, escala mel y MFCC — cómo se prepara el audio para un modelo.
   a fondo próximamente
5. 10.5
   La imagen como señal Píxeles, colores, convolución 2D y detección de bordes.
   intermedio próximamente

11. Redes neuronales y aprendizaje profundo

De una sola neurona a redes para imágenes y secuencias, incluidas las redes recurrentes, LSTM y GRU.

1. 11.1
   El perceptrón y la neurona artificial La red neuronal más sencilla y lo que no sabe hacer.
   básico próximamente
2. 11.2
   Una red neuronal desde cero Una red multicapa y la retropropagación, a mano y paso a paso.
   intermedio próximamente
3. 11.3
   Activaciones, inicialización y normalización Detalles de los que depende que una red profunda llegue a aprender.
   intermedio próximamente
4. 11.4
   Redes convolucionales (CNN) Cómo reconoce imágenes una red — capa a capa.
   intermedio próximamente
5. 11.5
   Redes recurrentes (RNN) Redes con memoria para secuencias y el problema del gradiente que se desvanece.
   intermedio próximamente
6. 11.6
   LSTM y GRU Puertas que deciden qué recuerda la red y qué olvida.
   a fondo próximamente
7. 11.7
   Autocodificadores y representaciones Una red que aprende a comprimir los datos y a descomprimirlos de nuevo.
   intermedio próximamente
8. 11.8
   Embeddings y word2vec Cómo una palabra se convierte en un vector con el que se puede calcular.
   intermedio próximamente

12. Transformers y modelos de lenguaje

La atención, el transformer y todo lo que convierte un modelo de lenguaje en un asistente.

1. 12.1
   El mecanismo de atención Cómo aprende un modelo a qué mirar en un texto.
   intermedio próximamente
2. 12.2
   Transformers y grandes modelos de lenguaje La arquitectura transformer paso a paso y cómo de ella surge un LLM.
   a fondo próximamente
3. 12.3
   Tokenización Cómo se trocea el texto en las piezas con las que trabaja el modelo.
   intermedio próximamente
4. 12.4
   Preentrenamiento y escalado Por qué funcionan un modelo más grande y más datos — y dónde deja de cumplirse.
   a fondo próximamente
5. 12.5
   Ajuste fino y RLHF Cómo un modelo que completa texto se convierte en un asistente.
   a fondo próximamente
6. 12.6
   Prompts, contexto y RAG Cómo darle al modelo la información adecuada en el momento adecuado.
   intermedio

13. Modelos generativos

Modelos que no clasifican datos, sino que los crean: imágenes, sonido e incluso nuevas moléculas.

1. 13.1
   Autocodificadores variacionales (VAE) Generar datos nuevos a partir de un espacio latente continuo.
   a fondo
2. 13.2
   Redes generativas adversarias (GAN) Dos redes que intentan engañarse mutuamente.
   a fondo
3. 13.3
   Modelos de difusión Cómo el ruido puro se convierte poco a poco en una imagen.
   a fondo

14. Aprendizaje por refuerzo

Cómo aprender a actuar solo a partir de recompensas y castigos: de las ecuaciones de Bellman al algoritmo detrás de RLHF.

1. 14.1
   Procesos de decisión de Markov Estados, acciones, recompensas y ecuaciones de Bellman.
   intermedio
2. 14.2
   Q-learning y DQN Aprender el valor de las acciones — de una tabla a una red profunda.
   intermedio
3. 14.3
   Policy gradient y PPO Aprender directamente la política — el algoritmo que también está detrás de RLHF.
   a fondo

15. Agentes de IA en la práctica

Donde se junta todo: un modelo de lenguaje que planifica, usa herramientas y trabaja por ti.

1. 15.1
   Cómo funciona un agente de IA Un modelo de lenguaje en bucle: herramientas, planificación y memoria.
   intermedio
2. 15.2
   Programar con agentes de IA Cómo encargar trabajo a un agente, revisarlo y no perder el control.
   básico
3. 15.3
   Evaluación y seguridad de los sistemas de IA Cómo medir lo que sabe hacer la IA y cómo evitar que haga lo que no debe.
   intermedio

¿Echas en falta en el temario algo que te gustaría que explicáramos? Escríbenos: el orden de los próximos artículos también depende de lo que más interese.

¿Lo ves de otra manera? Escribe a support@coden-app.com.