Dominio de la Ingeniería de IA: Desde Ingeniería en Python hasta Sistemas de IA listos para Producción

Módulo 1: Python Fundamental para Flujos de Trabajo de ML

• Inicio del curso y configuración del entorno
Alinear objetivos y configurar un espacio de trabajo reproducible para ML en Python

• Elementos esenciales del lenguaje Python (intensivo)
Repasar sintaxis, flujo de control, funciones y patrones comúnmente usados en bases de código de ML

• Estructuras de datos para ML
Listas, diccionarios, conjuntos y tuplas para características, etiquetas y metadatos

• Comprensiones y herramientas funcionales
Expresar transformaciones usando comprensiones y funciones de orden superior

• Python orientado a objetos para desarrolladores de ML
Clases, métodos, composición y decisiones de diseño prácticas

• dataclasses y modelado ligero
Contenedores tipados para configuración, ejemplos y resultados

• Decoradores y gestores de contexto
Patrones de medición de tiempo, almacenamiento en caché, registro y ejecución segura de recursos

• Trabajo con archivos y rutas
Manipulación robusta de conjuntos de datos y formatos de serialización

• Excepciones y programación defensiva
Escribir scripts de ML que fallen de manera segura y transparente

• Módulos, paquetes y estructura del proyecto
Organizar bases de código reutilizables de ML

• Tipado y calidad del código
Instrucciones de tipo, documentación y estructura compatible con linting

Módulo 2: Python Numérico, SciPy y Manejo de Datos

• Fundamentos de NumPy para computación vectorizada
Operaciones eficientes en arrays y codificación consciente del rendimiento

• Indexación, segmentación, transmisión y formas
Manipulación segura de tensores y razonamiento sobre las formas

• Elementos esenciales de álgebra lineal con NumPy y SciPy
Operaciones matriciales estables y descomposiciones usadas en ML

• Profundización en SciPy
Estadística, optimización, ajuste de curvas y matrices dispersas

• Pandas para datos tabulares de ML
Limpieza, unión, agregación y preparación de conjuntos de datos

• Profundización en scikit-learn
Interfaz del estimador, pipelines y flujos de trabajo reproducibles

• Elementos esenciales de visualización
Gráficos diagnósticos para exploración de datos y comportamiento del modelo

Módulo 3: Patrones de Programación para Construir Aplicaciones de ML

• Del cuaderno al proyecto mantenible
Refactorizar código exploratorio en paquetes estructurados

• Gestión de configuración
Parámetros externalizados y validación en el inicio

• Registro, advertencias y observabilidad
Registro estructurado para sistemas de ML depurables

• Componentes reutilizables con POO y composición
Diseñar transformadores y predictores extensibles

• Patrones de diseño prácticos
Patrones Pipeline, Fábrica o Registro, Estrategia y Adaptador

• Validación de datos y comprobaciones de esquema
Prevenir problemas silenciosos en los datos

• Rendimiento y perfilado
Identificar cuellos de botella y aplicar técnicas de optimización

• E/S de modelos e interfaces de inferencia
Persistencia segura e interfaces de predicción limpias

• Construcción integral mínima
Pipeline de ML estilo producción con configuración y registro

Módulo 4: Aprendizaje Estadístico para Datos Tabulares, Texto e Imagen

• Fundamentos de evaluación
Divisiones de entrenamiento y validación, validación cruzada honesta y métricas alineadas con el negocio

• ML avanzado tabular
GLM regularizados, ensamblajes de árboles y preprocesamiento sin filtración (leakage)

• Calibración e incertidumbre
Escalado de Platt, regresión isotónica, bootstrap y predicción conforme

• Métodos clásicos de PLN
Compensaciones en tokenización, TF-IDF, modelos lineales y Naive Bayes

• Modelado de temas
Fundamentos de LDA y limitaciones prácticas

• Visión por computadora clásica
HOG, PCA y pipelines basados en características

• Análisis de errores
Detección de sesgo, ruido en las etiquetas y correlaciones espurias

• Laboratorios prácticos
Pipeline tabular a prueba de filtración
Comparación e interpretación de líneas base de texto
Línea base clásica de visión con análisis estructurado de fallos

Módulo 5: Redes Neuronales para Datos Tabulares, Texto e Imagen

• Dominio del bucle de entrenamiento
Bucles limpios en PyTorch con AMP, recorte y reproducibilidad

• Optimización y regularización
Inicialización, normalización, optimizadores y planificadores de aprendizaje

• Precisión mixta y escalado
Estrategias de acumulación de gradientes y almacenamiento de puntos de control

• Redes neuronales tabulares
Incrustaciones categóricas, cruces de características y estudios de ablatión

• Redes neuronales para texto
Incrustaciones, CNN, BiLSTM o GRU y manejo de secuencias

• Redes neuronales para visión
Fundamentos de CNN y arquitecturas estilo ResNet

• Laboratorios prácticos
Framework de entrenamiento reutilizable
Comparación de NN tabular vs. boosting
CNN con experimentos de aumentación y planificación de aprendizaje

Módulo 6: Arquitecturas Neurales Avanzadas

• Estrategias de aprendizaje por transferencia
Patrones de congelar y descongelar, tasas de aprendizaje discriminativas

• Arquitecturas Transformer para texto
Internos de autoatención y enfoques de ajuste fino (fine-tuning)

• Espaldas visuales y predicción densa
Conceptos de ResNet, EfficientNet, Vision Transformers y U-Net

• Arquitecturas tabulares avanzadas
TabTransformer, FT-Transformer y redes Deep & Cross

• Consideraciones para series temporales
Divisiones temporales y detección de desplazamiento de covariables

• Técnicas de eficiencia y PEFT
Compensaciones entre LoRA, destilación y cuantización

• Laboratorios prácticos
Ajuste fino de un transformer de texto preentrenado
Ajuste fino de un modelo de visión preentrenado
Comparación de transformer tabular vs GBDT

Módulo 7: Sistemas de IA Generativa

• Fundamentos del prompt engineering
Prompting estructurado y generación controlada

• Fundamentos de los LLM
Tokenización, ajuste a instrucciones y mitigación de alucinaciones

• Generación Aumentada por Recuperación (RAG)
Segmentación, incrustaciones, búsqueda híbrida y métricas de evaluación

• Estrategias de ajuste fino
LoRA y QLoRA con controles de calidad de datos

• Modelos de difusión
Intuición sobre la difusión latente y adaptación práctica

• Datos tabulares sintéticos
CTGAN y consideraciones de privacidad

• Laboratorios prácticos
Mini-aplicación RAG estilo producción
Validación de salida estructurada con aplicación de esquema
Experimentación opcional con difusión

Módulo 8: Agentes de IA y MCP

• Diseño del ciclo del agente
Observar, planificar, actuar, reflexionar y persistir

• Arquitecturas de agentes
ReAct, planificar-ejecutar y coordinación multi-agente

• Gestión de memoria
Enfoques episódicos, semánticos y de bloc de notas

• Integración de herramientas y seguridad
Contratos de herramientas, aislamiento (sandboxing) y defensas contra inyección de prompts

• Marcos de evaluación
Trazas reproducibles, suites de tareas y pruebas de regresión

• MCP e interoperabilidad basada en protocolos
Diseño de servidores MCP con exposición segura de herramientas

• Laboratorios prácticos
Construir un agente desde cero
Exponer herramientas a través de un servidor estilo MCP
Crear un marco de evaluación con restricciones de seguridad