Inteligencia Artificial para Jóvenes PRO
Fundamentos y práctica de las redes neuronales profundas. Donde el programa anterior enseña a usar la inteligencia artificial, este enseña a construirla: el estudiante implementa una neurona y un perceptrón desde cero antes de tocar una sola librería profesional.
Casi toda la formación en IA enseña a invocar librerías. Aquí el orden está invertido.
Aprender a llamar funciones que producen resultados correctos, sin comprender los mecanismos que hay debajo, limita gravemente la capacidad de diagnóstico cuando el modelo se comporta de forma inesperada. Y eso pasa siempre.
Construcción antes que utilización
El estudiante implementa la neurona y el perceptrón con NumPy, calcula el error a mano y comprende la propagación hacia atrás. Las librerías profesionales aparecen en la sesión 22, pasada la mitad del programa.
Demostración antes que enunciado
Los resultados centrales se deducen ante el estudiante, no se enuncian: la expresión del gradiente en la sesión 17 y el colapso de las funciones lineales compuestas en la sesión 26 se demuestran en pizarra.
Una sola variable por experimento
Las unidades de activación, optimización e hiperparámetros reutilizan el mismo caso de estudio modificando una única variable, de modo que el efecto observado sea atribuible. Y antes de cada experimento hay que escribir qué se espera obtener.
Qué queda fuera, y por qué lo decimos en la sesión 1. El programa cubre redes densamente conectadas: el perceptrón multicapa. No cubre redes convolucionales, recurrentes, transformers ni transfer learning con modelos preentrenados. Los mecanismos de aprendizaje que sí desarrolla —propagación hacia atrás, funciones de activación, optimización, diagnóstico de curvas y control del sobreajuste— son idénticos en todas esas arquitecturas, por lo que este programa es el requisito previo para abordarlas, no un sustituto.
Estructura del programa
Cinco bloques y catorce unidades didácticas, en 40 sesiones.
I Fundamentos Sesiones 1-6 ▼
- Encuadre: panorama de la IA, alcance del programa, instalación y verificación del entorno de desarrollo
- NumPy: el array multidimensional, forma y tipo, indexado y segmentación, operaciones vectorizadas y broadcasting
- Pandas:
SeriesyDataFrame, lectura de datos, selección, filtrado y agregación - Matplotlib: la visualización como herramienta de diagnóstico
- De la IA al Machine Learning y al Deep Learning. Aprendizaje supervisado, no supervisado y por refuerzo
- Aprendizaje end-to-end frente a ingeniería manual de características. Taxonomía de arquitecturas
II La neurona y el perceptrón Sesiones 7-13 ▼
- La neurona de McCulloch-Pitts: función de agregación, función escalón y representación de funciones lógicas
- Laboratorio: implementación de la neurona M-P con NumPy
- Del modelo M-P al perceptrón: pesos, sesgo e interpretación geométrica
- Notación formal, función sigmoide y el límite de decisión lineal
- El algoritmo de aprendizaje del perceptrón y sus limitaciones: el problema XOR
- Arquitectura del perceptrón multicapa: capas de entrada, ocultas y de salida
- Propagación hacia adelante y construcción de límites de decisión no lineales
III Cómo aprende una red neuronal Sesiones 14-21 ▼
- La función de error, la entropía cruzada binaria y la diferencia entre función de pérdida y función de coste
- Descenso de gradiente, tasa de aprendizaje y ciclo de entrenamiento
- El grafo computacional y las derivadas parciales
- Regla de la cadena y propagación hacia atrás, con demostración de la expresión del gradiente
- Laboratorio: clasificación de audio. La representación de los datos como factor limitante
- Implementación vectorizada y formulación matricial del entrenamiento
- Clasificación binaria, multietiqueta y multiclase. La función Softmax
- Entropía cruzada categórica, codificación one-hot y regresión con error cuadrático medio
IV Herramientas profesionales Sesiones 22-37 ▼
- Keras: API secuencial, compilación, entrenamiento, evaluación, predicción y persistencia del modelo. Efecto de la profundidad sobre la capacidad
- Funciones de activación: tangente hiperbólica, ReLU y Leaky ReLU. Saturación y desvanecimiento del gradiente. Demostración del colapso de funciones lineales compuestas. Laboratorio: clasificación de sentimientos y vectorización de texto
- Optimización: batch, mini-batch y descenso estocástico. Medias móviles exponencialmente ponderadas, momentum, RMSprop y Adam. Comparación rigurosa entre algoritmos
- Hiperparámetros: explosión combinatoria del espacio de búsqueda, estrategias de búsqueda, Keras Tuner, número de capas y de neuronas
- TensorFlow: el tensor, diferenciación automática y componentes personalizados —funciones de error, activaciones, inicializadores, regularizadores y capas—
V Diagnóstico y proyecto final Sesiones 38-40 ▼
- Sobreajuste y subajuste. Partición del conjunto de datos en entrenamiento, validación y prueba
- Regularización L1 y L2, dropout, parada temprana y normalización de datos
- Presentación y defensa del proyecto final
Se trabaja con datos reales, no sintéticos
Los mismos conjuntos que se usan en la literatura y en la industria.
Imagen y datos tabulares
- MNIST: 70.000 imágenes de dígitos manuscritos
- Fashion-MNIST: 70.000 imágenes de prendas de vestir
- Fraude bancario: 284.807 transacciones reales anonimizadas, con 492 casos de fraude
- Boston Housing: datos censales para regresión
- Iris y cáncer de mama: clasificación clásica
Texto y audio
- Reuters: 11.228 noticias de agencia en 46 categorías
- IMDB: 50.000 reseñas etiquetadas por sentimiento
- Identificación de locutor: grabaciones de cinco oradores
- Desastres naturales: 7.613 mensajes etiquetados, el conjunto del proyecto final
El proyecto final
Determinar si un mensaje publicado en una red social describe una catástrofe real o emplea el lenguaje de forma figurada.
Un problema con datos ruidosos, como en la vida real
Exige aplicar todo el programa de forma integrada: exploración y limpieza de datos no estructurados, vectorización, diseño justificado de la arquitectura, partición sin contaminación, control del sobreajuste y evaluación con métricas apropiadas.
El criterio rector: un proyecto con métricas modestas y análisis riguroso aprueba. Un proyecto con métricas elevadas y sin justificación de las decisiones adoptadas, no.
- Cuaderno ejecutable de principio a fin
- Modelo entrenado exportado en formato
.keras - Memoria técnica de 4 a 6 páginas, con las limitaciones del modelo
- Defensa oral de 10 minutos en la sesión 40
Tres cosas devuelven el trabajo, sin importar la nota: usar el conjunto de prueba para seleccionar hiperparámetros, ajustar transformaciones sobre los conjuntos de validación o de prueba —contaminación de datos— y presentar métricas sin especificar en qué condiciones se obtuvieron. Son los tres errores que invalidan un modelo en un entorno profesional. La primera devolución no penaliza.
Requisitos y certificado
Todo el software es de código abierto y uso gratuito.
Qué se necesita
- No se requiere GPU. Todos los casos prácticos están dimensionados para un portátil convencional
- Procesador de 64 bits de gama media, 8 GB de RAM y 5 GB libres
- Python 3.10 o superior, Jupyter, NumPy, Pandas, Matplotlib, scikit-learn, TensorFlow y Keras
- Álgebra de bachillerato: matrices y noción de derivada
- Nociones básicas de programación, preferentemente en Python
- Hay alternativa de ejecución en la nube si el equipo del estudiante no alcanza
Para obtener el certificado
- Asistencia mínima del 80 %: 32 de las 40 sesiones
- Entrega de al menos 11 de los 13 conjuntos de actividades
- Calificación media igual o superior a 3,5 / 5,0
- Proyecto final superado con 3,5 / 5,0 o más
- Certificado de finalización
Preguntas frecuentes
¿Hay que haber hecho antes el programa de IA para Jóvenes? +
¿Se necesita un computador potente o una tarjeta gráfica? +
¿Por qué las librerías aparecen tan tarde, en la sesión 22? +
¿Cubre ChatGPT, visión artificial o los modelos de lenguaje? +
¿Cuánto cuesta y cuándo empieza el próximo grupo? +
¿Es este el nivel que buscas?
Cuéntanos qué sabe hacer hoy tu hijo o hija y te decimos si le conviene empezar por el PRO o por el programa de creación digital.