Cómo arrancar con IA: contenido gratuito y confiable

La buena noticia: casi todo lo mejor para aprender IA está disponible gratis y tiene años de respaldo de la comunidad. Acá va un mapa con reseñas cortas y tres recorridos según tu punto de partida.

Los materiales

Para arrancar de cero (sin saber programar)

• Elements of AI — Curso de la Universidad de Helsinki, disponible en español. Es el punto de partida recomendado por excelencia para no técnicos: explica los conceptos clave sin matemática pesada y con ejercicios simples.
• AI for Everyone (Andrew Ng, Coursera) — Panorama de qué es (y qué no es) la IA y cómo se aplica en organizaciones. Se puede auditar gratis, es decir, ver todo el contenido sin el certificado.

Bases prácticas (con Python)

• Kaggle Learn — Microcursos de pocas horas (Python, pandas, intro a ML, deep learning) que corren directo en el navegador, sin instalar nada.
• Google Machine Learning Crash Course — Curso intensivo de Google con videos y ejercicios prácticos. Hay versión en español.
• fast.ai — Practical Deep Learning for Coders — De lo más respetado que existe. En vez de ir de lo simple a lo complejo, te hace entrenar modelos reales desde la primera clase y te va metiendo en la teoría sobre la marcha.

Teoría y fundamentos

• 3Blue1Brown — Las series “Neural networks” y “Essence of Linear Algebra” son oro puro para ganar intuición visual. Están en inglés, con subtítulos en español.
• Machine Learning Specialization (Andrew Ng) — El clásico de siempre, actualizado. Teoría con la matemática justa. También auditable gratis.
• MIT 6.S191 — Intro to Deep Learning — El curso intensivo anual del MIT: videos y diapositivas completos, gratuitos y actualizados cada año.
• Mathematics for Machine Learning — Libro gratuito (Universidad de Cambridge) para ponerse al día con álgebra, cálculo y probabilidad.
• StatQuest — Videos cortos que explican estadística y ML sin vueltas. Ideal cuando algo no te cierra.

IA generativa y modelos de lenguaje

• Neural Networks: Zero to Hero (Andrej Karpathy) — El ex director de IA de Tesla construye y explica redes hasta armar un GPT desde cero. Para muchos, lo mejor gratis para entender cómo funcionan los LLMs por dentro.
• Cursos de Hugging Face — La plataforma de referencia del ecosistema open source: cursos gratuitos de transformers, NLP, agentes y más, con código listo para usar.
• Short Courses de DeepLearning.AI — Cursos de 1 o 2 horas sobre temas puntuales: prompting, RAG, agentes, etc.
• Learn Prompting — Guía open source para aprender a trabajar con modelos de lenguaje.

En español y para estar al día

• DotCSV — Canal de Carlos Santana, referente del contenido sobre IA en español: divulgación seria, entrevistas y actualidad.
• Libro online de IAAR — Un proyecto hermano de esta guIA, con enfoque más técnico y en español; vale especialmente la pena su sección de recursos.
• Milone, D., Stegmayer, G., Ferrante, E., Fernández Slezak, D., Alonso Alemany, L. y Ferrer, L. (2022). ¿Aprendizaje automágico? Un viaje al corazón de la inteligencia artificial contemporánea (Universidad Nacional del Litoral) — Escrito por investigadoras e investigadores argentinos, es una introducción rigurosa y sin solemnidad, hecha desde acá y con ejemplos de acá.
• The Batch — Newsletter semanal de DeepLearning.AI para no perderle el rastro al campo.

Hojas de ruta

Ruta A — “Me interesa entender, no programar” Elements of AI (4 a 6 semanas, tranquilo) → AI for Everyone → Learn Prompting + los short courses que te interesen → DotCSV o The Batch para mantenerte al día.

Ruta B — “Quiero construir cosas” Kaggle Learn (Python + pandas, si falta) → Intro to ML de Kaggle → Google ML Crash Course → fast.ai → Hugging Face → Zero to Hero de Karpathy. Unos 3 a 6 meses practicando en paralelo. Consejo: anotate temprano en una competición principiante de Kaggle.

Ruta C — “Quiero bases sólidas (rumbo a la facu o la investigación)” 3Blue1Brown (álgebra lineal y redes) → Mathematics for Machine Learning → ML Specialization de Ng → MIT 6.S191 → después, según el área: CS231n (visión), CS224n (lenguaje) o CS229 (ML clásico); las clases de Stanford están en YouTube. Con Dive into Deep Learning como libro de cabecera.

Ruta D — “Quiero entender qué está en juego” Cualquiera de las tres anteriores, cruzada desde el principio con la tercera entrada de este capítulo. No es una ruta posterior ni un complemento opcional: se recorre en paralelo, porque las preguntas sobre para qué sirve un modelo se vuelven mucho más difíciles de formular una vez que uno ya aprendió a construirlo sin hacérselas.

Consejos finales

• Inglés: la mayoría del material está en inglés. YouTube traduce los subtítulos bastante bien, y de paso vas practicando inglés técnico.
• Coursera gratis: al inscribirte, buscá la opción “auditar curso”; el certificado es lo único pago.
• Practicá de verdad: mirar clases no alcanza; hacé los ejercicios y armá proyectos propios, aunque sean chicos.
• Desconfiá de atajos pagos caros: lo esencial está gratis. Pagá solo cuando ya sepas exactamente qué te falta y por qué.
• Notá quién enseña: casi todo este canon viene de un puñado de universidades y empresas del Norte, y eso no es neutral respecto de qué problemas se consideran interesantes. No es motivo para no usarlo —es lo mejor que hay disponible—, sí para leerlo sabiendo desde dónde está escrito.

Con las tres rutas de arriba hay recorrido para varios meses. Cuando se te termine, o cuando quieras bajar a un área en particular, la entrada siguiente levanta todo lo que no entró acá: los libros de referencia, la especialización por campo, los blogs que vale la pena seguir y las comunidades donde se discute.

Nota: los enlaces pueden cambiar con el tiempo; si alguno no abre, buscá el nombre del recurso en el buscador.