Aprender IA | guIA

Cómo arrancar con IA: contenido gratuito y confiable

Sun, 30 Aug 2026 00:00:00 +0000

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.

Nota

Este mapa cubre sobre todo el costado técnico, que es el que suele estar mejor documentado y peor contextualizado. Si querés más recursos del mismo tipo, seguí por ; si querés la contraparte —quién produce este conocimiento, para quién y desde dónde— está en . Y si llegaste directo acá, los que abren el capítulo contestan qué es esto que vas a aprender a construir.

Los materiales

Para arrancar de cero (sin saber programar)

— 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.
(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)

— Microcursos de pocas horas (Python, pandas, intro a ML, deep learning) que corren directo en el navegador, sin instalar nada.
— Curso intensivo de Google con videos y ejercicios prácticos. Hay versión en español.
— 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

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

IA generativa y modelos de lenguaje

(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.
— La plataforma de referencia del ecosistema open source: cursos gratuitos de transformers, NLP, agentes y más, con código listo para usar.
— Cursos de 1 o 2 horas sobre temas puntuales: prompting, RAG, agentes, etc.
— Guía open source para aprender a trabajar con modelos de lenguaje.

En español y para estar al día

— Canal de Carlos Santana, referente del contenido sobre IA en español: divulgación seria, entrevistas y actualidad.
— Un proyecto hermano de esta guIA, con enfoque más técnico y en español; vale especialmente la pena su sección de .
Milone, D., Stegmayer, G., Ferrante, E., Fernández Slezak, D., Alonso Alemany, L. y Ferrer, L. (2022). (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.
— 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: (visión), (lenguaje) o (ML clásico); las clases de Stanford están en YouTube. Con como libro de cabecera.

Ruta D — “Quiero entender qué está en juego” Cualquiera de las tres anteriores, cruzada desde el principio con la . 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.

Seguir por Para saber todavía más

Para saber todavía más

Sun, 30 Aug 2026 00:00:00 +0000

Si llegaste desde la entrada anterior, acá siguen los recursos que no entraron en las tres hojas de ruta: más profundos, más específicos o más nicho, pero con el mismo criterio de siempre — gratuitos y con buena reputación. Nada de esto es obligatorio: es un menú, no una checklist.

Libros gratuitos de referencia

— El libro de deep learning moderno más recomendado de los últimos años: claro, con excelentes ilustraciones y PDF gratis.
— La “biblia” clásica. Más densa y de 2016, pero sigue siendo referencia para la base teórica.
— Un resumen ultracondensado en ~160 páginas, pensado para leer en el celular. Ideal para repasar.
— El clásico del ML estadístico, ahora con labs en Python. Imbatible para entender bien los modelos “de toda la vida”.
— Dos tomos (intro y avanzado) en borrador abierto: la referencia enciclopédica del ML probabilístico.
— Libro online interactivo donde construís una red desde cero. Un clásico que combina perfecto con 3Blue1Brown.

Especialización por área

Reinforcement learning

— La biblia del área, con PDF oficial gratis.
— Las clases que formaron a una generación; en YouTube, acompañan al libro.
— Teoría, código y consejos prácticos para arrancar en serio.
— Menos teórico y más manos a la obra: entrenás agentes desde la primera unidad.

NLP y LLMs

— EL manual de NLP, en borrador abierto y actualizado. El complemento teórico de CS224n.
— Recetas y código de ejemplo para construir con LLMs: RAG, agentes, evaluación y más.
— Tutoriales gratuitos del equipo detrás de Claude, incluido su curso interactivo de prompt engineering.

MLOps y puesta en producción

— Diseño, desarrollo y despliegue de sistemas de ML, con foco en buenas prácticas.
— Curso gratuito con cohortes, proyectos y comunidad muy activa.
— El curso pionero sobre llevar modelos a producción. Ya no se actualiza seguido, pero el material sigue siendo útil.

Ética, justicia y seguridad

— Libro abierto sobre sesgos y discriminación algorítmica. Serio y accesible.
— Curso gratuito y directo sobre desinformación, sesgo, privacidad y responsabilidad, escrito por alguien que también enseña la parte técnica.
— Cursos gratuitos (con proceso de selección) sobre seguridad y alineación de IA; muy respetados en ese nicho.

Consejo

Esta subsección es la bisagra con la . La “ética de la IA” tal como se enseña en estos cursos es sobre todo una ética de la implementación —cómo auditar un modelo, cómo medir un sesgo—; las preguntas por la economía política, la infraestructura y la geografía del campo se abordan allá.

Más fundamentos (si querés reforzar)

— Las clases de álgebra lineal más famosas del mundo.
— Probabilidad explicada con claridad y ejemplos memorables.
— Si necesitás arrancar desde bastante atrás, acá tenés el camino completo en español.
— La introducción a la programación más reconocida, gratis completa.
— Terminal, git, debugging y esas herramientas que nadie te enseña y usás todos los días.
— Práctica de programación con certificaciones gratuitas; incluye un track de ML con Python.

Blogs que son oro puro

— Sus posts “The Illustrated Transformer” y “The Illustrated GPT-2” son la explicación visual de los LLMs.
— Posts técnicos y exhaustivos sobre agentes, difusión, RLHF y más. De lo mejor que se escribe en el área.
— Artículos interactivos de una belleza rarísima. Dejó de publicar en 2021, pero el archivo sigue siendo una mina.
— Pocos posts, todos memorables (empezá por “Understanding LSTMs”).
— No te pierdas “A Recipe for Training Neural Networks”: consejo práctico destilado de años de oficio.
— Una de las voces más finas en sistemas de ML; su blog y sus notas de Stanford son públicas.

YouTube para acompañar papers y novedades

— Reviews de papers con humor afilado; la forma más entretenida de arrancar a leer investigación.
— Debates profundos con investigadores de primera línea.
— Divulgación ágil de lo último; más para inspirarse que para aprender a fondo.
— Series cortas con una calidad pedagógica y de producción excepcional.
— Seminarios donde los propios investigadores presentan lo último.

Para seguir el pulso del campo

— Newsletter semanal de uno de los fundadores de Anthropic: avances, contexto y política.
— Análisis técnico de lo nuevo en LLMs, escrito por un investigador y docente.
— El informe anual de referencia sobre el estado de la IA.
— Donde todo se publica primero. Mirá las categorías cs.LG, cs.CL y cs.AI.
— Los papers que la comunidad está discutiendo hoy, ordenados por tendencia.

Comunidades

y — Discusiones, noticias y ayuda para principiantes.
— Muy activos para dudas de implementación.
y — Preguntas y respuestas de alto nivel, sobre todo en lo estadístico.
— Comunidad open source de investigación; su Discord es un hervidero.

Extensiones de las hojas de ruta

Si hiciste la Ruta A (entender sin programar): Neural Networks and Deep Learning de Nielsen → The Illustrated Transformer de Jay Alammar → fairmlbook → Two Minute Papers o Import AI para estar al día.

Si hiciste la Ruta B (construir cosas): The Missing Semester → An Introduction to Statistical Learning → MLOps Zoomcamp o Made With ML → OpenAI Cookbook y los cursos de Anthropic para tu día a día con LLMs.

Si hiciste la Ruta C (bases sólidas): Probabilistic Machine Learning o Understanding Deep Learning → Sutton y Barto con el curso de Silver (si te engancha el RL) → Lilian Weng → arXiv y Hugging Face Papers para leer investigación. Opcional: BlueDot si te interesa la seguridad de la IA.

Un consejo para arrancar a leer papers

No arranques por el PDF pelado. Buscá primero si hay un post o video que lo explique (los blogs y canales de arriba ayudan mucho), mirá abstract, figuras y conclusiones, y recién después metete en el cuerpo. Si querés un método formal, el clásico de S. Keshav propone las “tres pasadas” y se lee en quince minutos.

Queda una cosa por decir sobre todo este material, y es la que la Ruta D anticipaba. Los cursos, los libros y los blogs de estas dos entradas salieron casi enteramente de un puñado de universidades y empresas del Norte global. Eso no los invalida —repito: es lo mejor que hay disponible— pero sí decide de antemano qué preguntas cuentan como interesantes. La entrada que sigue es la otra mitad del recorrido.

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

Seguir por Pensar la IA desde el Sur Global

Pensar la IA desde el Sur Global: una hoja de ruta crítica

Sun, 30 Aug 2026 00:00:00 +0000

El mapa de recursos y su extensión arman un recorrido técnico casi enteramente producido en un puñado de universidades y empresas del Norte global. Eso no las invalida —es, con enorme diferencia, el mejor material gratuito disponible— pero sí determina qué se enseña como “el problema”: cómo mejorar la exactitud, cómo escalar el entrenamiento, cómo desplegar en producción. Casi nunca: con qué datos, extraídos de quién, con qué energía y qué agua, bajo qué régimen laboral, y quién queda en condiciones de decidir sobre eso.

Esta entrada arma la otra mitad del recorrido. No es “la parte de ética” al final del curso: es un conjunto de herramientas conceptuales que cambian lo que uno ve cuando mira un modelo. Y está organizada con un sesgo explícito —América Latina y el Sur Global— no como categoría de víctima ni como público a consultar, sino como sitio donde ya se están produciendo alternativas institucionales concretas.

Marcos para ver la IA como infraestructura, no como algoritmo

Crawford, K. (2022). Atlas de IA — Traducido al español por el Fondo de Cultura Económica. Sigue la IA hacia atrás, desde la interfaz hasta el litio, el agua, el trabajo de etiquetado y los archivos de datos: el mejor punto de entrada para dejar de pensar en “algoritmos” y empezar a pensar en cadenas de suministro planetarias.
(Kate Crawford y Vladan Joler) — Una genealogía visual, navegable y gratuita, de cinco siglos de tecnologías de cálculo, comunicación, clasificación y control. Sirve tanto para estudiar como para dar clase: una sola imagen enorme donde se ve que nada de esto empezó en 2022.
Couldry, N. y Mejias, U. (2019). The Costs of Connection — La formulación más influyente de la tesis del colonialismo de datos: no una metáfora sobre el colonialismo, sino la afirmación de que hay una nueva apropiación —la de la vida social convertida en dato— con una estructura análoga a la apropiación colonial de tierra y trabajo. Su red de investigación, , publica y organiza sobre todo desde América Latina.
Birhane, A. (2020). — Corto, contundente y en acceso abierto. Muestra cómo las promesas de “resolver problemas africanos con IA” reproducen dependencia infraestructural y un modelo donde el continente aporta datos y mercado, y recibe soluciones diseñadas afuera. Es probablemente el mejor texto único para entender de qué se habla cuando se dice “colonialismo algorítmico”.
Mohamed, S., Png, M.-T. e Isaac, W. (2020). — Escrito desde adentro de la industria, traduce la teoría decolonial en tácticas concretas para la práctica de investigación en IA: diseño reverso, cuidado con el “beta-testing” en poblaciones vulnerables, solidaridad crítica.
Ricaurte, P. (2019). Data Epistemologies, The Coloniality of Power, and Resistance — Desde México, articula la extracción de datos con la colonialidad del poder y del saber, y —lo más interesante— con las prácticas de resistencia que ya existen en la región.
Mhlambi, S. (2020). From Rationality to Relationality: Ubuntu as an Ethical and Human Rights Framework for AI Governance — Propone reemplazar el sujeto racional individual que subyace a casi toda la ética de la IA por una ontología relacional (ubuntu). Es el ejemplo más nítido de que “epistemologías del Sur” no significa aplicar los mismos marcos con otros ejemplos, sino cambiar los marcos.
— Un texto breve, colectivo y multilingüe. Útil para abrir una discusión en clase o en un equipo.

Justicia algorítmica, sesgo y sus límites

— Fundada por Joy Buolamwini. Además de la investigación, tiene material pensado para la acción: no perderse su y el documental , disponible en varias plataformas.
— El instituto de investigación independiente fundado por Timnit Gebru después de su salida de Google. Investigación sobre IA hecha explícitamente fuera de la agenda de las grandes empresas, con equipos distribuidos en varios continentes.
— El libro abierto de Barocas, Hardt y Narayanan. Rigor técnico sobre qué se puede y qué no se puede medir como “sesgo”; su capítulo final es una buena vacuna contra la idea de que la equidad es un problema de optimización.
(Rachel Thomas, fast.ai) — El curso ético escrito por alguien que también enseña la parte técnica; especialmente bueno en desinformación y en los mecanismos de retroalimentación de los sistemas de recomendación.
(Casey Fiesler) — Cientos de programas de materias de ética de la tecnología, en una planilla abierta. Si tenés que armar un curso, empezá acá.

Economía política y filosofía de la tecnología

Zuboff, S. (2019). La era del capitalismo de vigilancia — La referencia obligada, aunque discutida: el excedente conductual como materia prima. Para una entrada rápida, sirve la y su .
Frenken, K. — — Una conferencia previa al ciclo de entusiasmo de 2022 en adelante, y justamente por eso útil: el análisis de la economía de plataformas se sostiene sin el ruido del presente.
Floridi, L. (2023). The Ethics of Artificial Intelligence — El mejor resumen (y toma de posición) de la literatura que se acumuló desde ~2014, cuando buena parte de la problemática social de la IA empezó a decantar alrededor de la pregunta por la ética y las buenas prácticas. Útil precisamente para entender el marco que los textos de la sección anterior discuten.
Coeckelbergh, M. (2020). AI Ethics (MIT Press, serie Essential Knowledge) — Breve, ordenado y buen mapa del debate filosófico.
Frischmann, B. y Selinger, E. (2018). Re-Engineering Humanity — La pregunta invertida: no si las máquinas se vuelven humanas, sino en qué medida el diseño de entornos técnicos nos vuelve más maquinales.
Sobre tecno-optimismo y tecno-pesimismo — El vale como documento: no por su calidad argumental, sino porque expone con una franqueza inusual la ideología de buena parte del capital de riesgo que financia este campo. Leerlo junto con Gómez, R. J. (1997), Progreso, determinismo y pesimismo tecnológico (Redes, 4(10)), que desarma el falso dilema desde la filosofía de la ciencia argentina.

Videos para pensar (y para dar clase)

Zeynep Tufekci sobre por qué la inteligencia de máquina vuelve más importante la moral humana, no menos:

Sasha Luccioni sobre los daños concretos y presentes —costo ambiental, sesgo, trabajo invisible— frente a los riesgos especulativos:

Dónde se está pensando esto en América Latina

Grupos de investigación y organizaciones

— Grupo de investigación en filosofía de la técnica; organiza talleres anuales sobre IA, varios de ellos en la .
— Espacio argentino de trabajo abierto sobre IA.
— Trabajo sostenido desde Córdoba sobre derechos digitales, software libre y, en los últimos años, sesgos y discriminación en modelos de lenguaje, con herramientas pensadas para que comunidades no técnicas puedan auditar estereotipos en modelos.
— Organización regional (con base en Chile) que produce de las mejores investigaciones en español sobre IA en el Estado, vigilancia y derechos humanos en América Latina.
— Desde Brasil, cruza tecnología, género y derechos con un enfoque de diseño y de intervención pública.
— Red Latinoamericana de Estudios sobre Vigilancia, Tecnología y Sociedad: congresos, dossiers y una comunidad académica regional consolidada.
— Centro Nacional de Inteligencia Artificial de Chile; entre otras cosas, coordina el Índice Latinoamericano de Inteligencia Artificial (ILIA) y el esfuerzo por entrenar modelos de lenguaje regionales con datos y participación latinoamericanos.
— No es latinoamericana, pero es el ejemplo más citado de lo que discute este capítulo: una comunidad panafricana, distribuida y de base, que construye PLN para lenguas africanas sin esperar que una empresa del Norte decida que vale la pena.

Espacios curriculares

Comunidad técnica regional

— El encuentro latinoamericano de inteligencia artificial: una escuela intensiva de investigación que rota por distintas ciudades de la región.
— Red y programa de mentorías; organiza talleres en las grandes conferencias del campo.
y — La infraestructura de publicación en acceso abierto construida en la región, sin cargos por procesamiento de artículos. Vienen al caso acá por algo preciso: son la prueba de que América Latina ya construyó comunes epistémicos a escala continental, y por lo tanto de que la pregunta por una infraestructura de IA pública y regional no es utópica sino presupuestaria y política.

Eventos: 2das Jornadas de IA en la Universidad Nacional de Córdoba (diciembre de 2024)

Agenda completa en el .

Día 1

Día 2

La Ruta D, en orden

Si querés un recorrido y no un catálogo:

Ver el terreno: Atlas de IA de Crawford, con Calculating Empires abierto al lado.
Nombrar la estructura: Birhane, Algorithmic Colonization of Africa → Mohamed, Png e Isaac, Decolonial AI → Couldry y Mejias.
Cambiar el marco, no solo los ejemplos: Mhlambi (ubuntu), Ricaurte, Santos.
Aterrizar en lo medible: fairmlbook y Practical Data Ethics, para no quedarse en la crítica sin herramientas.
Buscar dónde ya se hace: Vía Libre, Derechos Digitales, Masakhane, SciELO/AmeliCA. Este paso importa: sin él, la crítica se vuelve una descripción elegante de una derrota.

Y si venís del lado técnico, el orden inverso funciona igual de bien: empezar por el paso 5 —por una organización concreta que esté haciendo algo— y remontar hacia los marcos.

Hasta acá el capítulo trabajó sobre la IA en general: qué es, cómo aprenderla, quién la produce y a costa de qué. Pero la misma tecnología cambia de forma según dónde aterriza, y las preguntas se vuelven otras cuando del otro lado hay un aula, un hospital o una oficina pública. Ese es el capítulo que sigue.

Sugerencias de lectura

Birhane, A. (2020). Algorithmic colonization of Africa. SCRIPTed, 17(2), 389–409.

Couldry, N. y Mejias, U. A. (2019). The costs of connection: How data is colonizing human life and appropriating it for capitalism. Stanford University Press.

Crawford, K. (2022). Atlas de IA: Poder, política y costes planetarios de la inteligencia artificial (F. Díaz Klaassen, Trad.). Fondo de Cultura Económica. (Obra original publicada en 2021)

Mhlambi, S. (2020). From rationality to relationality: Ubuntu as an ethical and human rights framework for artificial intelligence governance (Carr Center Discussion Paper 2020-009). Harvard Kennedy School.

Mohamed, S., Png, M.-T. e Isaac, W. (2020). Decolonial AI: Decolonial theory as sociotechnical foresight in artificial intelligence. Philosophy & Technology, 33, 659–684.

Ricaurte, P. (2019). Data epistemologies, the coloniality of power, and resistance. Television & New Media, 20(4), 350–365.

Santos, B. de S. (2009). Una epistemología del Sur: La reinvención del conocimiento y la emancipación social. Siglo XXI / CLACSO.

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

Seguir por Contextos