Inteligencia Artificial

Aprende a usar la inteligencia artificial generativa en tu trabajo diario con criterio y seguridad: escribir correos, actas e informes, resumir documentos largos, investigar y verificar fuentes, analizar hojas de cálculo, preparar presentaciones e imágenes, crear tus propios asistentes y automatizar tareas repetitivas, sin programar. Es un curso de nivel introductorio-profesional para cualquier persona de oficina, comercial, atención al cliente, administración, RR. HH., operaciones o dirección que quiera ahorrar tiempo de verdad y evitar los errores y riesgos más comunes. Empiezas entendiendo cómo funciona por dentro un chat de IA (sin matemáticas) y por qué a veces se inventa las cosas, y terminas con un proyecto final aplicado a tu propio puesto: un asistente personalizado, un flujo automatizado, tus normas de uso y el ahorro de tiempo medido.

Todo con versiones gratuitas. Trabajarás con ChatGPT, Microsoft Copilot, Google Gemini, Claude y Perplexity, y con herramientas como Gemini Notebook (antes NotebookLM) y Make. El curso compara las versiones gratuitas, de pago y de empresa (qué incluyen, qué hacen con tus datos y cuánto cuestan) para que sepas elegir, pero no tienes que pagar nada para hacerlo entero. Practicarás con los documentos de Ondaluz Instalaciones, una empresa ficticia con correos, actas, contratos, informes, hojas de ventas y presentaciones de todos sus departamentos, que puedes subir sin miedo a cualquier herramienta.

Qué incluye: 9 temas en 3 módulos, 2 prácticas y un proyecto final

• Módulo 1 · Entender la IA generativa y empezar con buen pie — Cómo funciona por dentro: tokens, contexto, alucinaciones y límites · Las herramientas de hoy, gratis y de empresa, y cómo elegir con seguridad · Pedir bien: la técnica de instrucciones para el trabajo · Práctica 1: tu kit de instrucciones
• Módulo 2 · La IA en las tareas de cada día — Redacción, correo, actas de reuniones y traducción · Documentos largos e investigación con verificación de fuentes · Datos y hojas de cálculo · Presentaciones, imágenes, vídeo y voz · Práctica 2: un dosier verificado y su presentación
• Módulo 3 · Llevar la IA a tu puesto y a tu empresa — Privacidad y RGPD, Reglamento europeo de IA, propiedad intelectual, sesgos y política de uso · Asistentes personalizados (Proyectos de Claude y ChatGPT, Gems y habilidades de Gemini, agentes de Copilot) y automatizaciones sin código, con casos por departamento y cómo medir lo que ganas · Proyecto final: la IA en tu puesto de trabajo

Cada tema trae un PDF propio con ejemplos reales de oficina, un cuaderno de ejercicios con lista de autocomprobación, que entregas para que lo revise el tutor (su solución comentada se abre 7 días después de tu entrega), y una autoevaluación con la explicación de cada respuesta.

A quién va dirigido. A cualquier empleado o directivo que quiera incorporar la IA generativa a su trabajo con eficacia y sin riesgos, y a las empresas que quieren formar a su plantilla en el uso responsable de la IA: el Reglamento europeo de IA pide a las empresas que usan IA que adopten medidas para apoyar la alfabetización en IA de su personal, y este curso es una de ellas, con un certificado que sirve como evidencia de la formación. Requisitos: saber usar un ordenador, el correo y un procesador de textos; nada de programación ni de conocimientos técnicos. Necesitas un ordenador con navegador y cuentas gratuitas en las herramientas (el curso te guía para crearlas y configurar su privacidad).

Metodología. Sin calendario: el curso es autogestionado y tienes 365 días desde la matrícula para recorrerlo cuando mejor te venga. En cada tema lees el PDF, practicas con el cuaderno de ejercicios y superas un cuestionario; cada módulo termina con una entrega individual que el tutor corrige a medida que llega, con observaciones para mejorarla. Si una entrega no llega al 7, la mejoras y la vuelves a subir tantas veces como necesites.

Evaluación. Dos prácticas y el proyecto final con rúbrica (90 %; el proyecto final pesa un 40 %) y las autoevaluaciones de los temas (10 %). Apruebas con una nota final de al menos 7 sobre 10 y al menos un 7 en cada entrega y en cada autoevaluación. Al aprobar recibes automáticamente un certificado de finalización verificable en línea. Dedicación estimada: 42 horas.

¿Quieres ir más allá? Si te interesa construir tus propias aplicaciones con IA programando, sigue con IA generativa con Python; para sacar todo el partido a las hojas de cálculo (incluido Copilot en Excel), con Excel de cero a experto.

Aprende a construir aplicaciones reales con grandes modelos de lenguaje (LLM) en Python, con criterio profesional: llamadas a modelos, salidas estructuradas, herramientas, RAG, agentes y MCP, y además evaluadas, observadas, seguras y desplegadas. Es un curso de nivel intermedio para desarrolladores y analistas que ya programan en Python (el tema 0 repasa lo imprescindible y te indica qué reforzar). Empiezas montando tu laboratorio y entendiendo cómo genera texto un modelo y cuánto cuesta cada llamada, y cierras con un proyecto final para tu portafolio: el asistente de una tienda online que responde con citas a partir de su centro de ayuda, consulta catálogo, reseñas y pedidos con herramientas, pide confirmación antes de actuar y se publica con una API y una interfaz de chat en tu ordenador. Todo se trabaja sobre los datos de «Brisa Hogar», una tienda online ficticia de artículos para el hogar, con su centro de ayuda, consultas de clientes, reseñas, facturas en PDF e imágenes.

Puedes hacerlo gratis de principio a fin. Todo el curso funciona con un modelo local en tu ordenador gracias a Ollama, y las comprobaciones de los ejercicios no usan internet ni claves. Si prefieres usar Claude (Anthropic) u OpenAI, el curso enseña su código nativo y el coste estimado del curso completo es de unos pocos dólares.

Qué incluye: 28 temas en 9 módulos, 7 prácticas y un proyecto final

• Módulo 0 · Antes de empezar — El Python del curso, con un diagnóstico por bloques · Tu laboratorio: uv, Ollama, modelos locales, claves de API y los datos de la tienda
• Módulo 1 · Cómo funciona un LLM y cómo se programa — Qué es la IA generativa · Tokens, contexto, temperatura y costes · La API de mensajes de Ollama, Claude y OpenAI con un cliente común · Streaming, asincronía, errores y reintentos · Práctica 1: tu cliente de modelos
• Módulo 2 · Salidas estructuradas, herramientas y costes — Salidas estructuradas con Pydantic, validación y reparación · Uso de herramientas (function calling) · Control de costes y latencia: tokens, caché de prompts y lotes · Práctica 2: el clasificador de consultas de clientes
• Módulo 3 · Prompts, evaluación y modelos abiertos — Ingeniería de prompts sistemática · Evaluar prompts con datos y un primer LLM como juez · Modelos locales y abiertos: Ollama a fondo, Hugging Face, cuantización y licencias · Práctica 3: banco de pruebas de prompts y modelos
• Módulo 4 · Embeddings, búsqueda semántica y RAG — Embeddings y búsqueda semántica · Bases vectoriales: Chroma, pgvector y búsqueda híbrida · RAG paso a paso con citas · Reordenación, reescritura de consultas y respuestas que saben decir «no lo sé» · Evaluar un sistema RAG · Práctica 4: el centro de ayuda con RAG
• Módulo 5 · Agentes — El bucle de herramientas, memoria, planificación y parada · Model Context Protocol (MCP): servidores y clientes · Frameworks de agentes y sus riesgos, con supervisión humana · Práctica 5: un agente de atención de pedidos
• Módulo 6 · Multimodalidad, evaluación y observabilidad — Imágenes y documentos PDF · Evaluación sistemática con LLM como juez calibrado y pruebas de regresión · Registros, trazas y costes por petición · Práctica 6: facturas y fichas en PDF e imagen
• Módulo 7 · Seguridad, privacidad y ética — Inyección de prompts, fugas de datos y defensas en capas · Privacidad, sesgos, alucinaciones y el Reglamento Europeo de IA en la práctica · Práctica 7: ataca y protege tu asistente
• Módulo 8 · Puesta en producción y proyecto final — Una API con FastAPI · Una interfaz de chat con Streamlit · De la demo a producción: caché, límites de uso, presupuestos y despliegue local · Proyecto final: el asistente de Brisa Hogar

Cada tema trae un PDF propio con código resuelto sobre la tienda y su salida real, un entrenamiento autocorregible (completas funciones en Python y python comprobar.py te dice al momento si son correctas y, si no, qué mirar, sin internet ni claves), que entregas para que lo revise el tutor (su solución se abre 7 días después de tu entrega), y una autoevaluación con la explicación de cada respuesta.

A quién va dirigido. A desarrolladores y analistas que programan en Python y quieren incorporar modelos de lenguaje a sus aplicaciones con rigor: midiendo la calidad, el coste y la latencia, y cuidando la seguridad y la privacidad. Requisitos: Python intermedio (el curso «Python desde cero» o lo equivalente) y un equipo tuyo (Windows, macOS o Linux) donde tengas permiso para instalar software, con 8 GB de RAM como mínimo (16 GB recomendados) para el modelo local. No es un curso de deep learning: aquí se usan modelos ya entrenados, no se entrenan.

Metodología. Sin calendario: el curso es autogestionado y tienes 365 días desde la matrícula para recorrerlo cuando mejor te venga. En cada tema estudias un PDF con código ya ejecutado, practicas con ejercicios autocorregibles y superas un cuestionario; cada módulo termina con una práctica individual que ejecutas con un modelo real (el local vale) y que el tutor corrige a medida que llega, con observaciones para mejorarla. Si una práctica no llega al 7, la mejoras con esas observaciones y la vuelves a subir tantas veces como necesites.

Evaluación. Siete prácticas y el proyecto final con rúbrica (90 %; el proyecto final pesa un 21 %) y las autoevaluaciones de los temas (10 %). Apruebas con una nota final de al menos 7 sobre 10 y al menos un 7 en cada práctica y en cada autoevaluación. Al aprobar recibes un certificado de finalización verificable en línea.

Trabajarás con Python 3.13, uv, VS Code y Jupyter, Ollama con modelos abiertos, los SDK de Anthropic y OpenAI, Pydantic, httpx, tiktoken, NumPy, Chroma, Hugging Face, MCP, FastAPI, Streamlit y pytest. Dedicación estimada: 219 horas.

Lleva la minería de datos del ejercicio de clase al proyecto real. Es un curso de nivel de máster en ingeniería y la continuación del curso Minería de datos: da por conocidos los algoritmos clásicos y se centra en el flujo de trabajo profesional, de la preparación de datos sin fugas y la validación rigurosa a los ensembles modernos, las series temporales y la interpretabilidad de los modelos.

Qué incluye: 10 temas y 6 entregas evaluables

• Módulo 1 · Preparación y evaluación — Tema 1 El proyecto de minería de datos y la preparación de datos · Tema 2 Reducción de dimensionalidad · Tema 3 Validación avanzada y ajuste de modelos · Práctica 1: preparación de datos y modelo base
• Módulo 2 · Aprendizaje no supervisado — Tema 4 Clustering avanzado y detección de anomalías · Práctica 2: segmentación y anomalías
• Módulo 3 · Modelos supervisados avanzados — Tema 5 Máquinas de vectores soporte y métodos kernel · Tema 6 Ensembles modernos: random forest, boosting y stacking (con combinación en cascada) · Práctica 3: comparativa de modelos supervisados
• Módulo 4 · Series temporales e interpretabilidad — Tema 7 Series temporales · Práctica 4: predicción de series temporales · Tema 8 Interpretabilidad y aprendizaje automático responsable
• Módulo 5 · Clasificadores clásicos, redes neuronales y grafos — Tema 9 Clasificadores clásicos: naive Bayes, k-NN y árboles de decisión · Tema 10 Redes neuronales con Keras · Práctica 6: clustering y árbol de expansión mínima
• Cierre — Entrega 5: análisis crítico de un artículo científico

Cada tema trae un PDF propio, un notebook de entrenamiento con ejercicios autocorregibles, que entregas para que lo revise el tutor (su solución se abre 7 días después de tu entrega), y una autoevaluación que desbloquea lo siguiente.

Trabajarás en Python con pandas, scikit-learn, XGBoost, LightGBM, statsmodels, imbalanced-learn, SHAP, UMAP, TensorFlow/Keras y networkx, en local o en Google Colab (sin necesidad de GPU). Dedicación estimada: 154 horas de temas y entregas, más una hora de presentación (unas 10 horas semanales durante 16 semanas). Requisitos: haber cursado Minería de datos o tener formación equivalente (algoritmos clásicos de clasificación y clustering, evaluación de modelos y Python con pandas y scikit-learn), además de estadística, álgebra lineal y cálculo de nivel universitario.

Aprende a extraer conocimiento útil de los datos con las técnicas fundamentales de la minería de datos. Es un curso de nivel de grado en ingeniería: cada algoritmo se explica desde dentro, se resuelve a mano con ejemplos pequeños y se programa en Python, de los clasificadores por vecindad, los árboles de decisión y los modelos bayesianos a la combinación de clasificadores, el clustering, los algoritmos genéticos y las redes neuronales. El último módulo lo aplica todo con el banco de trabajo Weka y con R y caret.

Qué incluye: 12 temas y 6 entregas evaluables

• Módulo 1 · Fundamentos y clasificación — Tema 1 Introducción a la minería de datos · Tema 2 Clasificación con k vecinos más próximos · Tema 3 Evaluación de clasificadores · Tema 4 Árboles de decisión · Práctica 1: clasificación y evaluación
• Módulo 2 · Modelos probabilísticos y combinación — Tema 5 Clasificadores bayesianos · Tema 6 Combinación de clasificadores · Tema 7 Selección de variables · Práctica 2: modelos bayesianos, combinación y selección de variables
• Módulo 3 · Aprendizaje no supervisado y otros paradigmas — Tema 8 Algoritmos de clustering · Tema 9 Algoritmos genéticos · Tema 10 Introducción a las redes neuronales · Práctica 3: clustering y optimización genética
• Módulo 4 · Minería de datos con Weka y con R — Tema 11 Weka: explorar, filtrar, clasificar y comparar algoritmos · Práctica 4: laboratorios con Weka · Tema 12 Minería de datos en R con caret · Práctica 5: abandono de clientes con caret (R)
• Cierre — Proyecto final: un proyecto completo de minería de datos

Cada tema trae un PDF propio, un notebook de entrenamiento con ejercicios autocorregibles, que entregas para que lo revise el tutor (su solución se abre 7 días después de tu entrega), y una autoevaluación que desbloquea lo siguiente.

Trabajarás en Python con pandas y scikit-learn, en local o en Google Colab (sin necesidad de GPU), y en el módulo 4 con Weka y con R. Dedicación estimada: 170 horas de trabajo, más una hora de presentación (unas 10 horas semanales durante 18 semanas). Requisitos: programación básica en Python, y estadística, probabilidad y álgebra lineal de primeros cursos de grado. Su continuación natural es el curso Minería de datos avanzada, de nivel de máster.

Aprende a construir agentes que toman decisiones secuenciales y mejoran con la experiencia. El curso va de los fundamentos del aprendizaje por refuerzo (procesos de decisión de Markov, funciones de valor y ecuaciones de Bellman) a los métodos de deep reinforcement learning que se usan hoy: DQN, gradientes de política, actor-crítico y PPO.

Qué incluye: 11 temas y 4 entregas evaluables

• Módulo 1 · Fundamentos — Tema 1 Introducción al aprendizaje por refuerzo · Tema 2 Entornos de simulación con Gymnasium · Tema 3 Procesos de decisión de Markov
• Módulo 2 · Soluciones tabulares — Tema 4 Programación dinámica · Tema 5 Monte Carlo · Tema 6 Diferencia temporal · Tema 7 Métodos de n pasos · Práctica 1: métodos tabulares en Blackjack
• Módulo 3 · Soluciones aproximadas y deep RL — Tema 8 Soluciones aproximadas · Tema 9 Deep Q-Networks · Tema 10 Gradientes de política · Tema 11 Actor-crítico · Práctica 2: deep RL en Space Invaders
• Cierre — Entrega 3: análisis crítico de un artículo científico · Proyecto final: agente para Lunar Lander

Cada tema trae un PDF propio, un notebook de entrenamiento con ejercicios autocorregibles, que entregas para que lo revise el tutor (su solución se abre 7 días después de tu entrega), y una autoevaluación que desbloquea el tema siguiente.

Trabajarás en Python con Gymnasium y PyTorch, en local o en Google Colab. Dedicación estimada: 140 horas (unas 10 horas semanales durante 14 semanas). Requisitos: Python y numpy, probabilidad básica y cálculo; para el módulo 3, nociones de redes neuronales.

Aprende a diseñar, entrenar y evaluar redes neuronales profundas. El curso va de los fundamentos del aprendizaje profundo (la neurona artificial, la retropropagación, los optimizadores y la regularización) a las arquitecturas que se usan hoy en visión, lenguaje y generación de contenido: redes convolucionales, redes recurrentes, transformers y modelos generativos.

Qué incluye: 7 temas y 5 entregas evaluables

• Módulo 1 · Fundamentos — Tema 1: Introducción al deep learning · Tema 2: Redes neuronales artificiales
• Módulo 2 · Visión por computador — Tema 3: Fundamentos de las redes convolucionales · Tema 4: Arquitecturas y aplicaciones de las CNN · Práctica 1: Redes densas y convolucionales con Keras
• Módulo 3 · Secuencias y lenguaje — Tema 5: Redes neuronales recurrentes · Práctica 2: Redes recurrentes · Tema 6: Transformers y mecanismos de atención · Práctica 3: Transformers
• Módulo 4 · Modelos generativos — Tema 7: Modelos generativos (autocodificadores, VAE, GAN y difusión) · Práctica 4: Modelos generativos
• Cierre — Entrega 5: Análisis crítico de un artículo

Cada tema trae un PDF propio, un notebook de entrenamiento con ejercicios autocorregibles, que entregas para que lo revise el tutor (su solución se abre 7 días después de tu entrega), y una autoevaluación que desbloquea lo siguiente.

Trabajarás en Python con Keras 3 sobre TensorFlow, en local o en Google Colab (con GPU gratuita, recomendable para las prácticas). Dedicación estimada: 133 horas (unas 10 horas semanales durante 14 semanas). Requisitos: Python y numpy, álgebra lineal, cálculo y probabilidad básicos, y nociones de aprendizaje automático.