ia

📚 Roadmap Unificado IA + Matemáticas (2025)

Objetivo: Convertirte en profesional de IA en 12–15 meses, con matemáticas sólidas y dominio de las IAs más útiles hoy:
ML clásico, Deep Learning, NLP, LLMs, Generative AI, Visión, Recomendadores, Forecasting y MLOps.
Resultado: Portafolio con 10+ proyectos reales, APIs en producción y un motor de predicción de compras con métricas de negocio.

---

🧮 Módulo 0 — Matemáticas esenciales (en paralelo, 1–2h/semana)

Álgebra lineal

• Qué: vectores, matrices, normas, autovalores, SVD, PCA.
• Usos: embeddings, reducción de dimensión, visión.
• Recursos:
  • Libro: Mathematics for Machine Learning.
  • 3Blue1Brown — Álgebra lineal.
• Entregable: notebook con PCA desde cero.

Cálculo y optimización

• Qué: gradientes, Jacobianos, descenso de gradiente, Adam.
• Usos: backprop, tuning de hiperparámetros.
• Recursos:
  • Artículo: Matrix Calculus for Deep Learning.
  • MIT OCW — Multivariable Calculus.
• Entregable: derivada de MSE y logística validada con autograd.

Probabilidad y estadística

• Qué: distribuciones (Bernoulli, Normal, Poisson), Bayes, bootstrap.
• Usos: regresión logística, incertidumbre en forecast.
• Recursos: Practical Statistics for Data Scientists, StatQuest.
• Entregable: notebook con intervalos de confianza usando bootstrap.

Series temporales

• Qué: autocorrelación, ARIMA, Holt-Winters.
• Usos: forecasting de demanda.
• Recurso: Forecasting: Principles and Practice (Hyndman).

---

🔹 Módulo 1 — Fundamentos Python científico (1 mes)

• Semana 1–2: Python avanzado, NumPy, Pandas.
  • Proyecto: calculadora matricial + EDA Titanic.
• Semana 3: Visualización (Matplotlib, Seaborn).
  • Proyecto: distribuciones de dataset real.
• Semana 4: Regresión lineal desde cero + scikit-learn.
  • Proyecto: predicción de precios (California Housing).

---

🔹 Módulo 2 — Machine Learning clásico (2 meses)

• Semana 5–6: Regresión logística, Árboles, Random Forest.
  • Proyecto: predicción de churn.
• Semana 7: KNN y SVM.
  • Proyecto: clasificador de dígitos.
• Semana 8: Clustering (K-means, DBSCAN), PCA.
  • Proyecto: segmentación de clientes.
• Semana 9: Gradient Boosting (XGBoost, LightGBM, CatBoost).
  • Proyecto: predicción de churn con boosting.
• Semana 10: Pipelines sklearn + MLflow.
  • Proyecto: predicción de precios de coches con pipeline completo.

---

🔹 Módulo 3 — Deep Learning (3 meses)

• Semana 11: MLP básico (PyTorch/Keras).
  • Proyecto: MNIST con MLP.
• Semana 12: Optimización (SGD, Adam), regularización (dropout, batchnorm).
  • Proyecto: comparar con/sin dropout.
• Semana 13: CNN.
  • Proyecto: Cats vs Dogs.
• Semana 14: Transfer Learning (ResNet, MobileNet).
  • Proyecto: clasificador de imágenes con modelo preentrenado.
• Semana 15: RNN y LSTM.
  • Proyecto: predicción de texto carácter a carácter.
• Semana 16: Word embeddings (Word2Vec, GloVe).
  • Proyecto: clasificador de reviews de Amazon.
• Semana 17: Transformers (BERT).
  • Proyecto: clasificación de texto con BERT.
• Semana 18: Proyecto integrador: Chatbot Django + Transformers.

---

🔹 Módulo 4 — IA Generativa, NLP Avanzado y Forecasting (3 meses)

• Semana 19: Prompt engineering + LangChain.
  • Proyecto: chatbot con prompts dinámicos.
• Semana 20: Fine-tuning ligero (LoRA, PEFT).
  • Proyecto: clasificador de documentos PDF.
• Semana 21: Stable Diffusion.
  • Proyecto: generador de logotipos.
• Semana 22: Text-to-SQL + búsqueda semántica (pgvector, FAISS).
  • Proyecto: buscador inteligente sobre BD.
• Semana 23: Forecast de demanda (ETS/ARIMA, walk-forward).
  • Proyecto: motor de predicción de compras.
• Semana 24: Integración Django + Vue + API IA.
  • Proyecto: dashboard interactivo.

---

🔹 Módulo 5 — MLOps y Producción (3 meses)

• Semana 25: Docker para ML.
  • Proyecto: contenedor reproducible.
• Semana 26: FastAPI + ONNX Runtime.
  • Proyecto: API de predicciones.
• Semana 27: Kubernetes (minikube/k3d).
  • Proyecto: despliegue cluster local.
• Semana 28: MLflow + DVC.
  • Proyecto: versionado de modelos.
• Semana 29: CI/CD con GitHub Actions.
  • Proyecto: pipeline automático.
• Semana 30: Proyecto final en Cloud (AWS/GCP/Azure).
  • Entrega: API IA escalable en producción.

---

🤖 Tipos de IA que dominarás

1. ML clásico: regresión, árboles, boosting.
2. DL: MLP, CNN, RNN.
3. Transformers/LLMs: BERT, GPT, LoRA.
4. Generative AI: Stable Diffusion, text-to-image.
5. RAG: Retrieval-Augmented Generation.
6. Recomendadores: embeddings, colaborativos.
7. Forecasting: ARIMA, Croston, Holt-Winters.
8. MLOps: Docker, FastAPI, K8s, MLflow, CI/CD.

---

📂 Librerías y ecosistema (2025)

• Datos: NumPy, pandas, Polars, DuckDB.
• ML clásico: scikit-learn, XGBoost, LightGBM, CatBoost.
• DL: PyTorch, TensorFlow/Keras, timm, TorchMetrics, Lightning.
• Visión: OpenCV, Albumentations, YOLO.
• NLP/LLMs: Hugging Face (Transformers, Datasets), spaCy, SentencePiece, vLLM, TGI, llama.cpp.
• RAG: FAISS, pgvector, Qdrant, LangChain, LlamaIndex.
• Calidad/monitoreo: Evidently, Great Expectations, Ragas, Langfuse.
• Serving: FastAPI, ONNX Runtime, NVIDIA Triton, BentoML.
• MLOps: MLflow, DVC, Prefect/Airflow, KServe.
• Web/móvil: Transformers.js, TensorFlow.js, TFLite, ML Kit.

---

📘 Recursos recomendados

• Libros
  • Hands-On Machine Learning (Géron).
  • Deep Learning (Goodfellow).
  • Practical Statistics for Data Scientists.
  • Forecasting: Principles and Practice (Hyndman).
• Cursos
  • Andrew Ng — Machine Learning Specialization (Coursera).
  • Hugging Face — NLP with Transformers.
  • Fast.ai — Practical Deep Learning.
• YouTube
  • 3Blue1Brown (matemáticas visuales).
  • StatQuest (ML y estadística clara).
  • Sentdex (PyTorch práctico).
• Repos
  • Scikit-learn examples.
  • PyTorch tutorials.
  • Hugging Face Transformers.
  • LangChain docs.

---

✅ Checklist de avance

• Módulo 0 — Matemáticas esenciales.
• Módulo 1 — Fundamentos.
• Módulo 2 — ML clásico.
• Módulo 3 — Deep Learning.
• Módulo 4 — Generativa + Forecasting + NLP avanzado.
• Módulo 5 — MLOps.
• Proyecto final desplegado en Cloud.

---

📌 Pro Tip

Este README es tu contrato de aprendizaje:

• Cada semana entrega un notebook + README del proyecto.
• Sube screenshots y métricas a /reports.
• Documenta un post-mortem corto: qué aprendiste y qué mejorarás.

---