Cursos de inteligencia artificial gratis

Curso gratuito y práctico: fundamentos, frameworks, evaluación y un proyecto final certificable.

Cursos gratuitos y guiados sobre alineamiento y gobernanza, con cohortes y facilitadores. La puerta de entrada más común al campo.

Currículum completo y gratuito: fundamentos de deep learning, interpretabilidad de transformers, RL y evaluaciones de LLMs. El mejor camino estructurado hacia investigación en seguridad.

3h30 que explican TODO el pipeline: pretraining, tokenización, alucinaciones, SFT, RLHF, modelos de razonamiento. Si solo podés ver un video, es este.

Serie de charlas sobre CUDA, Triton, kernels y rendimiento, con un Discord muy activo. El mejor lugar para aprender programación de GPUs aplicada a IA.

Un GPT completo, línea por línea, en dos horas. Es el rito de iniciación del campo.

La tokenización es la fuente de la mitad de las rarezas de los LLMs (aritmética, deletreo, idiomas no ingleses). Este video las explica todas.

Pruning, cuantización, NAS, destilación, sistemas de inferencia para LLMs y difusión. El curso más completo sobre eficiencia.

Se actualiza cada año en enero. Denso, moderno y gratis: CNNs, RNNs, transformers, generativos, RL, LLMs. Todas las clases en YouTube.

El curso completo: micrograd → makemore → GPT → tokenizador. Gratis. Probablemente el mejor material de IA jamás publicado.

Enfoque top-down: entrenás un modelo útil en la lección 1 y recién después bajás a la teoría. Si los cursos tradicionales te aburren, este es tu camino.

Tensores, autograd, datasets, loop de entrenamiento. Hacelo con las manos, no leyéndolo.

Construís un LLM completo: tokenizador, arquitectura, kernels en Triton, entrenamiento distribuido, scaling laws, datos, alineamiento. Clases en YouTube y assignments públicos. El curso más importante que se dicta hoy.

Construye un motor de autodiff en 100 líneas de Python puro. Después de esto, PyTorch deja de ser magia. Es el video más valioso de esta lista.

La charla que instaló la analogía 'LLM = sistema operativo'. Excelente panorama de una hora.

Transformers aplicados a audio: clasificación, ASR, síntesis de voz.

Uno de los cursos más exigentes y completos, con homeworks reales de implementación desde cero.

El curso de posgrado de referencia en deep RL. Clases completas en YouTube.

Los cursos de Andrew Ng tienen subtítulos y transcripciones en español de buena calidad.

RL práctico con entornos reales y modelos que subís al Hub. La entrada más amable al tema.

Curso práctico con la librería `diffusers`: entrenar desde cero, fine-tuning, guidance, ControlNet.

Uso práctico: cuándo razonamiento, cuándo herramientas, cuándo desconfiar. Complemento aplicado del anterior.

Micro-cursos de 3-5 horas: Python, pandas, ML intro, feature engineering, deep learning, explicabilidad. Muy buen retorno por hora invertida.

El curso canónico de álgebra lineal. Strang enseña como si te estuviera contando un secreto.

~15 horas, muy bien producido, con ejercicios interactivos. Actualizado con módulos de LLMs y embeddings.

Perspectiva de LeCun: energy-based models, self-supervised learning, arquitecturas para percepción. Con transcripciones en varios idiomas.

Broadcasting y shapes. El 80% de los bugs de ML son errores de shape.

El enfoque bayesiano completo: procesos gaussianos, inferencia variacional, cuantificación de incertidumbre.

Si todavía no programás en Python, empezá acá antes que en cualquier curso de IA.

La versión con toda la matemática que CS229 omite en Coursera. Notas y problem sets públicos.

El curso de visión por computadora de referencia. Las notas públicas son un libro de texto en sí mismas.

Probabilidad desde cero hasta cadenas de Markov. Fundamental para entender modelos generativos y difusión.

Notebooks de altísima calidad en PyTorch y JAX: optimización, inicialización, transformers, GNNs, energy-based models, difusión.