Cinco formas gratuitas de empezar a aprender IA sin ahogarte en roadmaps

Escribe «cómo aprender IA» en un buscador y la respuesta típica es una larga escalera: empieza en Python, sube por matemáticas, estadística, machine learning clásico y deep learning, pasa por NLP y transformers, llega a los LLM y MLOps y termina en artículos de investigación, con el pánico esperando arriba del todo. Hacia el cuarto peldaño, muchos principiantes cierran la pestaña. Súmale miles de cursos, vídeos, libros, bootcamps, newsletters y «roadmaps definitivos», y el resultado es más confusión, no menos.

Encontrar material nunca fue lo difícil. Lo difícil es saber cuál merece tus horas. Así que aquí va una lista corta de cinco recursos gratuitos, cada uno con su propio propósito. Nadie necesita los cinco esta semana. Lo que importa es elegir el que encaje con la etapa en la que estás.

Construye pronto, no acumules cursos

Un recordatorio que la mayoría de los principiantes debería escuchar: no hace falta terminar veinte cursos antes de hacer un primer proyecto de IA. Bastan una base decente, algo de práctica y la curiosidad suficiente para seguir cuando algo no encaja. A veces no encajará, y es normal.

Un ciclo más sano es este: aprendes un poco, practicas, construyes, te atascas, aprendes más y vuelves a construir. La versión poco sana es terminar el curso 1, luego el 2, luego el 3, luego el 4, sin producir nada. Conviértete en alguien que construye, no en coleccionista de cursos.

1. Machine Learning Crash Course de Google

Para alguien completamente nuevo en machine learning, es un primer marcador fácil. Presenta el campo con vídeos, visualizaciones interactivas, ejercicios y explicaciones prácticas. Entre los temas están:

• regresión
• clasificación
• preparación de datos
• evaluación de modelos
• redes neuronales
• ideas básicas de machine learning

Lo que lo distingue es que no se limita a soltarle definiciones al lector. Leer «un modelo minimiza la pérdida» y seguir adelante es una cosa. Jugar con material interactivo que muestra qué significa esa frase es otra. Hay una diferencia real entre haber leído sobre un concepto y saber qué pasa cuando cambias un ajuste.

Ideal para: principiantes que quieren una base de ML estructurada.

Aquí ayuda un hábito. No hace falta memorizarlo todo. Ten en mente tres preguntas: ¿cuál es el problema, qué datos hay y qué intenta predecir el modelo? Con eso se llega sorprendentemente lejos.

2. fast.ai

Supongamos que ya sabes algo de Python y piensas: «basta de teoría, toca construir». El curso Practical Deep Learning de fast.ai es gratuito y apuesta fuerte por aprender haciendo. Toca:

• visión por computador
• NLP
• datos tabulares
• sistemas de recomendación
• despliegue

Lo atractivo es lo pronto que empiezas a construir. No hay semanas mirando ecuaciones antes de que un modelo haga algo útil. Primero trabajas con ejemplos reales y después profundizas en lo que ocurre por debajo. Por el camino, el curso presenta PyTorch, la librería fastai, Hugging Face, transfer learning, el descenso de gradiente estocástico y los embeddings.

Ideal para: quienes aprenden construyendo. Si ver a otra persona programar te enseña poco hasta que lo pruebas tú, este estilo te va a encajar.

El libro que lo acompaña también está en línea como notebooks interactivos de Jupyter. Puedes leer una explicación y ejecutar el código al momento, sin malabares con diez pestañas.

3. El curso de Hugging Face

Si te interesan el NLP, los transformers, los LLM, la clasificación de textos o la IA generativa, conviene conocer Hugging Face. Su curso gratuito cubre ideas modernas de NLP y LLM con las librerías Transformers, Datasets, Tokenizers y Accelerate y el Hugging Face Hub.

No presenta los LLM como un misterio salido de la nada. Conecta los modelos actuales con las ideas de NLP que hay debajo, y esa conexión importa. Saber «prompt dentro, respuesta fuera» te permite usar la IA. Entender la cadena de tokens, modelos, transformers, fine-tuning e inferencia empieza a mostrar cómo funciona.

Ideal para: quienes se interesan por el NLP y los LLM modernos.

Una nota para quien empieza a la vez con Python y con ML: sentirse abrumado al principio es normal. No todos los términos tienen que quedar claros a la primera. Decir «todavía no lo entiendo» y volver más tarde forma parte de aprender.

4. Kaggle

Tomarse un respiro de las lecciones es buena idea, porque aprender IA no consiste solo en mirar. En algún momento hay que mancharse las manos, y Kaggle ofrece datasets, notebooks, competiciones y una comunidad de gente que experimenta con machine learning.

Imagina una tabla con unas cuantas columnas que describen a personas.

Age
Income
Education
Experience

La tarea es predecir un número a partir de ellas.

Salary

El primer modelo sale mal, así que cambias algo. Quizá las variables, quizá el algoritmo, quizá la limpieza de datos. La siguiente ejecución sigue decepcionando. Tras investigar más y otro intento, por fin funciona. Esa sensación enseña algo que ninguna clase puede enseñar.

Ideal para: aprender haciendo. Probablemente es aquí donde los principiantes deberían pasar más tiempo. No hace falta esperar a «saber lo suficiente». Empieza en pequeño y cuenta con que equivocarte te enseñará muchísimo.

5. YouTube como profesor de apoyo

Sí, YouTube, con un matiz. Buscar «IA» y ver lo que tenga más visualizaciones es la forma de acabar tres horas dentro de un vídeo que promete construir una AGI en siete minutos. Funciona mejor como profesor de apoyo. Cuando un concepto no encaja, busca exactamente ese concepto, por ejemplo:

• un recorrido visual por el descenso de gradiente
• una introducción a las redes neuronales para principiantes
• cómo la retropropagación pasa los errores hacia atrás
• cómo está construido un transformer
• qué calcula el mecanismo de atención

La idea no es sustituir el estudio estructurado. Es conseguir una segunda explicación cuando la primera no funcionó. A menudo basta con otra voz que cuente la misma idea para que todo encaje.

Cómo sacar partido a cada recurso

Unos pocos hábitos pequeños hacen rendir más cualquiera de estos recursos. Lleva un archivo de notas con una línea por concepto, escrita con tus palabras y no copiada de la lección. Si no consigues escribir la línea, la idea aún no ha calado. Después de cada lección, cambia algo pequeño en el código de ejemplo: otra tasa de aprendizaje, una variable menos, otro dataset. Romper cosas a propósito muestra qué hace realmente cada parte de un modelo. Y cuando un tema sigue borroso tras dos intentos, sigue adelante y vuelve en una semana. La comprensión suele llegar de lado, cuando las ideas relacionadas ya se han asentado.

Las sesiones cortas y regulares también ganan a los maratones esporádicos. Treinta minutos concentrados casi todos los días suelen dar un conocimiento más duradero que un fin de semana agotador, porque cada idea tiene tiempo de asentarse entre sesión y sesión.

Por cuál empezar

Aprender IA rara vez avanza en línea recta. Algunas ideas se entienden en diez minutos y otras hay que leerlas tres veces antes de que tengan sentido. Es lo normal. Elegir el punto de partida es sencillo:

• Empiezas casi de cero: el curso intensivo de Google.
• Sabes Python y quieres construir: fast.ai.
• Te interesan el NLP y los LLM: Hugging Face.
• Quieres práctica con las manos: Kaggle.
• Te has atascado con un concepto concreto: YouTube.

El objetivo no es usarlo todo a la vez. Un orden razonable va del curso intensivo a fast.ai y luego a Hugging Face, intercalando práctica en Kaggle por el camino.

START
  ↓
Google ML Crash Course
  ↓
Build Something
  ↓
Kaggle
  ↓
fast.ai
  ↓
Hugging Face Course
  ↓
Build NLP / LLM Projects

YouTube queda a mano todo el tiempo, para cuando algo se atasque.

¿Hacen falta matemáticas avanzadas?

La pregunta surge tarde o temprano. La respuesta sincera es que sí, con el tiempo, pero probablemente menos de lo que parece hoy. La clasificación, la regresión, las redes neuronales, los embeddings, los transformers y los LLM pueden empezar a tener sentido sin ser experto en cálculo. Con el tiempo conviene profundizar en álgebra lineal, probabilidad, estadística, cálculo y optimización.

Lo que cuenta es el momento. Pasar seis meses con matemáticas antes de escribir un primer programa de ML es un mal plan para quien quiere construir. Aprende lo suficiente para entender el trabajo que tienes entre manos y profundiza cuando surja la necesidad.

La trampa de los marcadores

Un patrón habitual es coleccionar recursos en lugar de habilidades. El navegador se llena de enlaces guardados como estos.

AI Course
ML Course
Deep Learning Course
NLP Course
Python Course
LLM Course
Math Course
Another AI Roadmap
Another "Best AI Course"
Another YouTube Playlist

Y después de todo eso, no se ha construido nada. Lo que falta no es otro marcador, sino otro proyecto pequeño.

Un primer paso de 30 minutos

No guardes esto prometiéndote mirarlo luego. Elige un recurso y dale treinta minutos. El curso intensivo va bien para principiantes totales y fast.ai para quien ya sabe Python. Hugging Face encaja con los fans del NLP y los LLM, Kaggle con quien quiere practicar y YouTube con quien está confundido con una idea. No hace falta un plan perfecto. Hace falta un punto de partida.

Aprender IA en 2026 no exige saberlo todo. Exige saber qué aprender a continuación. Puede que el mejor roadmap no sea más complicado que esto: aprende una cosa, construye algo, atáscate, aprende la siguiente. Proyecto a proyecto, el resultado vale mucho más que un montón de marcadores: habilidades reales.

Lo que viene

Ya hemos presentado el machine learning, formas de empezar y algunos sitios por donde arrancar. Queda una gran pregunta: ¿qué es una red neuronal? Los diagramas llenos de círculos, flechas, capas, pesos y fórmulas parecen complicados, pero si de verdad lo son es el siguiente tema natural.