Microsoft
Azure AI Fundamentals
AI-901Conceptos básicos de IA y servicios de Azure, ahora centrada en Microsoft Foundry. Sustituye a la antigua AI-900.
Tras el Campo I≈ 99 $
Campo base · 0 m
Fundamentos
Tener el mapa mental de qué es cada cosa y las herramientas básicas de cualquier desarrollador.
Qué tienes que entender
- Inteligencia Artificial
- El campo general: que las máquinas hagan tareas que asociamos con inteligencia.
- Machine Learning
- El sistema aprende patrones a partir de datos en lugar de seguir reglas escritas a mano.
- Deep Learning
- Machine Learning con redes neuronales de muchas capas. La base de casi toda la IA moderna.
- IA generativa
- Modelos que crean contenido nuevo: texto, imágenes, código o audio.
- LLM
- Large Language Model: un modelo entrenado con enormes cantidades de texto para predecir la siguiente palabra.
- API y JSON
- Cómo tu código habla con otros servicios, incluidos los modelos de IA, y el formato de datos que usan.
- Datos con Python
- NumPy, pandas y algo de SQL: cargar, limpiar y explorar datos. Casi todo proyecto de IA empieza por aquí.
Cómo hacerlo
- Ve unos cuantos vídeos de divulgación para situarte (DotCSV es ideal en español).
- Aprende Python con un curso completo y haz todos los ejercicios.
- Aprende Git lo justo: clonar, commit, ramas, push y pull.
- Practica llamando a una API pública desde Python y procesando el JSON que devuelve.
- Aprende lo básico de pandas y SQL con un conjunto de datos real que te interese.
- Si vienes del desarrollo web, aprende también TypeScript: podrás hacer los Campos I a III enteros con él (mira la sección «¿Python o TypeScript?»).
Equipo para la subida
YouTube
Cursos
- Curso universitario gratuito con ejercicios corregidos automáticamente.
- Elements of AI · Universidad de HelsinkiIntroducción a la IA sin matemáticas ni código, disponible en español.
Libros
- Curso intensivo de Python · Eric MatthesEl libro de referencia para aprender Python con proyectos. Tiene traducción al español.
- Pro Git · Scott Chacon y Ben StraubEl libro oficial de Git, gratuito y traducido.
- Python for Data Analysis · Wes McKinneyEl libro del creador de pandas, gratis online.
TypeScript
- TypeScript Handbook · MicrosoftLa guía oficial de TypeScript. Si vienes de JavaScript, es el punto de partida.
- Total TypeScript · Matt PocockTutoriales gratuitos y muy prácticos para dominar los tipos.
- Zod · Colin McDonnellValidación de datos con tipos. La usan casi todos los SDKs de IA en TypeScript para definir herramientas y salidas estructuradas.
Proyecto para coronar el campo base
Un script de Python que consulte una API pública (el tiempo, películas…), procese los datos y genere un pequeño informe. Súbelo a GitHub.
Campo I · 1500 m
Programar con IA
Entender cómo se comporta un LLM y sacarle el máximo partido como herramienta de trabajo.
Qué tienes que entender
- Token
- La unidad en que el modelo trocea el texto. Se cobra y se limita por tokens.
- Ventana de contexto
- Todo lo que el modelo puede ver a la vez: conversación, documentos y respuesta.
- Temperatura
- Controla la aleatoriedad. Baja da respuestas predecibles; alta, más creativas.
- Prompt engineering
- Instrucciones claras con contexto, ejemplos (few-shot), formato esperado y pasos.
- Alucinación
- Cuando el modelo inventa datos con total seguridad.
- Asistentes de código
- Claude Code, Cursor, GitHub Copilot: herramientas a las que delegas tareas de programación.
- Modelos de razonamiento
- Modelos que piensan paso a paso antes de responder. Más lentos y caros, pero mucho mejores en problemas complejos.
- Vibe coding
- Programar describiendo lo que quieres y aceptando el código casi sin revisarlo. Útil para prototipos rápidos, arriesgado en producción.
- Archivos de contexto
- CLAUDE.md o AGENTS.md: un archivo en tu repositorio que explica al agente cómo es el proyecto, sus convenciones y cómo ejecutar los tests. Se lee en cada sesión.
- Spec-Driven Development (SDD)
- Lo contrario del vibe coding: primero escribes una especificación de qué construir, el agente genera un plan y una lista de tareas a partir de ella, y solo después escribe el código. Todo se puede rastrear hasta la spec.
Cómo hacerlo
- Ve la charla introductoria de Karpathy sobre LLMs.
- Haz el tutorial interactivo de prompt engineering de Anthropic.
- Usa un asistente de código a diario durante dos semanas y anota dónde acierta y dónde falla.
- Compara el mismo prompt en dos o tres modelos para desarrollar intuición.
- Añade un CLAUDE.md o AGENTS.md a tu proyecto y observa cómo mejora el trabajo del agente.
- Construye la misma funcionalidad dos veces, una con vibe coding y otra con SDD usando Spec Kit, y compara el resultado.
Equipo para la subida
YouTube
- Intro to Large Language Models y Deep Dive into LLMs · Andrej KarpathyDos charlas imprescindibles sobre qué es un LLM y cómo se construye.
Cursos
- Tutorial interactivo de prompt engineering · AnthropicCursos gratuitos en notebooks: prompting, API y uso de herramientas.
- Guía de Prompt Engineering · DAIR.AIReferencia completa de técnicas de prompting, en español.
- Short courses · DeepLearning.AICursos cortos y gratuitos. Empieza por los de prompting para desarrolladores.
Documentación
- Guía de prompt engineering · AnthropicBuenas prácticas oficiales con ejemplos concretos.
- Documentación de Claude Code · AnthropicCómo trabajar con un agente de programación desde la terminal.
- AGENTS.md · Formato abiertoEl estándar abierto de archivos de contexto para agentes de código, con ejemplos.
Proyecto para coronar el campo i
Construye una app pequeña con un asistente de código usando SDD: escribe la spec, deja que el agente genere el plan y las tareas, y mantén un AGENTS.md actualizado. En el README cuenta qué funcionó y qué corregiste.
Certificación opcional al terminar este campamento: Microsoft AI-901, AWS AIF-C01, Google Cloud GAIL.
Campo II · 3000 m
Construir con APIs
Pasar de usar la IA a integrarla en tus propios programas.
Qué tienes que entender
- API de un LLM
- Llamar al modelo desde tu código: mensajes, roles y system prompt.
- Structured outputs
- Respuestas en JSON válido para procesarlas en tu programa.
- Streaming
- Recibir la respuesta token a token para que la interfaz se sienta rápida.
- Tool use
- El modelo llama a funciones que tú defines. Es la puerta a los agentes.
- Embeddings
- Texto convertido en vectores: textos parecidos dan vectores cercanos.
- Bases vectoriales
- Guardan embeddings y buscan por similitud: pgvector, Qdrant, Chroma, Pinecone.
- RAG
- Buscar documentos relevantes y dárselos al modelo para que responda con tu información.
- Frameworks
- LangChain, LlamaIndex, Vercel AI SDK. Útiles, pero entiende antes lo que hacen.
- Multimodalidad
- Las APIs aceptan imágenes, PDFs y audio, y hay APIs de voz en tiempo real y de generación de imágenes. Muchas apps útiles combinan varias.
- Prompt, RAG o fine-tuning
- La decisión clave del nivel. Empieza siempre por el prompt; añade RAG si al modelo le falta conocimiento; usa fine-tuning solo si necesitas cambiar su comportamiento o formato de forma consistente.
Cómo hacerlo
- Haz los cursos de fundamentos de la API y de tool use de Anthropic.
- Implementa un RAG a mano, sin frameworks: trocear, generar embeddings, buscar y responder.
- Rehazlo con LlamaIndex o LangChain y compara qué te ahorra el framework.
- Lee en paralelo AI Engineering de Chip Huyen.
Equipo para la subida
Cursos
- Cursos de API y tool use · AnthropicFundamentos de la API, structured outputs y herramientas en notebooks.
- Cursos de Hugging Face · Hugging FaceCursos gratuitos de modelos, embeddings y ecosistema open source.
- Short courses de RAG y frameworks · DeepLearning.AICursos cortos sobre RAG, bases vectoriales, LangChain y LlamaIndex.
Documentación y recetas
- Claude Cookbooks · AnthropicEjemplos de código listos para adaptar: RAG, tool use, extracción de datos.
- Pinecone Learn · PineconeExplicaciones excelentes sobre embeddings, búsqueda vectorial y RAG.
Libros
- AI Engineering · Chip HuyenEl libro de referencia para construir aplicaciones con modelos fundacionales.
- Prompt Engineering for LLMs · John Berryman y Albert ZieglerCómo diseñar aplicaciones alrededor de un LLM.
TypeScript
- Anthropic TypeScript SDK · AnthropicEl SDK oficial para llamar a Claude desde Node, Deno, Bun o el navegador.
- AI SDK · VercelEl framework de IA más usado en TypeScript: una sola API para muchos proveedores, streaming, tool use y salidas estructuradas. Ideal con Next.js.
- LangChain.js · LangChainLa versión TypeScript de LangChain, con integraciones para RAG y bases vectoriales.
Proyecto para coronar el campo ii
Un chatbot que responda preguntas sobre tus PDFs usando RAG, con citas a la página de origen y 20 preguntas de prueba con su respuesta esperada.
Certificación opcional al terminar este campamento: NVIDIA NCA-GENL.
Campo III · 4500 m
Agentes y producción
Construir sistemas que actúan solos y llevarlos a producción con garantías.
Qué tienes que entender
- Agente
- Un LLM en bucle: planifica, usa herramientas, observa el resultado y decide el siguiente paso.
- MCP
- Model Context Protocol: estándar abierto para conectar modelos con herramientas y datos.
- Agent Skills
- Carpetas con un archivo SKILL.md (instrucciones) y, opcionalmente, scripts y plantillas que enseñan al agente a hacer una tarea concreta. Al inicio solo carga el nombre y la descripción de cada skill, y lee el resto cuando lo necesita. MCP le da herramientas; las skills le enseñan a usarlas.
- Context engineering
- La evolución del prompt engineering: decidir qué información entra en el contexto del agente en cada momento (instrucciones, herramientas, memoria, documentos) para que rinda bien sin saturarse.
- Subagentes
- Agentes secundarios que el principal lanza para tareas concretas, cada uno con su propio contexto limpio. Evitan que una sola conversación se llene de ruido.
- Hooks y comandos
- Hooks: scripts que se ejecutan automáticamente en ciertos momentos (antes de editar, después de un commit). Comandos: atajos reutilizables que lanzas con una barra, como /review.
- A2A
- Agent2Agent: protocolo abierto para que agentes de distintos proveedores se comuniquen y deleguen tareas entre sí.
- Multiagente
- Varios agentes especializados que colaboran: planificador, ejecutor, revisor.
- Evals
- Pruebas sistemáticas para medir la calidad. Lo que separa un prototipo de un producto.
- Observabilidad
- Trazar cada llamada, coste y latencia para encontrar fallos.
- Guardrails
- Defensas frente a prompt injection, validación de salidas y control de permisos.
- Optimización
- Prompt caching, elegir el modelo adecuado para cada tarea y procesamiento por lotes.
- Memoria
- Cómo un agente recuerda entre sesiones: resúmenes, archivos de notas o bases de datos que consulta cuando le hace falta.
- Computer use
- Agentes que manejan un navegador o un escritorio como una persona: ven la pantalla, hacen clic y escriben. Potentes, pero lentos y delicados en seguridad.
- Despliegue
- Llevar el sistema a producción: contenedores, colas para tareas largas, límites de tasa, reintentos y aislamiento (sandbox) de todo lo que ejecuta el agente.
Cómo hacerlo
- Lee Building effective agents de Anthropic antes de tocar un framework de agentes.
- Construye un agente con un bucle escrito por ti y dos o tres herramientas reales.
- Crea un servidor MCP propio que exponga una herramienta tuya.
- Escribe dos o tres skills para tareas que repites (revisar PRs, generar informes) y comprueba cuándo las activa el agente.
- Divide una tarea grande entre subagentes y añade un hook que pase los tests antes de cada cambio.
- Escribe evals desde el primer día, añade trazas y revisa el OWASP Top 10 para LLMs.
Equipo para la subida
Lecturas clave
- Building effective agents · AnthropicLos patrones de agentes que funcionan, y cuándo no necesitas uno.
- Your AI Product Needs Evals · Hamel HusainEl artículo que mejor explica cómo y por qué evaluar sistemas con LLMs.
- Los riesgos de seguridad más importantes y cómo mitigarlos.
- Effective context engineering for AI agents · AnthropicCómo gestionar el contexto de un agente en tareas largas.
Agent Skills
- Agent Skills · Estándar abiertoLa especificación oficial. Creada por Anthropic y adoptada por Claude, Codex, Gemini CLI, Copilot, Cursor y muchos más.
- El artículo que explica por qué existen las skills y cómo diseñarlas.
- Repositorio de skills de ejemplo · AnthropicSkills reales (documentos, PDFs, diseño) para estudiar y adaptar.
Cursos
- Agents Course · Hugging FaceCurso gratuito y práctico sobre agentes.
- Short courses de agentes y MCP · DeepLearning.AICursos cortos sobre agentes, LangGraph y MCP.
Documentación
- Model Context Protocol · Especificación oficialGuías para crear servidores y clientes MCP.
- Claude Agent SDK · AnthropicLa misma base de Claude Code, para construir tus propios agentes con herramientas, subagentes y memoria.
- Agent2Agent (A2A) · Especificación oficialProtocolo para la comunicación entre agentes de distintos proveedores.
- Langfuse · LangfuseObservabilidad y evals open source para aplicaciones con LLMs.
Libros
- LLM Engineer's Handbook · Paul Iusztin y Maxime LabonneCómo llevar un sistema con LLMs hasta producción.
TypeScript
- Mastra · MastraFramework de agentes nativo de TypeScript: agentes, workflows, memoria, evals y herramientas en una sola pieza.
- Claude Agent SDK (TypeScript) · AnthropicEl bucle de agente, las herramientas y la gestión de contexto de Claude Code como paquete de TypeScript.
- MCP TypeScript SDK · Model Context ProtocolEl SDK oficial para crear servidores y clientes MCP. Muchos de los servidores MCP más usados están escritos con él.
- LangGraph.js · LangChainAgentes como grafos con estado tipado. La opción con más control para flujos complejos.
- OpenAI Agents SDK (JS/TS) · OpenAISDK ligero de agentes con handoffs entre agentes y guardrails.
Proyecto para coronar el campo iii
Un agente que resuelva una tarea real de tu día a día con dos o tres herramientas (una vía MCP) y al menos una skill propia, con evals automáticas, trazas y un informe de coste por tarea.
Certificación opcional al terminar este campamento: Microsoft AI-103, Databricks GenAI Associate, AWS AIP-C01, Anthropic CCDV-F · CCAR-F · CCAR-P.
Campo IV · 6200 m
Modelos por dentro
Entender cómo funciona un modelo de verdad: matemáticas, redes neuronales y el Transformer.
Qué tienes que entender
- Matemáticas
- Álgebra lineal, cálculo (derivadas, gradientes) y probabilidad.
- Redes neuronales
- Neuronas, capas, activaciones, backpropagation y descenso de gradiente.
- PyTorch
- El framework estándar para construir y entrenar modelos.
- Transformer
- La arquitectura de los LLMs, presentada en Attention Is All You Need (2017).
- Atención
- Cada token mira a los demás para entender el contexto. La idea central del Transformer.
- Ciclo de vida
- Pre-entrenamiento, fine-tuning y alineamiento con RLHF.
- LoRA y QLoRA
- Adaptar modelos grandes entrenando solo una pequeña parte.
- Inferencia local
- Modelos abiertos con Ollama o vLLM, y cuantización para que quepan en tu equipo.
Cómo hacerlo
- Refresca las matemáticas con 3Blue1Brown.
- Haz Neural Networks: Zero to Hero de Karpathy escribiendo tú cada línea.
- Complementa con fast.ai o la especialización de Andrew Ng.
- Lee The Illustrated Transformer y después el paper original.
- Termina con fine-tuning: el LLM Course de Maxime Labonne y Unsloth.
Equipo para la subida
YouTube
- Neural Networks: Zero to Hero · Andrej KarpathyDe una neurona a construir GPT desde cero. El mejor recurso para este nivel.
- Álgebra lineal y redes neuronales · 3Blue1BrownVisualizaciones que hacen intuitivas las matemáticas.
- StatQuest · Josh StarmerEstadística y ML paso a paso, ideal cuando un concepto se atasca.
Cursos
- Practical Deep Learning for Coders · fast.aiPrimero entrenas modelos, luego entiendes la teoría.
- Machine Learning Specialization · Andrew Ng · DeepLearning.AIEl clásico con bases sólidas. Subtítulos en español; el certificado es de pago.
- LLM Course · Maxime LabonneRuta gratuita sobre LLMs, fine-tuning y cuantización con notebooks.
- Kaggle Learn · KaggleMicrocursos prácticos y competiciones con datos reales.
Lecturas
- The Illustrated Transformer · Jay AlammarLa explicación visual más clara de un Transformer.
- Attention Is All You Need · Vaswani et al.El paper que lo empezó todo.
Libros
- Build a Large Language Model (From Scratch) · Sebastian RaschkaConstruyes un LLM completo paso a paso en PyTorch.
- Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow · Aurélien GéronEl manual práctico de ML más recomendado. Existe edición en español.
- Understanding Deep Learning · Simon PrinceLibro moderno y gratuito en PDF.
- Mathematics for Machine Learning · Deisenroth, Faisal y OngTodas las matemáticas que necesitas, gratis en PDF.
Herramientas
- Tutoriales de PyTorch · PyTorchTutoriales oficiales, desde tensores hasta entrenar redes.
- Ollama · OllamaEjecuta modelos abiertos en tu ordenador con un comando.
- Unsloth · UnslothFine-tuning con LoRA rápido y con poca memoria.
TypeScript
- Transformers.js · Hugging FaceEjecuta modelos de Hugging Face directamente en el navegador o en Node, sin servidor.
- WebLLM · MLCLLMs completos ejecutándose en el navegador con WebGPU.
- TensorFlow.js · GoogleEntrenar y ejecutar redes neuronales en JavaScript. Útil para aprender y para modelos pequeños.
Proyecto para coronar el campo iv
Implementa un mini-GPT siguiendo a Karpathy y entrénalo con texto en español. Después haz fine-tuning con LoRA de un modelo abierto pequeño y compara antes y después con tus evals.
Certificación opcional al terminar este campamento: AWS MLA-C01, Microsoft AI-300, Google Cloud PMLE.
Cumbre · 7600 m
Experto
Trabajar en la frontera: entrenar a escala, investigar y entender los riesgos de sistemas cada vez más capaces.
Qué tienes que entender
- Entrenamiento a escala
- Entrenamiento distribuido en muchas GPUs, leyes de escalado y datasets masivos.
- MLOps / LLMOps
- Despliegue, monitorización, versionado y control de costes.
- Interpretabilidad
- Entender qué representa internamente un modelo y por qué hace lo que hace.
- Alineamiento
- Lograr que sistemas cada vez más capaces se comporten como queremos.
- Multimodalidad
- Modelos que combinan texto, imagen, audio y vídeo.
- Investigación
- Leer papers con soltura, reproducir resultados y aportar algo nuevo.
Cómo hacerlo
- Sigue un curso de frontera, como CS224N o CS336 de Stanford.
- Lee el Ultra-Scale Playbook para entender el entrenamiento distribuido.
- Elige una especialidad (interpretabilidad, alineamiento, sistemas, multimodal) y profundiza.
- Reproduce un paper reciente al mes y publica tus resultados.
Equipo para la subida
Cursos universitarios
- CS224N: NLP with Deep Learning · StanfordEl curso de referencia de lenguaje natural. Clases en YouTube.
- CS336: Language Modeling from Scratch · StanfordConstruir y entrenar un LLM completo, del tokenizador al escalado.
Escala y producción
- The Ultra-Scale Playbook · Hugging FaceGuía completa para entrenar modelos en miles de GPUs.
- Made With ML · Goku MohandasMLOps de principio a fin, gratuito y práctico.
- Designing Machine Learning Systems · Chip HuyenCómo diseñar sistemas de ML que funcionen en producción.
Interpretabilidad y seguridad
- Transformer Circuits · AnthropicInvestigación sobre cómo funcionan los modelos por dentro.
- ARENA · ARENAPrograma práctico y gratuito de ingeniería para seguridad de la IA.
- BlueDot Impact · BlueDotCursos gratuitos sobre alineamiento y gobernanza de la IA.
Mantenerse al día
- Hugging Face Papers · Hugging FaceLos papers más relevantes de cada día.
- Deep Learning · Goodfellow, Bengio y CourvilleEl libro teórico de referencia, gratis online.
Proyecto para coronar el cumbre
Reproduce los resultados principales de un paper reciente, publica el código y un artículo con qué funcionó, qué no y qué aprendiste. Si puedes, propón una mejora.
Certificación opcional al terminar este campamento: NVIDIA NCP-GENL.