← Todos los módulos

01State of the Art: AI Engineering en 2026

Modo de estudio
todasllmfundamentosself-attentioncapacidades-emergentestransformerllamaarquitecturatokenscontextocostecompresionlm-studiotemperaturetop-pfrequency-penaltystop-sequencescomparativa-modelosbenchmarksswe-benchactualizacionopen-sourcetcoarbol-de-decisioncasos-practicosmachine-learningscikit-learntrain-test-splitcomparativa-algoritmossvmrandom-forestknnejerciciodeep-learningredes-neuronaleskerastensorflowmnistml-vs-dlanti-patronxgboostmmlugpqaevaluacion-critica

Lecciones

¿Qué son los LLMs?

Fundamentos de IA Generativa: pipeline pre-training/fine-tuning/prompting, self-attention, capacidades emergentes y framework de decisión de negocio.

  • llm
  • fundamentos
  • self-attention
  • capacidades-emergentes

Arquitectura Transformer (Profundización)

Bloque Transformer completo, mecanismo Q/K/V, multi-head attention, encoder-decoder vs decoder-only, y detalles específicos de Llama 3.1 (RoPE, RMSNorm, SwiGLU, GQA).

  • transformer
  • self-attention
  • llama
  • arquitectura

Tokens, Contexto y Coste

Tokenización, ventana de contexto, comparación de modelos, estrategias de compresión (chunking, resumen progresivo, extracción selectiva) y reality check con LM Studio.

  • tokens
  • contexto
  • coste
  • compresion
  • lm-studio

Temperatura y Parámetros de Generación

Temperature, top_p (nucleus sampling), frequency_penalty, stop sequences y tabla maestra de configuraciones por caso de uso, con las diferencias prácticas de LM Studio.

  • temperature
  • top-p
  • frequency-penalty
  • stop-sequences
  • lm-studio

Comparativa de Modelos: Actualización Agosto 2026

Panorama de modelos actual (Anthropic, OpenAI, Google, Meta), saturación de SWE-bench Verified, cierre de la brecha open source, y contexto para el setup local de Llama 3.1 8B.

  • comparativa-modelos
  • benchmarks
  • swe-bench
  • actualizacion

Propietario vs Open Source: Framework y Casos

Tabla comparativa propietario vs open source, árbol de decisión de 5 preguntas, los 5 casos empresariales del curso, y reconsideración de cada caso con datos actuales.

  • open-source
  • tco
  • arbol-de-decision
  • casos-practicos

Machine Learning en la Práctica

Tipos de ML (supervisado/no supervisado/RL), predicción de churn con árbol de decisión verificado en sandbox, importancia de features, y el principio de train/test split.

  • machine-learning
  • scikit-learn
  • arbol-de-decision
  • train-test-split

Redes Neuronales: Deep Learning

Arquitectura de capas de una red neuronal, cuándo usar ML clásico vs Deep Learning, aplanado de imágenes, y curva de aprendizaje (loss/accuracy) verificada en sandbox.

  • deep-learning
  • redes-neuronales
  • keras
  • tensorflow
  • mnist

Cuándo NO Usar un LLM: ML vs DL vs IA Generativa

Árbol de decisión técnica (ML/Deep Learning/IA Generativa/ninguna IA), tabla comparativa completa, el anti-patrón de usar un LLM para predecir churn, y ejercicio de 10 casos.

  • ml-vs-dl
  • arbol-de-decision
  • anti-patron
  • xgboost

Benchmarks y Evaluación de Modelos

Interpretación crítica de MMLU, SWE-bench, GPQA, HumanEval y ARC-AGI-2: qué miden, cuándo importan, relevancia por caso de uso, y por qué no fiarse ciegamente (contaminación, gaming, puntos ciegos).

  • benchmarks
  • mmlu
  • swe-bench
  • gpqa
  • evaluacion-critica

Ejercicios

Comparativa de Algoritmos: Todos los Modelos a la Vez

7 algoritmos de clasificación (Decision Tree, Random Forest, SVM, KNN, Logistic Regression, Naive Bayes, Red Neuronal) entrenados y comparados en los datasets de churn y dígitos con el mismo train/test split.

  • comparativa-algoritmos
  • svm
  • random-forest
  • knn
  • ejercicio