programa
Fundamentos de la IA
10 h
La competencia en IA ya no es opcional. Según nuestro State of Data & AI Literacy Report 2026, el 69% de los líderes cree que la competencia en IA es importante para las tareas diarias de sus equipos. El problema es que "aprender IA" es una instrucción tan amplia que cuesta aterrizarla. ¿Por dónde empiezas de verdad?
Esta guía es para quienes llegan a la IA desde cero y quieren un camino de aprendizaje claro y estructurado, no una lista aleatoria de enlaces. Si te apetece profundizar más, te recomiendo consultar nuestra guía completa 'How to Learn AI'.
Tanto si estás cambiando de carrera, como si eres un perfil de negocio que quiere formarse, o alguien que lleva dos años queriendo ponerse con esto y lo va posponiendo, los recursos que verás a continuación están pensados para llevarte de cero a practicante real. Eso implica cubrir la teoría (machine learning, deep learning, redes neuronales), los prerrequisitos (Python, estadística, matemáticas) y la capa de aplicaciones moderna (LLMs, prompt engineering, RAG, fine-tuning, agentic AI).
He organizado todo en una secuencia aproximada. No hace falta seguirla al pie de la letra, pero si empiezas desde cero, avanzar en orden te ahorrará mucha confusión. Cada entrada incluye qué aprenderás, cuánto tiempo lleva y para quién encaja mejor. Si eres totalmente nuevo, te diría que lo mejor es empezar por nuestro nuevo curso Introduction to AI for Work, con un tutor de IA que adapta el curso a tu estilo y necesidades de aprendizaje.
Hoja de ruta de IA: resumen
Si quieres pasar de principiante absoluto a construir agentes de IA autónomos, este es el camino general (suponiendo unas 10 horas de estudio semanales):
- Meses 1-3: fundamentos. Comprende los conceptos clave de IA, la ética y las matemáticas básicas; después aprende Python y manipulación de datos (pandas).
- Meses 4-6: machine learning esencial. Conecta la estadística con Python y domina los modelos clásicos de ML (regresión, clasificación) con scikit-learn.
- Meses 7-9: deep learning y LLMs. Adéntrate en redes neuronales y Transformers con PyTorch; luego aprende a integrar y orquestar modelos mediante la API de OpenAI y Hugging Face.
- Meses 10+: ingeniería de IA y agentes. Ve más allá de los modelos estáticos para construir sistemas listos para producción con RAG, LangChain y agentes autónomos (MCP, Claude Code, Gemini CLI).
Hoja de ruta de aprendizaje de IA recomendada
Así secuenciaría un plan de aprendizaje con nuestros recursos si empiezas en IA desde cero. Los tiempos son aproximados y asumen unas 10 horas de estudio por semana.
Etapa 1: fundamentos (meses 1-3)
Empieza con Introduction to AI for Work, el AI Fundamentals skill track y AI Ethics para construir tu vocabulario conceptual y marco de gobernanza. No requieren programación y te dan el modelo mental que necesitas para entender todo lo que viene después. En paralelo, realiza Introduction to Statistics y el tutorial Demystifying Mathematical Concepts for Deep Learning.
Cuando tengas la parte teórica, pasa a Python. Recorre el tutorial de estructuras de datos en Python, después el Python Programming skill track y, a continuación, el Data Manipulation in Python skill track. Al final del tercer mes, deberías sentirte cómodo programando en Python, manipulando DataFrames con pandas y entendiendo qué es una distribución de probabilidad, todo clave para profundizar en IA.
Etapa 2: ML esencial y ciencia de datos (meses 4-6)
Aquí empieza el trabajo de verdad. Haz Foundations of Probability in Python para conectar tu estadística con código y luego empieza el Associate Data Scientist in Python career track. No necesitas completar las 90 horas en esta etapa, pero avanza por las secciones de manipulación de datos, visualización y aprendizaje supervisado. Los cursos de scikit-learn, en particular, son esenciales.
En paralelo, completa el Machine Learning Fundamentals in Python skill track. Los cursos de aprendizaje supervisado y no supervisado se solapan con el career track, así que reforzarás los mismos conceptos desde dos ángulos. Para el mes seis, deberías ser capaz de entrenar, evaluar y ajustar un modelo de clasificación o regresión.
Etapa 3: deep learning y LLMs modernos (meses 7-9)
Pasa ahora al Deep Learning in Python skill track. Síguelo en orden: bases de PyTorch, CNNs, RNNs y después el curso de Transformer Models. Ese curso es el puente entre el deep learning clásico y los LLMs modernos.
Una vez entiendas qué ocurre bajo el capó, podrás interactuar con estos modelos de forma eficaz. Ahora bien, si te interesa más construir con IA que entrenar modelos desde cero, puedes saltarte las matemáticas de deep learning y tratar los LLMs como una potente utilidad. Empieza aprendiendo a sacarles partido con Prompt Engineering with the OpenAI API y Working with Hugging Face. Luego, da el salto de las interfaces web al software real con Developing AI Systems with the OpenAI API.
Etapa 4: ingeniería de IA y agentes (meses 10 en adelante)
Esta etapa va de construir sistemas de IA complejos y listos para producción. Empieza con Retrieval-Augmented Generation (RAG) with LangChain para conectar LLMs con tus datos privados.
A partir de ahí, pasa de la generación pasiva a la ejecución activa de tareas con el AI Agent Fundamentals skill track y el tutorial Introduction to the Model Context Protocol (MCP). Por último, aplica estos flujos de trabajo modernos a tu desarrollo local siguiendo los tutoriales de Claude Code y Building with Gemini 3.1 Pro: Coding Agent.
Los mejores recursos para esta hoja de ruta de IA
Estos recursos están ordenados para reflejar una secuencia lógica de aprendizaje, desde los fundamentos conceptuales hasta la construcción práctica de modelos y las aplicaciones modernas con LLMs. Dicho esto, si ya dominas Python, puedes saltarte pasos.
1. Introduction to AI for Work
Si no eres desarrollador y solo quieres entender qué es la IA y cómo usarla de forma responsable en el trabajo, empieza aquí. Este curso de 2-3 horas explica qué son los modelos de lenguaje grandes, cómo funciona la IA generativa y cómo escribir prompts eficaces con un marco de cuatro componentes: petición, requisitos, contexto y ejemplos.
Lo que más me gusta de este curso (y lo que lo diferencia de otras introducciones a la IA) es que utiliza la nueva experiencia de aprendizaje nativa de IA de DataCamp. No es solo vídeo estático seguido de ejercicios; la plataforma actúa como un tutor de IA 1 a 1. Genera lecciones, ejemplos y ejercicios adaptados a tu puesto, objetivos y conocimientos previos.
Por ejemplo, si trabajas en marketing, los ejemplos reflejarán flujos de trabajo de marketing. También se adapta a tu ritmo, de modo que las 2-3 horas típicas pueden variar según lo rápido que asimiles el contenido.
Además de la personalización, me gusta su enfoque práctico. Te enseña a identificar cuál de las cuatro capacidades de la IA (ejecución, colaboración estratégica, refinamiento y aprendizaje continuo) aplica a cada tarea. También aborda las limitaciones de la IA, las alucinaciones y el uso responsable, algo que a menudo se obvia en contenidos para principiantes.
- Nivel: Principiante
- Formato: Curso, 2-3 horas
- Para quién es: Profesionales de negocio, marketers, analistas o cualquier persona que quiera usar herramientas de IA con más eficacia sin programar
2. AI Fundamentals skill track
Este itinerario de 10 horas es la columna vertebral conceptual de cualquier ruta de aprendizaje en IA. Cubre seis cursos: Introduction to AI for Work, Understanding ChatGPT, Understanding Machine Learning, Large Language Models Concepts, Generative AI Concepts y AI Ethics. No requiere programar.
El track está diseñado para darte un vocabulario operativo de todo el panorama de la IA, desde cómo los algoritmos de machine learning aprenden patrones hasta cómo se entrenan y despliegan LLMs como ChatGPT. El curso de AI Ethics del final merece la pena hacerlo en serio, no solo ojearlo. Completar el track también te prepara para la certificación AI Fundamentals.
- Nivel: Principiante
- Formato: Skill track, 10 horas, 6 cursos
- Para quién es: Quienes quieran una base conceptual sólida antes de escribir una sola línea de código
3. Introduction to Statistics
La estadística es el idioma de la IA. Antes de entender por qué un modelo hace ciertas predicciones, necesitas conocer distribuciones de probabilidad, contrastes de hipótesis y medidas de dispersión. Este curso de 4 horas cubre todo eso con datos reales, incluidos datos de criminalidad en Londres y ventas minoristas online.
El curso tiene más de 8.000 reseñas y una valoración de 4,8, inusualmente alta para estadística. Cubre estadísticos descriptivos, probabilidad, la distribución normal, el teorema central del límite y la correlación, todo sin programar. Piénsalo como la base teórica que hace que todo lo demás encaje.
- Nivel: Principiante
- Formato: Curso, 4 horas, 56 ejercicios
- Para quién es: Quienes no vieron estadística en su momento o quieren refrescarla antes de pasar a machine learning
4. Demystifying Mathematical Concepts for Deep Learning
Este tutorial responde de forma directa a la pregunta "¿cuánta matemática necesito realmente?" Cubre escalares, vectores, matrices, tensores, autovalores, descomposición en valores singulares, descenso de gradiente y entropía, todo con código en Python usando NumPy y SciPy. No es un curso completo de álgebra lineal, pero te da lo suficiente para entender qué pasa dentro de una red neuronal.
Solo el descenso de gradiente ya merece la lectura. El tutorial explica sus tres variantes (lote completo, estocástico y mini-batch) y muestra cómo se usan para entrenar redes neuronales. Si alguna vez te has preguntado por qué entrenar un modelo implica "minimizar una función de pérdida", aquí es donde ese concepto se vuelve tangible.
- Nivel: De principiante a intermedio
- Formato: Tutorial, unos 15 minutos de lectura
- Para quién es: Estudiantes que quieren entender las matemáticas detrás del deep learning sin hacer un curso completo de álgebra lineal
Demystifying Mathematical Concepts for Deep Learning
5. Foundations of Probability in Python
Este curso de 5 horas retoma donde lo dejó el de estadística y añade Python a los conceptos de probabilidad. Cubre ensayos de Bernoulli, distribuciones binomial, normal y de Poisson, la ley de los grandes números y el teorema central del límite, y conecta todo ello con regresión lineal y logística.
El último capítulo es el más útil para quienes practican ML. Muestra cómo el teorema central del límite explica que las medias muestrales converjan a las poblacionales, base teórica de por qué entrenar con grandes conjuntos de datos funciona. El curso usa scipy de principio a fin, la misma librería que verás en la mayoría de bases de código de ML.
- Nivel: Intermedio
- Formato: Curso, 5 horas, 61 ejercicios
- Para quién es: Estudiantes que completaron Introduction to Statistics y quieren aplicar probabilidad en Python
Foundations of Probability in Python
6. Python Programming skill track
Python es el lenguaje dominante en IA y este itinerario de 19 horas te lleva más allá de lo básico hacia el tipo de código que se usa en producción. Cubre context managers, decoradores, escritura de código eficiente, principios de ingeniería de software, tests automatizados con pytest y programación orientada a objetos.
Trabajarás con paquetes como pandas, NumPy, setuptools, pytest y pycodestyle. Si vienes del análisis de datos y tu Python es funcional pero desordenado, este track te ayudará a pulirlo. Escribir código modular y testeable importa mucho cuando empieces a construir pipelines de ML.
- Nivel: De principiante a intermedio
- Formato: Skill track, 19 horas, 4 cursos
- Para quién es: Quienes conocen lo básico de Python y quieren escribir código mantenible y listo para producción
Python Programming skill track
7. Python Data Structures tutorial
Una lectura breve pero esencial que cubre todas las estructuras de datos que encontrarás en trabajos de IA: enteros, floats, strings, booleanos, arrays, listas, tuplas, diccionarios, conjuntos, pilas, colas, grafos y árboles. El tutorial incluye código funcional en Python para cada estructura y explica cuándo usar cada una.
La sección sobre arrays de NumPy es especialmente relevante. Explica por qué los arrays de NumPy son más rápidos que las listas de Python en datasets grandes, cómo funcionan las operaciones vectorizadas y cómo crear arrays multidimensionales. Ese conocimiento se amortiza en cuanto empieces con librerías de ML.
- Nivel: Principiante
- Formato: Tutorial, unos 15 minutos de lectura
- Para quién es: Principiantes que quieren una referencia clara de estructuras de datos en Python antes de pasar a la manipulación de datos
Python Data Structures tutorial
8. Data Manipulation in Python skill track
Antes de entrenar un modelo, necesitas limpiar, reestructurar y analizar datos. Este track de 16 horas cubre en profundidad pandas y NumPy, usando datasets reales como el censo de árboles de Nueva York, compras de clientes y precios bursátiles. Incluye cuatro cursos: Data Manipulation with pandas, Reshaping Data with pandas, Joining Data with pandas e Introduction to NumPy.
Las habilidades de pandas aquí son realmente fundamentales. Filtrar DataFrames, combinar datasets, gestionar valores ausentes y transformar de formato ancho a largo son tareas que harás constantemente en cualquier proyecto de ML. El curso de NumPy añade operaciones con arrays que alimentan directamente flujos de trabajo con scikit-learn y PyTorch.
- Nivel: Principiante
- Formato: Skill track, 16 horas, 4 cursos
- Para quién es: Quienes necesitan preparar datos para modelos de machine learning
Data Manipulation in Python skill track
9. Associate Data Scientist in Python career track
Este es el recurso más completo de la lista. Con 90 horas y 23 cursos, cubre el flujo completo de ciencia de datos en Python: manipulación de datos, visualización con Matplotlib y Seaborn, tests de hipótesis, regresión con statsmodels, aprendizaje supervisado con scikit-learn, no supervisado y modelos basados en árboles. También incluye 10 proyectos reales.
El track te prepara para la certificación Associate Data Scientist. Lo más útil es el trabajo por proyectos. Proyectos como "Predictive Modeling for Agriculture" y "Clustering Antarctic Penguin Species" te dan piezas de portfolio que demuestran que sabes aplicar ML a problemas reales, no solo completar ejercicios.
- Nivel: De principiante a intermedio
- Formato: Career track, 90 horas, 23 cursos, 10 proyectos
- Para quién es: Quienes quieren una ruta estructurada, de extremo a extremo, para convertirse en data scientists en activo
Associate Data Scientist in Python career track
10. Machine Learning Fundamentals in Python skill track
Este track de 16 horas cubre las cuatro ramas principales del machine learning: aprendizaje supervisado con scikit-learn, no supervisado con scikit-learn y scipy, deep learning con PyTorch y aprendizaje por refuerzo con la librería Gymnasium de Python. Es el camino más directo para entender cómo funcionan realmente los modelos de ML.
La sección de PyTorch es donde se pone interesante. Construyes tu primera red neuronal desde cero, aprendes backpropagation y descenso de gradiente en código, y aplicas deep learning a clasificación de imágenes y análisis de sentimiento. El curso final de aprendizaje por refuerzo cubre Q-learning y policy gradients, bases de los agentes de IA modernos.
- Nivel: Intermedio
- Formato: Skill track, 16 horas, 4 cursos
- Para quién es: Quienes tienen bases de Python y estadística y están listos para construir modelos de ML reales
Machine Learning Fundamentals in Python skill track
11. Deep Learning in Python skill track
Este itinerario de 18 horas profundiza en arquitecturas de redes neuronales con PyTorch. Cubre CNNs para clasificación de imágenes, RNNs y LSTMs para datos secuenciales, detección de objetos, segmentación de imágenes y generación de texto. El curso final sobre Transformer Models with PyTorch es el que conecta todo con LLMs modernos como ChatGPT.
El curso de Transformers merece mención aparte. Explica cómo funciona el mecanismo de atención, por qué los transformers sustituyeron a las RNNs en la mayoría de tareas de PLN y cómo esta arquitectura sustenta los modelos tipo GPT. Si quieres entender por qué los LLMs se comportan como lo hacen, aquí es donde lo interiorizas.
- Nivel: De intermedio a avanzado
- Formato: Skill track, 18 horas, 5 cursos
- Para quién es: Quienes completaron el track de ML Fundamentals y quieren especializarse en deep learning
Deep Learning in Python skill track
12. Prompt Engineering with the OpenAI API
Una vez entiendas cómo funcionan los LLMs a nivel conceptual, este curso de 4 horas te enseña a obtener resultados fiables. Cubre zero-shot, one-shot y few-shot prompting, chain-of-thought, self-consistency prompting, prompting por pasos e iteración y refinamiento. Todos los ejercicios usan la API de OpenAI en Python.
El capítulo de aplicaciones de negocio es el más práctico. Cubre resumen de textos, ajuste de tono para email marketing, enrutado de tickets de soporte y generación de código con prompts multi-paso. Son tareas muy habituales en flujos de trabajo reales, y el curso muestra cómo diseñar prompts que produzcan salidas estructuradas y consistentes.
- Nivel: Principiante
- Formato: Curso, 4 horas, 55 ejercicios
- Para quién es: Desarrolladores y profesionales de datos que quieren construir aplicaciones fiables con LLMs
Prompt Engineering with the OpenAI API
13. Working with Hugging Face
Hugging Face es donde sucede gran parte del desarrollo open source en IA, y este curso de 2 horas te enseña a navegarlo. Cargarás modelos preentrenados del Hub, descargarás y manipularás datasets, construirás pipelines de clasificación de texto, resumirás documentos largos y usarás las clases AutoModel y AutoTokenizer para tareas de NLP a medida.
El curso también explica la diferencia entre ejecutar inferencia en local y hacerlo mediante proveedores de inferencia de Hugging Face, una decisión práctica que afrontarás en cada proyecto. Con más de 28.000 estudiantes y una valoración de 4,8, es de los cursos más populares del catálogo de IA con razón.
- Nivel: Principiante
- Formato: Curso, 2 horas, 26 ejercicios
- Para quién es: Quienes quieren usar modelos open source para tareas de NLP sin construir todo desde cero
14. AI Agent Fundamentals skill track
Si RAG da memoria a la IA, los agentes le dan manos. Este track cambia el enfoque de una IA como respondedor pasivo a una IA como trabajadora activa. Explorarás la arquitectura de agentes autónomos y aprenderás a combinar LLMs con uso de herramientas, razonamiento multi-paso y APIs externas para ejecutar flujos de trabajo complejos.
La evolución de pipelines estáticos a sistemas agentic es hacia donde se dirige la industria ahora mismo. Este track te da la base conceptual y práctica para construir sistemas que no solo responden preguntas, sino que completan tareas de forma autónoma.
- Nivel: Avanzado
- Formato: Skill track, unas 12 horas
- Para quién es: Estudiantes avanzados listos para ir más allá de la IA conversacional y construir sistemas autónomos orientados a la acción
AI Agent Fundamentals skill track
15. AI Ethics
A medida que la IA se integra más en el negocio y el software, entender cómo desplegarla de forma responsable ya no es opcional. Este curso cubre los principios clave de la ética en IA —equidad, transparencia, responsabilidad y privacidad— y ofrece estrategias prácticas para identificar y mitigar sesgos en tus datos.
Es un curso relevante para muchos perfiles gracias a su enfoque en gobernanza práctica más que en filosofía abstracta. Aprenderás a establecer un marco ético y analizar casos reales en los que el despliegue de IA salió mal, dotándote de herramientas para generar confianza y lanzar modelos de forma responsable antes de construir sistemas complejos.
- Nivel: Principiante
- Formato: Curso, 2 horas
- Para quién es: Cualquiera que construya, despliegue o gestione sistemas de IA y quiera crear herramientas equitativas y conformes
16. Developing AI Systems with the OpenAI API
Más allá de las interfaces web sencillas, este curso te enseña a integrar de forma programática los modelos de OpenAI en tus aplicaciones. Aprenderás a autenticarte, hacer llamadas a la API, manejar respuestas y gestionar límites de tokens con Python, actuando como puente entre la teoría del modelo y el desarrollo de software real.
El salto de hacer prompts en una ventana de chat a orquestar llamadas a la API en código multiplica tu capacidad. Este curso te da la comprensión arquitectónica de cómo se construyen realmente los sistemas de IA en producción, un paso esencial antes de abordar marcos más complejos de recuperación de datos.
- Nivel: Intermedio
- Formato: Curso, 4 horas
- Para quién es: Desarrolladores que quieren pasar de usar chats de IA a construir su propio software potenciado por IA
Developing AI Systems with the OpenAI API
17. Retrieval-Augmented Generation (RAG) with LangChain
Los Large Language Models son potentes, pero no conocen tus datos propietarios. Este curso introduce Retrieval-Augmented Generation (RAG), la arquitectura estándar del sector para fundamentar respuestas de IA en documentos externos. Aprenderás a trocear datos, crear embeddings vectoriales y usar LangChain para orquestar el flujo de información de tu base de datos al LLM.
Lo que me gusta es cómo desmitifica a fondo la "magia" de la IA empresarial. Al construir motores de datos e índices, verás exactamente cómo aplicaciones como los chatbots de soporte recuperan el contexto adecuado para evitar alucinaciones.
- Nivel: De intermedio a avanzado
- Formato: Curso, 4 horas
- Para quién es: Desarrolladores que quieren construir aplicaciones de IA que consulten y razonen de forma segura sobre datos privados o de dominio
Retrieval-Augmented Generation (RAG) with LangChain
18. Introduction to the Model Context Protocol (MCP)
A menudo descrito como el "USB-C de la IA", el Model Context Protocol es un estándar open source para conectar modelos de IA con fuentes de datos y herramientas externas. Este tutorial te guía por la arquitectura de MCP y cómo desplegar servidores gestionados y personalizados, permitiendo que tus agentes de IA consulten bases de datos como BigQuery o interactúen con Google Maps sin escribir adaptadores a medida para cada herramienta nueva.
La estandarización que aporta MCP es un cambio de juego para el agentic AI. En lugar de integraciones a medida, aprenderás a implementar una fuente de datos una vez como servidor MCP y usarla de forma fluida en cualquier cliente de IA compatible. Reduce drásticamente la fricción de desarrollo.
- Nivel: De intermedio a avanzado
- Formato: Tutorial, unos 15 minutos de lectura
- Para quién es: Desarrolladores de IA y arquitectos de sistemas que quieran estandarizar cómo conectan sus agentes con datos corporativos y servicios externos
Introduction to the Model Context Protocol (MCP)
19. Claude Code Tutorial
Este tutorial lleva la asistencia de IA directamente a tu terminal, centrado en la CLI Claude Code de Anthropic. Aprenderás a configurar el entorno, conectar con GitHub e implementar un flujo Explore-Plan-Execute para refactorizar código multiarchivo de forma segura.
Lo mejor es el "Plan Mode". En lugar de dejar que la IA haga ediciones sin control por todo tu repositorio, esta fase de solo lectura obliga al modelo a generar primero un plan en markdown que puedes revisar. Es toda una lección sobre cómo poner barandillas a la codificación con IA y evitar el problema de errores acumulativos típico de la generación de código con IA.
- Nivel: Intermedio
- Formato: Tutorial, unos 15 minutos de lectura
- Para quién es: Ingenieros de software que quieran integrar la IA a fondo en su desarrollo local y flujos de refactorización
20. Building with Gemini 3.1 Pro: Coding Agent Tutorial
Aquí es donde todo encaja en un flujo de trabajo de desarrollo moderno. Este tutorial te enseña a usar la CLI de Gemini, impulsada por el modelo de última generación Gemini 3.1 Pro, para construir una aplicación Next.js lista para producción desde cero. Cubrirás desde el prompting arquitectónico inicial hasta la creación de habilidades personalizadas, la gestión de memoria persistente y el despliegue en Vercel.
Destaca por su enorme componente práctico. No escribes scripts de juguete: utilizas un flujo agentic avanzado para encargarte de migraciones de base de datos, autenticación y tests unitarios. Es la demostración definitiva de cómo un desarrollador puede actuar como director técnico mientras un agente de IA asume el trabajo pesado.
- Nivel: Avanzado
- Formato: Tutorial, unos 20 minutos de lectura
- Para quién es: Desarrolladores que quieren dominar el desarrollo dirigido por IA construyendo aplicaciones full-stack con modelos de última generación
Building with Gemini 3.1 Pro: Coding Agent Tutorial
Cómo elegir el recurso de IA adecuado para empezar
La lista anterior está pensada para un principiante total que quiere entender a fondo la IA y cómo funciona, pero no todo el mundo parte del mismo punto. Aquí tienes una guía rápida de decisión.
- Si no tienes experiencia programando: Empieza con Introduction to AI for Work, AI Ethics y el AI Fundamentals skill track. No toques Python aún.
- Si sabes Python pero no estadística: Ve directo a Introduction to Statistics y luego a Foundations of Probability in Python.
- Si sabes Python y estadística: Salta al Machine Learning Fundamentals in Python skill track y al Associate Data Scientist in Python career track.
- Si quieres crear software con LLMs: Haz Developing AI Systems with the OpenAI API y, justo después, Retrieval-Augmented Generation (RAG) with LangChain.
- Si quieres construir sistemas autónomos: Tus siguientes pasos son el AI Agent Fundamentals skill track y el tutorial Introduction to the Model Context Protocol (MCP).
- Si eres ingeniero/a de software y quieres acelerar el desarrollo local: Lee los tutoriales de Claude Code y Building with Gemini 3.1 Pro: Coding Agent Tutorial para ver cómo integrar la IA en la CLI y en flujos full-stack.
- Si quieres entender cómo funcionan los LLMs por dentro: Necesitas el Deep Learning in Python skill track, en concreto el curso de Transformer Models.
- Si eres un perfil de negocio y solo quieres usar herramientas de IA: Introduction to AI for Work es el único curso que necesitas sí o sí.
Conclusión
Para la mayoría que empieza desde cero, la respuesta honesta es: comienza con el AI Fundamentals skill track y Introduction to Statistics, llévalos en paralelo y no te saltes las matemáticas. La tentación es saltar directo a construir aplicaciones RAG o agentes de IA; puedes hacerlo, pero te toparás con un techo pronto si no entiendes lo que pasa por debajo.
Un matiz importante: esta lista se centra en recursos de DataCamp, lo que implica una preferencia por el aprendizaje estructurado e interactivo frente a leer artículos de investigación o construir proyectos open source. Ambos son relevantes para una carrera a largo plazo en IA, pero son menos recomendables como punto de partida. Los recursos de aquí te dan la base para adentrarte en ese ecosistema más amplio.
Si quieres un único punto de partida que cubra el paisaje conceptual sin abrumarte, te recomiendo el AI Fundamentals skill track. Son 10 horas, no requiere programar y, al terminar, tendrás claro cuál es tu siguiente paso.
