Portal formativo · Nivel principiante

Acceso a la inteligencia artificial

Vamos a estudiar, paso a paso, qué ocurre dentro de un modelo de aprendizaje automático, por qué una red neuronal aprende y cómo interactuar con un LLM sin obtener respuestas inútiles. Sin fórmulas avanzadas: primero el mecanismo, después la herramienta.

El recorrido empieza en la introducción al aprendizaje automático y continúa con los conceptos clave de las redes neuronales.

Empezar el módulo 1 Sobre el portal

Qué cubre este recorrido, en cifras

Módulos base

Aprendizaje automático, redes neuronales y trabajo con modelos de lenguaje. En este orden, porque cada uno depende del anterior.

Conceptos definidos

Desde «parámetro» hasta «temperatura» y «ventana de contexto». Cada término se explica con un ejemplo de uso real, no con una metáfora.

Requisitos previos

No hace falta programar ni saber cálculo. Sí hace falta leer con atención y aceptar que el resultado de un modelo es siempre probabilístico.

Contenidos del portal

Cada sección es autónoma, pero están pensadas para leerse en secuencia: primero el mecanismo general, luego el modelo concreto y al final las reglas de uso responsable.

Módulo 1

Introducción al aprendizaje automático

Qué significa «aprender» para una máquina: datos de entrada, función de pérdida y ajuste de parámetros. Explicamos la diferencia entre entrenamiento e inferencia.

Leer el módulo

Módulo 2

Redes neuronales: conceptos clave

Capas, pesos, funciones de activación y retropropagación. Veremos por qué una red profunda puede representar relaciones que una regla manual nunca cubriría.

Leer el módulo

Módulo 3

Buenas prácticas con modelos LLM

Cómo redactar una instrucción verificable, cómo acotar el contexto y por qué conviene pedir fuentes. También tratamos las alucinaciones y su verificación.

Leer el módulo

Aplicación

Ejemplos prácticos de IA

Casos resueltos de clasificación, resumen de documentos y extracción de datos. Cada ejemplo indica qué se pidió al modelo y qué se corrigió a mano.

Ver ejemplos

Portal

Sobre el portal

Quién elabora los materiales, con qué criterio se revisan y cómo se actualizan cuando cambian los modelos disponibles en el mercado.

Conocer el proyecto

Normativa

Privacidad y cookies

Qué datos se registran al navegar por el portal, con qué finalidad y durante cuánto tiempo. Lectura breve y sin ambigüedades.

Leer la política

Lección introductoria

Por qué un modelo no «sabe» nada

Conviene empezar por aquí, porque casi todos los malentendidos vienen de una idea equivocada. Un modelo de lenguaje no consulta una base de datos de hechos: calcula la continuación más probable de un texto, token a token. Dicho de otra forma, ajusta una distribución de probabilidad sobre el siguiente fragmento de palabra y elige. Esto explica dos cosas al mismo tiempo: por qué redacta con fluidez y por qué puede afirmar con total seguridad algo que es falso.

Durante el entrenamiento, el sistema recibe millones de ejemplos y compara su predicción con la respuesta correcta. La diferencia entre ambas se mide con una función de pérdida, y el algoritmo de retropropagación reparte esa culpa por los parámetros internos, ajustándolos una fracción hacia la dirección que reduce el error. Repetido miles de millones de veces, el resultado es un conjunto de pesos que codifica regularidades estadísticas del lenguaje. No hay reglas escritas a mano ni definiciones almacenadas.

Por eso el trabajo del usuario no termina al escribir la pregunta. La calidad de la respuesta depende directamente de la calidad del contexto suministrado. Si aportamos datos concretos, criterios de formato y un límite claro, el modelo tiene menos margen para inventar. Si preguntamos de forma vaga, el sistema rellenará los huecos con lo estadísticamente verosímil. Es un mecanismo, no una intención.

Cómo aprovechar este portal

Lee el módulo de aprendizaje automático completo antes de pasar a las redes neuronales: los términos se construyen unos sobre otros.
Al terminar cada módulo, formula una pregunta propia y comprueba si la respuesta del modelo se sostiene con lo explicado.
Aplica las buenas prácticas con modelos LLM en cualquier herramienta que utilices, no solo en las que aparecen como ejemplo.

Glosario mínimo de trabajo

Cinco términos que aparecen en cualquier conversación técnica sobre IA. Los definimos con precisión porque una definición imprecisa produce después instrucciones imprecisas.

Término	Definición	Por qué importa
Parámetro	Valor numérico interno que el modelo ajusta durante el entrenamiento.	Es lo que realmente se almacena: el «conocimiento» del modelo son sus pesos.
Token	Fragmento de texto (palabra, sílaba o signo) que el modelo procesa como unidad.	Explica los límites de longitud y el coste de una petición.
Ventana de contexto	Cantidad máxima de tokens que el modelo puede considerar en una sola interacción.	Fuera de ella, la información deja de existir para el sistema.
Temperatura	Parámetro que controla cuánta aleatoriedad se aplica al elegir el siguiente token.	A 0 la salida es casi determinista; a 1, más variada y menos predecible.
Alucinación	Respuesta fluida y bien formada que resulta fácticamente incorrecta.	Obliga a verificar todo dato crítico contra una fuente externa.

Si quieres ver estos términos aplicados, el módulo de ejemplos prácticos de IA muestra peticiones reales con su resultado y la corrección posterior.

Empieza por el primer módulo

Son tres lecturas y un glosario. Al terminarlas sabrás qué mide un modelo, cómo se entrena una red neuronal y cómo redactar instrucciones que puedas verificar. Todo el material está disponible sin registro.

Ir a la introducción al ML Conocer el portal