{"id":26219523,"url":"https://github.com/suzdalenko-dev/ia","last_synced_at":"2026-01-28T07:36:30.064Z","repository":{"id":279206284,"uuid":"937764276","full_name":"suzdalenko-dev/ia","owner":"suzdalenko-dev","description":null,"archived":false,"fork":false,"pushed_at":"2025-02-24T10:35:42.000Z","size":6,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-02-24T11:37:16.331Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":"https://suzdalenko-dev.github.io/ia","language":"HTML","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/suzdalenko-dev.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2025-02-23T20:48:22.000Z","updated_at":"2025-02-24T10:35:46.000Z","dependencies_parsed_at":"2025-02-24T11:37:20.170Z","dependency_job_id":"8d57e862-2b54-4bdd-81c2-23c4a1fb1988","html_url":"https://github.com/suzdalenko-dev/ia","commit_stats":null,"previous_names":["suzdalenko-dev/ia"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/suzdalenko-dev%2Fia","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/suzdalenko-dev%2Fia/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/suzdalenko-dev%2Fia/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/suzdalenko-dev%2Fia/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/suzdalenko-dev","download_url":"https://codeload.github.com/suzdalenko-dev/ia/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":243230078,"owners_count":20257645,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":[],"created_at":"2025-03-12T14:18:29.416Z","updated_at":"2026-01-28T07:36:30.054Z","avatar_url":"https://github.com/suzdalenko-dev.png","language":"HTML","funding_links":[],"categories":[],"sub_categories":[],"readme":"# 📚 Roadmap Unificado IA + Matemáticas (2025)\n\n\u003e Objetivo: Convertirte en **profesional de IA en 12–15 meses**, con matemáticas sólidas y dominio de las **IAs más útiles hoy**:  \n\u003e ML clásico, Deep Learning, NLP, LLMs, Generative AI, Visión, Recomendadores, Forecasting y MLOps.  \n\u003e Resultado: **Portafolio con 10+ proyectos reales**, APIs en producción y un **motor de predicción de compras** con métricas de negocio.\n\n---\n\n# 🧮 Módulo 0 — Matemáticas esenciales (en paralelo, 1–2h/semana)\n\n### Álgebra lineal\n- **Qué**: vectores, matrices, normas, autovalores, SVD, PCA.  \n- **Usos**: embeddings, reducción de dimensión, visión.  \n- **Recursos**:  \n  - Libro: *Mathematics for Machine Learning*.  \n  - [3Blue1Brown — Álgebra lineal](https://www.3blue1brown.com/).  \n- **Entregable**: notebook con PCA desde cero.\n\n### Cálculo y optimización\n- **Qué**: gradientes, Jacobianos, descenso de gradiente, Adam.  \n- **Usos**: backprop, tuning de hiperparámetros.  \n- **Recursos**:  \n  - Artículo: *Matrix Calculus for Deep Learning*.  \n  - MIT OCW — *Multivariable Calculus*.  \n- **Entregable**: derivada de MSE y logística validada con autograd.\n\n### Probabilidad y estadística\n- **Qué**: distribuciones (Bernoulli, Normal, Poisson), Bayes, bootstrap.  \n- **Usos**: regresión logística, incertidumbre en forecast.  \n- **Recursos**: *Practical Statistics for Data Scientists*, [StatQuest](https://www.youtube.com/user/joshstarmer).  \n- **Entregable**: notebook con intervalos de confianza usando bootstrap.\n\n### Series temporales\n- **Qué**: autocorrelación, ARIMA, Holt-Winters.  \n- **Usos**: forecasting de demanda.  \n- **Recurso**: *Forecasting: Principles and Practice* (Hyndman).  \n\n---\n\n# 🔹 Módulo 1 — Fundamentos Python científico (1 mes)\n\n- **Semana 1–2**: Python avanzado, NumPy, Pandas.  \n  - Proyecto: calculadora matricial + EDA Titanic.  \n- **Semana 3**: Visualización (Matplotlib, Seaborn).  \n  - Proyecto: distribuciones de dataset real.  \n- **Semana 4**: Regresión lineal desde cero + scikit-learn.  \n  - Proyecto: predicción de precios (California Housing).  \n\n---\n\n# 🔹 Módulo 2 — Machine Learning clásico (2 meses)\n\n- **Semana 5–6**: Regresión logística, Árboles, Random Forest.  \n  - Proyecto: predicción de churn.  \n- **Semana 7**: KNN y SVM.  \n  - Proyecto: clasificador de dígitos.  \n- **Semana 8**: Clustering (K-means, DBSCAN), PCA.  \n  - Proyecto: segmentación de clientes.  \n- **Semana 9**: Gradient Boosting (XGBoost, LightGBM, CatBoost).  \n  - Proyecto: predicción de churn con boosting.  \n- **Semana 10**: Pipelines sklearn + MLflow.  \n  - Proyecto: predicción de precios de coches con pipeline completo.  \n\n---\n\n# 🔹 Módulo 3 — Deep Learning (3 meses)\n\n- **Semana 11**: MLP básico (PyTorch/Keras).  \n  - Proyecto: MNIST con MLP.  \n- **Semana 12**: Optimización (SGD, Adam), regularización (dropout, batchnorm).  \n  - Proyecto: comparar con/sin dropout.  \n- **Semana 13**: CNN.  \n  - Proyecto: Cats vs Dogs.  \n- **Semana 14**: Transfer Learning (ResNet, MobileNet).  \n  - Proyecto: clasificador de imágenes con modelo preentrenado.  \n- **Semana 15**: RNN y LSTM.  \n  - Proyecto: predicción de texto carácter a carácter.  \n- **Semana 16**: Word embeddings (Word2Vec, GloVe).  \n  - Proyecto: clasificador de reviews de Amazon.  \n- **Semana 17**: Transformers (BERT).  \n  - Proyecto: clasificación de texto con BERT.  \n- **Semana 18**: Proyecto integrador: Chatbot Django + Transformers.  \n\n---\n\n# 🔹 Módulo 4 — IA Generativa, NLP Avanzado y Forecasting (3 meses)\n\n- **Semana 19**: Prompt engineering + LangChain.  \n  - Proyecto: chatbot con prompts dinámicos.  \n- **Semana 20**: Fine-tuning ligero (LoRA, PEFT).  \n  - Proyecto: clasificador de documentos PDF.  \n- **Semana 21**: Stable Diffusion.  \n  - Proyecto: generador de logotipos.  \n- **Semana 22**: Text-to-SQL + búsqueda semántica (pgvector, FAISS).  \n  - Proyecto: buscador inteligente sobre BD.  \n- **Semana 23**: Forecast de demanda (ETS/ARIMA, walk-forward).  \n  - Proyecto: motor de predicción de compras.  \n- **Semana 24**: Integración Django + Vue + API IA.  \n  - Proyecto: dashboard interactivo.  \n\n---\n\n# 🔹 Módulo 5 — MLOps y Producción (3 meses)\n\n- **Semana 25**: Docker para ML.  \n  - Proyecto: contenedor reproducible.  \n- **Semana 26**: FastAPI + ONNX Runtime.  \n  - Proyecto: API de predicciones.  \n- **Semana 27**: Kubernetes (minikube/k3d).  \n  - Proyecto: despliegue cluster local.  \n- **Semana 28**: MLflow + DVC.  \n  - Proyecto: versionado de modelos.  \n- **Semana 29**: CI/CD con GitHub Actions.  \n  - Proyecto: pipeline automático.  \n- **Semana 30**: Proyecto final en Cloud (AWS/GCP/Azure).  \n  - Entrega: API IA escalable en producción.  \n\n---\n\n# 🤖 Tipos de IA que dominarás\n\n1. **ML clásico**: regresión, árboles, boosting.  \n2. **DL**: MLP, CNN, RNN.  \n3. **Transformers/LLMs**: BERT, GPT, LoRA.  \n4. **Generative AI**: Stable Diffusion, text-to-image.  \n5. **RAG**: Retrieval-Augmented Generation.  \n6. **Recomendadores**: embeddings, colaborativos.  \n7. **Forecasting**: ARIMA, Croston, Holt-Winters.  \n8. **MLOps**: Docker, FastAPI, K8s, MLflow, CI/CD.  \n\n---\n\n# 📂 Librerías y ecosistema (2025)\n\n- **Datos**: NumPy, pandas, Polars, DuckDB.  \n- **ML clásico**: scikit-learn, XGBoost, LightGBM, CatBoost.  \n- **DL**: PyTorch, TensorFlow/Keras, timm, TorchMetrics, Lightning.  \n- **Visión**: OpenCV, Albumentations, YOLO.  \n- **NLP/LLMs**: Hugging Face (Transformers, Datasets), spaCy, SentencePiece, vLLM, TGI, llama.cpp.  \n- **RAG**: FAISS, pgvector, Qdrant, LangChain, LlamaIndex.  \n- **Calidad/monitoreo**: Evidently, Great Expectations, Ragas, Langfuse.  \n- **Serving**: FastAPI, ONNX Runtime, NVIDIA Triton, BentoML.  \n- **MLOps**: MLflow, DVC, Prefect/Airflow, KServe.  \n- **Web/móvil**: Transformers.js, TensorFlow.js, TFLite, ML Kit.  \n\n---\n\n# 📘 Recursos recomendados\n\n- **Libros**  \n  - *Hands-On Machine Learning* (Géron).  \n  - *Deep Learning* (Goodfellow).  \n  - *Practical Statistics for Data Scientists*.  \n  - *Forecasting: Principles and Practice* (Hyndman).  \n\n- **Cursos**  \n  - Andrew Ng — *Machine Learning Specialization* (Coursera).  \n  - Hugging Face — *NLP with Transformers*.  \n  - Fast.ai — *Practical Deep Learning*.  \n\n- **YouTube**  \n  - [3Blue1Brown](https://www.3blue1brown.com/) (matemáticas visuales).  \n  - [StatQuest](https://www.youtube.com/user/joshstarmer) (ML y estadística clara).  \n  - [Sentdex](https://www.youtube.com/user/sentdex) (PyTorch práctico).  \n\n- **Repos**  \n  - [Scikit-learn examples](https://scikit-learn.org/stable/auto_examples/index.html).  \n  - [PyTorch tutorials](https://pytorch.org/tutorials/).  \n  - [Hugging Face Transformers](https://huggingface.co/docs/transformers/index).  \n  - [LangChain docs](https://python.langchain.com/).  \n\n---\n\n# ✅ Checklist de avance\n\n- [ ] Módulo 0 — Matemáticas esenciales.  \n- [ ] Módulo 1 — Fundamentos.  \n- [ ] Módulo 2 — ML clásico.  \n- [ ] Módulo 3 — Deep Learning.  \n- [ ] Módulo 4 — Generativa + Forecasting + NLP avanzado.  \n- [ ] Módulo 5 — MLOps.  \n- [ ] Proyecto final desplegado en Cloud.  \n\n---\n\n# 📌 Pro Tip\n\nEste README es tu **contrato de aprendizaje**:  \n- Cada semana entrega un **notebook + README del proyecto**.  \n- Sube *screenshots* y métricas a `/reports`.  \n- Documenta un **post-mortem** corto: qué aprendiste y qué mejorarás.\n\n---\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fsuzdalenko-dev%2Fia","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fsuzdalenko-dev%2Fia","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fsuzdalenko-dev%2Fia/lists"}