https://github.com/suzdalenko-dev/ia

https://github.com/suzdalenko-dev/ia

Last synced: about 1 month ago
JSON representation

• Host: GitHub
• URL: https://github.com/suzdalenko-dev/ia
• Owner: suzdalenko-dev
• Created: 2025-02-23T20:48:22.000Z (about 1 year ago)
• Default Branch: main
• Last Pushed: 2025-02-24T10:35:42.000Z (about 1 year ago)
• Last Synced: 2025-02-24T11:37:16.331Z (about 1 year ago)
• Language: HTML
• Homepage: https://suzdalenko-dev.github.io/ia
• Size: 5.86 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# 📚 Roadmap Unificado IA + Matemáticas (2025)

> Objetivo: Convertirte en **profesional de IA en 12–15 meses**, con matemáticas sólidas y dominio de las **IAs más útiles hoy**:  

> ML clásico, Deep Learning, NLP, LLMs, Generative AI, Visión, Recomendadores, Forecasting y MLOps.  

> Resultado: **Portafolio con 10+ proyectos reales**, APIs en producción y un **motor de predicción de compras** con métricas de negocio.

---

# 🧮 Módulo 0 — Matemáticas esenciales (en paralelo, 1–2h/semana)

### Álgebra lineal

- **Qué**: vectores, matrices, normas, autovalores, SVD, PCA.  

- **Usos**: embeddings, reducción de dimensión, visión.  

- **Recursos**:  

  - Libro: *Mathematics for Machine Learning*.  

  - [3Blue1Brown — Álgebra lineal](https://www.3blue1brown.com/).  

- **Entregable**: notebook con PCA desde cero.

### Cálculo y optimización

- **Qué**: gradientes, Jacobianos, descenso de gradiente, Adam.  

- **Usos**: backprop, tuning de hiperparámetros.  

- **Recursos**:  

  - Artículo: *Matrix Calculus for Deep Learning*.  

  - MIT OCW — *Multivariable Calculus*.  

- **Entregable**: derivada de MSE y logística validada con autograd.

### Probabilidad y estadística

- **Qué**: distribuciones (Bernoulli, Normal, Poisson), Bayes, bootstrap.  

- **Usos**: regresión logística, incertidumbre en forecast.  

- **Recursos**: *Practical Statistics for Data Scientists*, [StatQuest](https://www.youtube.com/user/joshstarmer).  

- **Entregable**: notebook con intervalos de confianza usando bootstrap.

### Series temporales

- **Qué**: autocorrelación, ARIMA, Holt-Winters.  

- **Usos**: forecasting de demanda.  

- **Recurso**: *Forecasting: Principles and Practice* (Hyndman).  

---

# 🔹 Módulo 1 — Fundamentos Python científico (1 mes)

- **Semana 1–2**: Python avanzado, NumPy, Pandas.  

  - Proyecto: calculadora matricial + EDA Titanic.  

- **Semana 3**: Visualización (Matplotlib, Seaborn).  

  - Proyecto: distribuciones de dataset real.  

- **Semana 4**: Regresión lineal desde cero + scikit-learn.  

  - Proyecto: predicción de precios (California Housing).  

---

# 🔹 Módulo 2 — Machine Learning clásico (2 meses)

- **Semana 5–6**: Regresión logística, Árboles, Random Forest.  

  - Proyecto: predicción de churn.  

- **Semana 7**: KNN y SVM.  

  - Proyecto: clasificador de dígitos.  

- **Semana 8**: Clustering (K-means, DBSCAN), PCA.  

  - Proyecto: segmentación de clientes.  

- **Semana 9**: Gradient Boosting (XGBoost, LightGBM, CatBoost).  

  - Proyecto: predicción de churn con boosting.  

- **Semana 10**: Pipelines sklearn + MLflow.  

  - Proyecto: predicción de precios de coches con pipeline completo.  

---

# 🔹 Módulo 3 — Deep Learning (3 meses)

- **Semana 11**: MLP básico (PyTorch/Keras).  

  - Proyecto: MNIST con MLP.  

- **Semana 12**: Optimización (SGD, Adam), regularización (dropout, batchnorm).  

  - Proyecto: comparar con/sin dropout.  

- **Semana 13**: CNN.  

  - Proyecto: Cats vs Dogs.  

- **Semana 14**: Transfer Learning (ResNet, MobileNet).  

  - Proyecto: clasificador de imágenes con modelo preentrenado.  

- **Semana 15**: RNN y LSTM.  

  - Proyecto: predicción de texto carácter a carácter.  

- **Semana 16**: Word embeddings (Word2Vec, GloVe).  

  - Proyecto: clasificador de reviews de Amazon.  

- **Semana 17**: Transformers (BERT).  

  - Proyecto: clasificación de texto con BERT.  

- **Semana 18**: Proyecto integrador: Chatbot Django + Transformers.  

---

# 🔹 Módulo 4 — IA Generativa, NLP Avanzado y Forecasting (3 meses)

- **Semana 19**: Prompt engineering + LangChain.  

  - Proyecto: chatbot con prompts dinámicos.  

- **Semana 20**: Fine-tuning ligero (LoRA, PEFT).  

  - Proyecto: clasificador de documentos PDF.  

- **Semana 21**: Stable Diffusion.  

  - Proyecto: generador de logotipos.  

- **Semana 22**: Text-to-SQL + búsqueda semántica (pgvector, FAISS).  

  - Proyecto: buscador inteligente sobre BD.  

- **Semana 23**: Forecast de demanda (ETS/ARIMA, walk-forward).  

  - Proyecto: motor de predicción de compras.  

- **Semana 24**: Integración Django + Vue + API IA.  

  - Proyecto: dashboard interactivo.  

---

# 🔹 Módulo 5 — MLOps y Producción (3 meses)

- **Semana 25**: Docker para ML.  

  - Proyecto: contenedor reproducible.  

- **Semana 26**: FastAPI + ONNX Runtime.  

  - Proyecto: API de predicciones.  

- **Semana 27**: Kubernetes (minikube/k3d).  

  - Proyecto: despliegue cluster local.  

- **Semana 28**: MLflow + DVC.  

  - Proyecto: versionado de modelos.  

- **Semana 29**: CI/CD con GitHub Actions.  

  - Proyecto: pipeline automático.  

- **Semana 30**: Proyecto final en Cloud (AWS/GCP/Azure).  

  - Entrega: API IA escalable en producción.  

---

# 🤖 Tipos de IA que dominarás

1. **ML clásico**: regresión, árboles, boosting.  

2. **DL**: MLP, CNN, RNN.  

3. **Transformers/LLMs**: BERT, GPT, LoRA.  

4. **Generative AI**: Stable Diffusion, text-to-image.  

5. **RAG**: Retrieval-Augmented Generation.  

6. **Recomendadores**: embeddings, colaborativos.  

7. **Forecasting**: ARIMA, Croston, Holt-Winters.  

8. **MLOps**: Docker, FastAPI, K8s, MLflow, CI/CD.  

---

# 📂 Librerías y ecosistema (2025)

- **Datos**: NumPy, pandas, Polars, DuckDB.  

- **ML clásico**: scikit-learn, XGBoost, LightGBM, CatBoost.  

- **DL**: PyTorch, TensorFlow/Keras, timm, TorchMetrics, Lightning.  

- **Visión**: OpenCV, Albumentations, YOLO.  

- **NLP/LLMs**: Hugging Face (Transformers, Datasets), spaCy, SentencePiece, vLLM, TGI, llama.cpp.  

- **RAG**: FAISS, pgvector, Qdrant, LangChain, LlamaIndex.  

- **Calidad/monitoreo**: Evidently, Great Expectations, Ragas, Langfuse.  

- **Serving**: FastAPI, ONNX Runtime, NVIDIA Triton, BentoML.  

- **MLOps**: MLflow, DVC, Prefect/Airflow, KServe.  

- **Web/móvil**: Transformers.js, TensorFlow.js, TFLite, ML Kit.  

---

# 📘 Recursos recomendados

- **Libros**  

  - *Hands-On Machine Learning* (Géron).  

  - *Deep Learning* (Goodfellow).  

  - *Practical Statistics for Data Scientists*.  

  - *Forecasting: Principles and Practice* (Hyndman).  

- **Cursos**  

  - Andrew Ng — *Machine Learning Specialization* (Coursera).  

  - Hugging Face — *NLP with Transformers*.  

  - Fast.ai — *Practical Deep Learning*.  

- **YouTube**  

  - [3Blue1Brown](https://www.3blue1brown.com/) (matemáticas visuales).  

  - [StatQuest](https://www.youtube.com/user/joshstarmer) (ML y estadística clara).  

  - [Sentdex](https://www.youtube.com/user/sentdex) (PyTorch práctico).  

- **Repos**  

  - [Scikit-learn examples](https://scikit-learn.org/stable/auto_examples/index.html).  

  - [PyTorch tutorials](https://pytorch.org/tutorials/).  

  - [Hugging Face Transformers](https://huggingface.co/docs/transformers/index).  

  - [LangChain docs](https://python.langchain.com/).  

---

# ✅ Checklist de avance

- [ ] Módulo 0 — Matemáticas esenciales.  

- [ ] Módulo 1 — Fundamentos.  

- [ ] Módulo 2 — ML clásico.  

- [ ] Módulo 3 — Deep Learning.  

- [ ] Módulo 4 — Generativa + Forecasting + NLP avanzado.  

- [ ] Módulo 5 — MLOps.  

- [ ] Proyecto final desplegado en Cloud.  

---

# 📌 Pro Tip

Este README es tu **contrato de aprendizaje**:  

- Cada semana entrega un **notebook + README del proyecto**.  

- Sube *screenshots* y métricas a `/reports`.  

- Documenta un **post-mortem** corto: qué aprendiste y qué mejorarás.

---