Cómo aprender IA gratis: un método de 6 pasos
Sí se puede aprender IA gratis, y el material gratuito no es una versión recortada. fast.ai, la serie Neural Networks: Zero to Hero de Andrej Karpathy, el Machine Learning Crash Course de Google y los cursos de Hugging Face son los mismos recursos que asignan los programas de pago. Lo que el estudio gratuito no te da es estructura, una fecha límite y alguien que revise tu trabajo. Por eso el plan que sigue gasta casi todo su esfuerzo ahí, y no en buscar más contenido.
Paso 1: Decide qué capa de la IA vas a aprender
"Aprender IA" apunta a tres trabajos distintos, y el camino gratuito es diferente en cada uno.
Usar bien las herramientas de IA. Escribir prompts, evaluar la salida, meter modelos en tu flujo de trabajo. Semanas, no meses. Casi no necesitas matemáticas.
ML aplicado e ingeniería de LLM. Fine-tuning, recuperación de información, evaluación, llevar un modelo a un producto real. Aquí está la mayoría de los empleos. Necesitas Python, algo de álgebra lineal y mucha práctica con datos reales.
Investigación y trabajo desde cero. Leer papers, reimplementar arquitecturas, entender optimización. Aquí sí hacen falta las matemáticas, y es la ruta más lenta.
Elige una antes de abrir un solo curso. Tener cursos a medias de tres capas distintas es la forma más común de pasar seis meses y terminar sin poder construir nada. Si quieres la versión general de esta decisión, el método de 6 pasos para aprender IA sirve igual pagues o no. También conviene ordenar el vocabulario desde temprano, porque en el material para principiantes "entrenamiento" e "inferencia" se usan como sinónimos y no son lo mismo.
Paso 2: Cubre el piso de matemáticas y Python, no el techo
No necesitas una licenciatura en matemáticas. Necesitas un piso, y ese piso es más chico de lo que sugiere internet: vectores y multiplicación de matrices, derivadas y regla de la cadena, y probabilidad básica. Para trabajo aplicado, eso es más o menos todo.
Gratis y realmente bueno: las series Essence of Linear Algebra y Neural Networks de 3Blue1Brown en YouTube, y Khan Academy para cálculo y probabilidad. Las dos son gratuitas, sin cuenta de pago detrás.
Del lado del código, necesitas Python más NumPy y pandas al nivel de poder cargar un conjunto de datos, reacomodarlo y graficarlo sin buscar cada línea. Los microcursos de Kaggle Learn cubren exactamente eso en unas cuantas noches, gratis, desde el navegador.
No pases tres meses aquí. Las matemáticas que todavía no usaste en código no se fijan. Aprende el piso, sigue adelante, y regresa cuando un modelo falle y no sepas explicar por qué.
Paso 3: Termina un curso gratuito de principio a fin
Un curso terminado vale más que cuatro cursos probados. Esto es lo que de verdad es gratis, y para qué sirve cada uno:
| Recurso | Ideal para | Costo |
|---|---|---|
| fast.ai, Practical Deep Learning for Coders | Quien programa y quiere un modelo funcionando en la primera semana | Gratis, sin registro |
| Karpathy, Neural Networks: Zero to Hero | Ver qué pasa realmente dentro de un modelo | Gratis (YouTube) |
| Machine Learning Crash Course de Google | Introducción estructurada con ejercicios en el navegador | Gratis |
| Cursos de Hugging Face (NLP, LLM, agentes) | Transformers y modelos abiertos en la práctica | Gratis |
| Kaggle Learn y notebooks | Módulos cortos más horas de GPU gratis | Gratis |
| Dive into Deep Learning (d2l.ai) | Un libro completo con código ejecutable | Gratis en línea |
| Materiales de Stanford CS229 y CS231n | Profundidad, matemáticas, apuntes de clase | Gratis, videos públicos |
| Google Colab | Ejecutar código sin tener una GPU | Capa gratuita, con cuotas |
Los cursos de DeepLearning.AI en Coursera también se pueden tomar en modo oyente sin pagar. Los videos y las lecturas están abiertos; lo que cuesta es el certificado con calificación.
Elige por temperamento, no por prestigio. fast.ai arranca con un clasificador de imágenes funcionando y explica la teoría después. CS231n arranca con la teoría. Los dos funcionan, y en los hilos de aprendizaje de Reddit la gente discute esto sin parar, lo que sobre todo demuestra que el bueno es el que sí vas a terminar.
Paso 4: Reconstruye un sistema pequeño desde cero
Ver a alguien construir una red neuronal se siente igual que entender una red neuronal. No es la misma habilidad, y la diferencia aparece recién cuando te sientas frente a un archivo vacío.
Así que reconstruye una cosa sin seguir el video. Buenos objetivos gratuitos: micrograd de Karpathy (un motor de autograd en unas cien líneas), una regresión lineal ajustada con descenso de gradiente escrito por ti, un clasificador de texto sobre un conjunto de datos que te importe, o un sistema pequeño de recuperación sobre tus propios documentos. Después rómpelo a propósito. Sube la tasa de aprendizaje hasta que diverja. Quita la no linealidad y mira cómo el modelo colapsa en uno lineal. Los modos de falla enseñan más rápido que las corridas limpias.
Usa tus propios datos si te es posible. El conjunto del Titanic de otra persona es un tutorial; tus datos raspados, desordenados y mal etiquetados son el trabajo real.
Paso 5: Ponte a prueba en lugar de repetir el video
Este es el paso que se saltan quienes estudian gratis, y es el que tiene la evidencia más fuerte detrás.
En los experimentos de Roediger y Karpicke de 2006, los estudiantes que releyeron un texto salieron mejor en una prueba aplicada minutos después, pero una semana más tarde el grupo que había practicado recordar el material retuvo notablemente más. Releer se sentía más productivo y rendía menos. En la revisión de Dunlosky y colegas de 2013 sobre diez técnicas de estudio comunes, la práctica de recuperación y la práctica distribuida fueron las dos únicas calificadas como de alta utilidad. Subrayar y releer, las dos cosas que todos hacen, quedaron al fondo.
La versión gratuita es simple. Después de cada clase, cierra la pestaña y escribe lo que recuerdas antes de revisar. Convierte tus apuntes en preguntas en vez de resúmenes: "qué hace la regla de la cadena en la retropropagación" rinde más que una lista de viñetas con las mismas palabras. Separa los repasos a lo largo de varios días en lugar de meter un curso entero en un fin de semana. Si quieres la mecánica de convertir una página de apuntes en preguntas, convertir apuntes en examen de práctica lo explica.
Si prefieres no escribir las preguntas a mano, Qora las genera desde una foto de tus propios apuntes en iOS, aunque la versión completa es una suscripción de pago, así que es una comodidad y no parte del camino gratuito.
Dónde falla el aprendizaje gratuito
Lo gratis te da el material. No te da tres cosas, y fingir lo contrario cuesta meses.
Retroalimentación. Nadie lee tu código y te avisa que tu partición de validación tiene fuga de datos. Los foros de los cursos, los comentarios en Kaggle y los pull requests en proyectos abiertos son el sustituto gratuito más cercano, y exigen que publiques algo imperfecto en público.
Cómputo. Las horas gratuitas de GPU en Colab y Kaggle alcanzan para hacer fine-tuning de modelos pequeños y correr casi todos los notebooks de los cursos. No alcanzan para entrenar nada grande, y las cuotas se aprietan cuando hay mucha demanda.
Compromiso. Las tasas de finalización de los cursos abiertos en línea son notoriamente bajas. Un curso de pago a veces funciona solo porque lo pagaste. Reemplaza eso con un compromiso público: una bitácora semanal, alguien con quien estudiar, un repositorio con commits fechados.
El material gratuito también envejece rápido en la parte de LLM. Un tutorial de hace dos años puede usar una API de librería que ya no existe. Revisa la fecha de última actualización antes de invertirle una semana.
Preguntas frecuentes
¿De verdad se puede aprender IA gratis o hace falta un curso de pago?
Se puede aprender gratis. El material central de fast.ai, Stanford, Google, Hugging Face y Kaggle está abierto, y es el mismo contenido que enseñan los programas de pago. Lo que compra el dinero es estructura, mentoría y una credencial, no mejores explicaciones. Si puedes poner tu propia estructura, el camino gratuito no es un compromiso a la baja.
¿Cuánto tiempo toma aprender IA gratis?
Para usar herramientas de IA, unas semanas. Para ML aplicado a un nivel que te permita construir y publicar algo real, la mayoría necesita entre seis y doce meses de trabajo constante en medio tiempo. Quien te promete estar listo para trabajar en treinta días te está vendiendo algo. El tiempo hasta tu primer proyecto funcionando es mejor hito que el tiempo hasta "aprender IA".
¿Necesito saber matemáticas para aprender IA?
Para trabajo aplicado necesitas bases de álgebra lineal, derivadas y regla de la cadena, y probabilidad básica. Puedes empezar a programar antes de tenerlo todo y tapar huecos según aparezcan. Para investigación o para reimplementar papers necesitas bastante más, sobre todo optimización y estadística.
¿Sirven de mucho los certificados gratuitos de IA?
Por sí solos, no. Quien contrata en ML le da mucho más peso a un repositorio que pueda leer que a un certificado que cualquiera puede obtener. Usa los cursos gratuitos para armar dos o tres proyectos que puedas explicar a detalle, y toma cualquier certificado como un efecto secundario, no como la meta.
Aprender IA gratis no es un problema de encontrar el recurso correcto, porque los recursos gratuitos ya son mejores de lo que la mayoría va a terminar. Elige tu capa, cubre el piso de matemáticas, completa un curso de principio a fin, reconstruye algo pequeño sin tutorial y ponte a prueba en lugar de repetir el video. Empieza esta semana eligiendo un solo curso de la tabla de arriba y agendando tres sesiones. El plan solo falla en la parte donde nadie te está mirando.