IA para Programadores

Curso 1 — Fundamentos comunes de IA para programadores

Módulo de nivelación para desarrolladores senior con experiencia de IA mínima o despareja. Introduce el lenguaje, los criterios y las herramientas que los cursos especializados de Salud e Imagen desarrollan en profundidad.

La prioridad es experimentar y explicar lo observado. No se pide implementar algoritmos, ciclos de entrenamiento, transformers, detectores ni RAG desde cero.

Clases

#	Notebook	Práctica principal	Prepara para
1	01_ecosistema_entorno_y_proyectos.ipynb	Diagnóstico y reglas frente a un árbol aprendido	Lenguaje común de ambos tracks
2	02_machine_learning_algoritmos_y_evaluacion.ipynb	Clasificación, regresión, splits y métricas	ML predictivo y evaluación
3	03_datos_multimodales_y_embeddings.ipynb	Texto, imagen, audio y ráster como representaciones	NLP, RAG, visión y multibanda
4	04_redes_neuronales_y_frameworks.ipynb	La misma MLP con PyTorch y Keras	Deep Learning de ambos tracks
5	05_vision_clasificacion_deteccion_segmentacion.ipynb	ResNet, YOLO nano, augmentation e IoU	Track Imagen: segmentación y evaluación
6	06_audio_nlp_y_transformers.ipynb	WAV, espectrograma, Whisper, attention y KV cache	Track Salud: clases 1–4
7	07_prompting_rag_y_agentes.ipynb	Mini-RAG local, JSON y herramienta simulada	Track Salud: clases 5–7
8	08_datos_geoespaciales_y_pipeline.ipynb	GeoTIFF, GeoJSON, NDVI y máscara de parcela	Track Imagen: GIS e índices espectrales

Cada clase sigue la misma secuencia: pregunta central, idea principal, glosario, explicación visual, experimento guiado, preguntas de interpretación, actividad aplicada de veinte a treinta minutos, síntesis y puente explícito al track correspondiente.

Alcance de la nivelación

Todos los conceptos importantes de los módulos siguientes aparecen al menos una vez, pero con datos controlados y modelos pequeños o preentrenados.

• El Track Salud profundizará ASR/TTS, NLP clínico, prompting avanzado, vector stores, reranking, agentes conectados a SQL y feature engineering clínico.
• El Track Imagen aplica esta base al análisis de imágenes de dron y satélite, datos GIS, índices espectrales y segmentación. U-Net, Mask R-CNN, SAM y las plataformas satelitales se estudian con profundidad introductoria.
• Este curso no busca autonomía técnica en cada especialidad: busca que los alumnos puedan reconocer cada componente, leer un pipeline y formular buenas preguntas antes de especializarse.

Preparación

Se requiere Python 3.12. Desde esta carpeta:

python3.12 -m venv .venv
# source .venv/bin/activate        # macOS / Linux
.venv\Scripts\activate         # Windows
python -m pip install --upgrade pip
python -m pip install -r requirements.txt
jupyter lab

Los notebooks están pensados para CPU y definen FAST_MODE = True. Después de preparar modelos, cada uno debe completar Run All en menos de cinco minutos en una computadora de desarrollo actual.

Modelos y descargas de los Cursos 1 y 2

Las clases 1 a 4 no necesitan APIs. La Clase 5 agrega OpenRouter como proveedor opcional para practicar prompting con un modelo remoto; requiere una cuenta y una variable de entorno OPENROUTER_API_KEY. También incluye un modo demo sin clave. La Clase 6 trabaja con un corpus local ficticio y no necesita servicios pagos ni APIs adicionales. La primera ejecución puede descargar:

• ResNet18 para embeddings y clasificación visual;
• YOLO nano para la demostración de detección;
• Whisper Tiny para ASR;
• all-MiniLM-L6-v2 para embeddings de texto;
• Qwen 2.5 Instruct 0.5B Q4 en GGUF para generación local (aproximadamente 500 MB).

El Curso 2 (Track Salud) agrega:

• Whisper Tiny para ASR (reutilizado del Curso 1);
• facebook/mms-tts-spa para síntesis de voz en español (aproximadamente 100 MB).

Los modelos quedan en las caches habituales de PyTorch, Hugging Face y Ultralytics.

Curso 2 — Track Salud: PLN, LLMs y ML Predictivo

Módulo especializado para desarrolladores asignados al Track Salud. Profundiza las capacidades de IA aplicadas a consultorios: asistentes conversacionales, predicción de necesidades de atención y automatización de procesos administrativos de bajo riesgo.

Clases

#	Notebook	Práctica principal	Prepara para
1	modulo_2/01_audio_espectrogramas_y_features.ipynb	Audio digital, espectrograma y features acústicas	ASR y análisis de llamadas
2	modulo_2/02_asr_whisper_y_tts.ipynb	Whisper (ASR) y MMS-TTS: pipeline voz→texto→voz	Asistentes conversacionales
3	modulo_2/03_nlp_clinico_tokenizacion_clasificacion_entidades.ipynb	Conceptos de tokenización y embeddings; métodos simples de clasificación y extracción de entidades	Texto transcrito → datos estructurados y revisión humana
4	(en desarrollo) Funcionamiento interno de LLMs	Atención, tokens y contexto	Prompting avanzado
5	modulo_2/05_prompting_avanzado_y_json.ipynb	Few-shot, razonamiento verificable y salidas JSON	Automatización administrativa
6	modulo_2/06_sistemas_rag.ipynb	Embeddings, búsqueda y reranking sobre un corpus ficticio	Consulta de manuales e historias
7	modulo_2/07_agentes_y_function_calling.ipynb	Agentes, function calling y consultas SQL a una base SQLite	Agentes conectados a datos
8	modulo_2/08_ml_predictivo_salud.ipynb	Clasificación/regresión y feature engineering clínico	Predicción de riesgo

Cada clase sigue la misma secuencia que el Curso 1: pregunta central, idea principal, glosario, explicación visual, experimento guiado, preguntas de interpretación, actividad aplicada de veinte a treinta minutos, síntesis y puente explícito al track.

Curso 3 — Track Imagen: segmentación, GIS y datos geoespaciales

Ocho clases de dos horas orientadas a comprender imágenes aéreas y convertirlas en información útil para proyectos agropecuarios. El caso conductor es un vuelo de dron sobre un lote real de Mendoza. Cada clase parte de una pregunta concreta, explica los conceptos necesarios y propone una observación o práctica breve.

El temario del Módulo 3 define el contenido de cada clase, las librerías de Python que se introducen y los recursos visuales disponibles. Las arquitecturas y plataformas avanzadas se presentan a nivel general para entender cuándo sirven y qué límites tienen.

Clases

#	Tema	Aplicación principal
1	Imágenes de dron y satélite	Píxel, cobertura, reflectancia, bandas y ortomosaicos; observación del vuelo de Mendoza.
2	Datos GIS en Python	Ráster, vectores, coordenadas y capas con Rasterio y GeoPandas.
3	Índices espectrales	Interpretación de NDVI y NDWI a partir de bandas y datos preparados.
4	Segmentación semántica y por instancia	Máscaras, etiquetas y panorama de U-Net y Mask R-CNN.
5	SAM y evaluación	Propuestas de máscaras, errores, IoU, F1 por clase y mAP.
6	Google Earth Engine y Sentinel Hub	Consulta de imágenes satelitales y comparación de escala con el dron.
7	Integración con bases de datos y GIS	Ubicación y revisión de resultados sobre capas del lote.
8	Flujo completo aplicado al agro	De la captura y el análisis a un mapa o reporte revisable.

Assets locales

• assets/audio/curso_ia_es.wav: voz sintética en español creada para este curso; WAV PCM mono, 16 kHz, sin datos personales.
• assets/geospatial/escena_multibanda.tif: escena sintética reproducible con bandas azul, verde, roja y NIR en EPSG:32720.
• assets/geospatial/parcela.geojson: parcela sintética dentro de la escena, con el mismo CRS.
• assets/geospatial/DCIM/: imágenes de un vuelo de dron sobre un lote real de Mendoza, con fotos visibles y bandas espectrales separadas.
• assets/images/: imágenes pequeñas para ResNet/YOLO, con procedencia, atribución y términos documentados en assets/images/README.md.