Cómo aprender Inteligencia Artificial desde cero: ruta 30/60/90 (sin perderte)

Resumen en 1 frase: si quieres aprender IA desde cero sin perderte, sigue una ruta en 3 etapas: fundamentos (30), práctica (60) y proyectos + portafolio (90).

Si buscas cómo aprender Inteligencia Artificial desde cero, el problema típico no es “falta de recursos”, sino falta de orden. Esta guía te da un plan 30/60/90 para avanzar con foco y medir progreso.

1) Ruta 30/60/90 en 30 segundos

• 30 días: conceptos + matemática mínima + Python básico + nociones de datos.
• 60 días: ML clásico con casos tabulares (regresión/clasificación/validación).
• 90 días: 2–3 proyectos de portafolio + despliegue simple + storytelling.

2) Qué necesitas (sin humo)

• Tiempo: 30–60 min al día (consistencia > intensidad).
• Herramientas: Tu lenguaje de programación principal será Python. Tu entorno de desarrollo (IDE) recomendado es Jupyter Notebooks. Para el control de versiones, usarás Git y GitHub. Las librerías de Data Science esenciales son: NumPy, Pandas, Matplotlib y Scikit-Learn.
• Enfoque: aprender a evaluar modelos (no solo entrenarlos).

3) Primeros 30 días: bases

Objetivo

Entender el mapa: qué es IA, qué es ML, qué es DL, y cómo se conectan con datos.

Checklist

• Python: variables, funciones, listas/dicts, lectura de CSV.
• NumPy + Pandas: arrays, DataFrames, limpieza y joins simples.
• Visualización: Matplotlib (y/o Seaborn) para explorar distribuciones y outliers.
• Datos: train/test, métricas básicas, leakage (intuición).
• Estadística mínima: media, varianza, correlación (concepto).

4) Días 31–60: ML práctico

Objetivo

Entrenar y evaluar modelos clásicos en problemas tabulares (los más comunes en negocio).

• Modelos con Scikit-Learn: regresión y clasificación (baseline), árboles y Random Forest.
• Validación de Modelos: técnicas de Cross-Validation (validación cruzada) y métricas de error para evitar el sobreajuste.
• Pipeline: preprocesado + modelo (evitar leakage).
• Interpretabilidad: importancia de variables; SHAP si aplica.

5) Días 61–90: proyectos y portafolio

Objetivo

Demostrar capacidad aplicando IA a problemas reales (y comunicándolo bien).

• Proyecto 1 (tabular): churn, scoring o forecasting simple.
• Proyecto 2 (texto): clasificación o búsqueda semántica con embeddings.
• Proyecto 3 (opcional): asistente con RAG sobre documentos.
• Despliegue (Demo): no dejes tu código en un notebook. Usa Streamlit o Gradio para convertir tu modelo en una app web interactiva en una tarde. Esto es lo que realmente impresiona a los reclutadores.
• Entrega: repositorio en GitHub + README claro, métricas, decisiones, limitaciones.

6) Errores comunes

• Creer que necesitas un PhD o saber C++ antes de empezar. El enfoque moderno es “code-first” (primero el código, luego la teoría profunda).
• Ir directo a DL/transformers sin dominar validación y métricas.
• Aprender solo teoría sin construir proyectos.
• No documentar (sin README ni explicación, el portafolio no “vende”).

FAQ

¿Necesito matemáticas avanzadas para empezar?

No. Empieza con lo esencial y sube el nivel a medida que tu práctica lo pida.

¿Cuándo paso a Deep Learning?

Cuando domines ML clásico + evaluación, o cuando tu problema sea texto/imagen/audio y lo justifique.