Tu hoja de ruta de aprendizaje de IA: 46 temas, en orden, uno por semana

Si quieres aprender IA en 2026 y no tienes idea por dónde empezar, esta página es para ti.

Internet está lleno de consejos sobre IA. La mayoría son:

1. Un discurso de venta para un curso de $2,000
2. Una lista de 100 enlaces sin ningún orden
3. Un libro de texto de nivel de doctorado que te asusta en la primera página
4. Un video promocional sobre AGI que no te dice nada práctico

No necesitas nada de eso. Necesitas una secuencia. Necesitas saber qué aprender primero, qué se construye sobre qué, qué puedes saltarte y qué tan profundo ir.

Este roadmap hace eso. Es el orden que recomiendo para aprender IA, desde principiante absoluto hasta alguien que puede construir y lanzar productos reales de IA. Cada tema tiene un artículo que se publicará aquí, uno por semana. Marca esta página. Vuelve a ella. Los enlaces se activarán a medida que se publiquen los artículos.

No se asumen requisitos previos. No se requiere título en Ciencias de la Computación. No hay pánico por las matemáticas.

Cómo funciona esto

Estas son las reglas básicas antes de empezar:

1. Haz los temas en orden. Cada uno se basa en el anterior. Saltar a los LLM en la primera semana es como intentar construir una casa empezando por el techo.
2. Un tema por semana es el ritmo. Eso te da tiempo para leer, programar y construir algo de verdad. Leer tutoriales de forma compulsiva no es aprender.
3. Haz el ejercicio práctico en cada artículo. Leer sobre redes neuronales sin escribir una es como leer sobre natación sin mojarte.
4. No necesitas llegar hasta el final. Si solo quieres alfabetización en IA, detente después de la Fase 3. Si quieres construir aplicaciones con LLM, continúa hasta la Fase 9. Tú decides.
5. Longitud total de la serie completa: ~107,000 palabras. Suena largo, pero es más corto que el libro de texto promedio, y cada artículo se sostiene por sí solo.

Las 12 fases, de un vistazo

Hay 12 fases, agrupadas desde principiante total hasta profesional listo para producción. Aquí está el panorama general antes de sumergirnos.

Fase

Área temática

Quién la necesita

Artículos

0

Mentalidad y orientación

Todos

3

1

Requisitos previos (Python, matemáticas, librerías)

Todos los que quieran construir

4

2

Datos (obtención, limpieza, EDA)

Todos los que quieran construir

5

3

Aprendizaje automático clásico

Todos

6

4

Fundamentos de aprendizaje profundo

Cualquiera que vaya más allá del ML clásico

5

5

Arquitecturas neuronales centrales (CNN, RNN, Transformers)

Cualquiera que construya con DL

3

6

NLP y LLMs

La mayoría de las personas en 2026

5

7

Más dominios de DL (visión, modelos generativos, habla, RL)

Elige los que sean relevantes para ti

4

8

Agentes de IA y aplicaciones del mundo real

Constructores

3

9

MLOps y producción

Cualquiera que lance productos reales

4

10

IA responsable y panorama general

Todos

4

11

Mantenerse actualizado y especializarse

Crecimiento a largo plazo

5

No necesitas hacer cada tema en las Fases 7-11. Después de la Fase 6 puedes ramificarte. Pero las Fases 0-6 son el núcleo.

Los 3 proyectos hitos

En tres puntos del camino, construirás un proyecto real que integre todo lo aprendido hasta ese momento. Estas son tus piezas de portafolio.

Hito

Cuándo lo alcanzas

Qué construyes

Hito 1

Fin de la Fase 3

Pipeline completo de ML tabular (limpieza de datos + EDA + modelo clásico) - p. ej., predictor de supervivencia del Titanic o modelo de precio de viviendas

Hito 2

Fin de la Fase 5

Una red neuronal entrenada desde cero en PyTorch - ya sea un clasificador de imágenes (CNN) o un clasificador de texto

Hito 3

Fin de la Fase 9

Un chatbot RAG potenciado por LLM desplegado con backend FastAPI y una interfaz de usuario simple, en vivo en internet

Si completas estos tres proyectos, ya no estás "aprendiendo IA". Puedes hacer IA.

Fase por fase, artículo por artículo

A continuación está la lista completa. Cada artículo se enlazará aquí cuando se publique. Marca esta página y vuelve cada semana.

Fase 0: Mentalidad y orientación (Empieza aquí)

Semanas 1-3. Todos empiezan aquí, sin excepciones. Aquí es donde matamos el hype, definimos términos y establecemos expectativas.

1. Semana 1: IA, ML, DL, IA Generativa, AGI: Por fin, una guía que los distingue - ya disponible
2. Semana 2: [¿Deberías aprender IA en 2026? La respuesta honesta, según quién eres] [próximamente]
3. Semana 3: [Cómo aprender IA sin perder un año en el infierno de los tutoriales] [próximamente]

Fase 1: Requisitos previos (La base que realmente necesitas)

Semanas 4-7. No aprenderás IA sin Python. Pero no necesitas todo Python. Cubriremos exactamente el subconjunto que necesitas, las matemáticas que realmente usarás y las tres librerías que lo desbloquean todo.

1. Semana 4: Tu primera semana de Python: El único subconjunto que necesitas antes de tocar la IA [próximamente]
2. Semana 5: NumPy, Pandas, Matplotlib: Las tres librerías que desbloquean cada proyecto de IA [próximamente]
3. Semana 6: Las matemáticas que realmente necesitas para la IA - Explicadas como si nunca hubieras tomado un curso de cálculo [próximamente]
4. Semana 7: Antes de elegir un modelo, aprende a hacer la pregunta correcta [próximamente]

Fase 2: Datos - El combustible de la IA

Semanas 8-12. El 80% del trabajo en IA es trabajo con datos. Esta es la fase que la mayoría de los cursos omiten, y es la razón por la que sus estudiantes fracasan en proyectos reales.

1. Semana 8: Los datos son el nuevo petróleo - pero la mayoría de los principiantes no saben cómo se ven realmente [próximamente]
2. Semana 9: Dónde obtener datos reales para tus proyectos de IA (sin pagar un centavo) [próximamente]
3. Semana 10: Por qué la limpieza de datos consume el 80% del tiempo de un ingeniero de IA - y cómo hacerlo bien [próximamente]
4. Semana 11: Análisis exploratorio de datos: El paso que te dice si tu proyecto siquiera funcionará [próximamente]
5. Semana 12: Ingeniería de características: El arte de convertir datos brutos en algo de lo que un modelo realmente pueda aprender [próximamente]

Fase 3: Aprendizaje automático clásico

Semanas 13-18. Antes del aprendizaje profundo estaba el ML, y la mayoría de la IA de producción en el mundo real sigue siendo ML clásico. No puedes saltarte esto. Si lo haces, no entenderás por qué el aprendizaje profundo es especial, ni cuándo no usarlo.

1. Semana 13: ¿Cómo "aprende" realmente una máquina? La idea central detrás de cada modelo de IA [próximamente]
2. Semana 14: Tu primer modelo de aprendizaje automático: Regresión lineal, explicada línea por línea [próximamente]
3. Semana 15: Clasificando el mundo: Regresión logística y las métricas que no mienten [próximamente]
4. Semana 16: La caja de herramientas del ML clásico: 5 algoritmos que todo profesional de IA debería conocer de memoria [próximamente]
5. Semana 17: Por qué los modelos que votan juntos ganan juntos: Random Forests, XGBoost y el poder de los ensembles [próximamente]
6. Semana 18: Sesgo, varianza y por qué tu modelo está haciendo trampa en secreto en el conjunto de prueba [próximamente]

🏁 Tiempo del proyecto Hito 1. Construye un pipeline completo de ML tabular de principio a fin.

Fase 4: Fundamentos de aprendizaje profundo

Semanas 19-23. Ahora vamos a profundizar. Empezaremos desde una sola neurona, construiremos hasta redes neuronales completas y aprenderemos por qué funcionan, por qué fallan y cómo hacer que entrenen correctamente.

1. Semana 19: Por qué el aprendizaje profundo lo cambió todo - y cuándo deberías seguir usando ML clásico en su lugar [próximamente]
2. Semana 20: Redes neuronales explicadas sin una sola ecuación (bueno, casi) [próximamente]
3. Semana 21: Retropropagación: El truco de cálculo que enseña a cada red neuronal [próximamente]
4. Semana 22: Construye tu primera red neuronal este fin de semana - en 50 líneas de PyTorch [próximamente]
5. Semana 23: Por qué tu red neuronal no entrenará - y los 7 trucos que arreglan casi todo [próximamente]

Fase 5: Arquitecturas centrales de redes neuronales

Semanas 24-26. Las tres grandes familias de arquitecturas: CNN para visión, RNN para secuencias históricas y Transformers - el invento que lo cambió todo en 2017 y potencia cada LLM moderno.

1. Semana 24: Cómo las computadoras aprendieron a ver: Una guía visual de las redes neuronales convolucionales [próximamente]
2. Semana 25: La arquitectura que intentó entender el lenguaje - y por qué casi funcionó: RNN y LSTM [próximamente]
3. Semana 26: La atención es todo lo que necesitas: El artículo de 2017 que reescribió la IA - explicado en español claro [próximamente]

🏁 Tiempo del proyecto Hito 2. Entrena una CNN o un Transformer pequeño desde cero en PyTorch.

Fase 6: Procesamiento de lenguaje natural y LLMs

Semanas 27-31. Esta es la fase que a todos les importa en 2026. Iremos desde conteo de palabras hasta construir tu propio chatbot RAG.

1. Semana 27: Enseñando a las máquinas a leer: De bolsa de palabras a embeddings de palabras [próximamente]
2. Semana 28: Antes de los Transformers: Cómo las LSTM dieron a las máquinas una memoria (efímera) para el lenguaje [próximamente]
3. Semana 29: BERT, GPT y el árbol genealógico de los Transformers: Quién hace qué y por qué [próximamente]
4. Semana 30: No necesitas entrenar GPT-4 para usarlo: Una guía práctica de Hugging Face [próximamente]
5. Semana 31: Dentro de un LLM: Cómo funcionan realmente los modelos a escala de chat, desde el preentrenamiento hasta RLHF [próximamente]

Fase 7: Más dominios de aprendizaje profundo

Semanas 32-35. Elige los que te importen. No necesitas los cuatro.

1. Semana 32: Más allá de 'gato o perro': Detección de objetos, segmentación y cómo los Vision Transformers ven el mundo [próximamente]
2. Semana 33: Del ruido al arte: Un recorrido por la IA generativa - Autoencoders, GANs y la revolución de la difusión [próximamente]
3. Semana 34: Cómo oyen las máquinas: De espectrogramas a Whisper, la IA que transcribe todo [próximamente]
4. Semana 35: Aprendiendo por ensayo y error: Aprendizaje por refuerzo de Q-Tables a PPO [próximamente]

Fase 8: Agentes de IA y aplicaciones avanzadas

Semanas 36-38. La frontera actual en 2026: agentes que usan herramientas, planifican y actúan en el mundo.

1. Semana 36: La próxima ola de IA: Qué son los agentes, cómo usan herramientas y cómo construir uno esta tarde [próximamente]
2. Semana 37: Dónde la IA está marcando realmente la diferencia ahora mismo: Salud, finanzas, ciencia y la frontera del mundo real [próximamente]
3. Semana 38: Cuando la IA ve, oye y lee al mismo tiempo: El auge de los modelos multimodales [próximamente]

Fase 9: Producción, herramientas y MLOps

Semanas 39-42. La fase que separa a los seguidores de tutoriales de las personas que realmente lanzan productos de IA. La mayoría de los cursos en línea omiten esto por completo.

1. Semana 39: Tu modelo en un notebook no es un producto: Lo que realmente se necesita para lanzar IA [próximamente]
2. Semana 40: MLOps sin las palabras de moda empresariales: Versionado, seguimiento y reproducibilidad para el resto de nosotros [próximamente]
3. Semana 41: Cómo desplegar un modelo de IA para usuarios reales (sin agotarte con DevOps) [próximamente]
4. Semana 42: De RAG a producción: Construyendo aplicaciones reales con LLM que no te avergüencen [próximamente]

🏁 Tiempo del proyecto Hito 3. Despliega tu chatbot RAG en vivo.

Fase 10: IA responsable y el panorama general

Semanas 43-46. La IA no es solo código. Toca el mundo real. Necesitas entender el sesgo, la seguridad, la explicabilidad y el contexto más amplio.

1. Semana 43: Tu modelo tiene opiniones: Sesgo, equidad y por qué los 'buenos datos' nunca son suficientes [próximamente]
2. Semana 44: Creando IA que no rompa cosas: Seguridad, alineación y el problema más difícil en la IA hoy [próximamente]
3. Semana 45: El problema de la caja negra: Cómo explicar las decisiones de la IA cuando el modelo mismo no lo sabe [próximamente]
4. Semana 46: La IA y el resto del mundo: Trabajos, creatividad, clima y las preguntas que ningún tutorial responderá [próximamente]

Fase 11: Mantenerse actualizado y profundizar

Semanas 47+. Aprender IA no termina. Después de las 46 semanas principales, así es como sigues creciendo.

1. Cómo leer un artículo de IA sin un doctorado (y entenderlo realmente) [próximamente]
2. El portafolio de IA que realmente te consigue entrevistas (no proyectos de juguete que nadie lee) [próximamente]
3. No estás aprendiendo IA solo: Las comunidades, conferencias y rincones de internet que vale la pena unirse [próximamente]
4. No puedes aprender toda la IA - Así es como eliges una especialización que te quede bien [próximamente]
5. La única habilidad de IA que no quedará obsoleta en 5 años: Aprender a aprender [próximamente]

Estimaciones de tiempo aproximadas

Esto no es una carrera. La tabla a continuación te da plazos realistas dependiendo de cuánto tiempo tengas.

Compromiso de tiempo por semana

Tiempo para terminar el núcleo (Fases 0-6)

Tiempo para terminar las 11 fases

5-10 horas (proyecto secundario serio)

~6 meses

~1 año

10-15 horas (dedicado)

~4 meses

~8 meses

30+ horas (tiempo completo)

~6 semanas

~3 meses

La consistencia vence al atracón. 30 minutos al día, todos los días, es mejor que 8 horas el domingo y nada el resto de la semana.

Lo que podrás hacer al final

Si completas las fases principales (0-6) más la Fase 9, podrás:

• Distinguir entre IA real y marketing de hype
• Escribir código Python para análisis de datos y ML
• Limpiar, explorar y preparar conjuntos de datos del mundo real
• Construir, entrenar, evaluar y ajustar modelos clásicos de ML
• Entender cómo funcionan las redes neuronales y los Transformers
• Ajustar modelos de lenguaje preentrenados para tus propias tareas
• Construir chatbots RAG sobre tus propios documentos
• Desplegar modelos como APIs con FastAPI
• Lanzar productos funcionales de IA
• Leer noticias y artículos de IA con ojo crítico
• Saber lo que no sabes

Eso es suficiente para conseguir un trabajo como ingeniero junior de ML/IA, construir herramientas útiles de IA para tu trabajo actual, o continuar hacia la investigación si te interesa.

Cómo usar esta página

1. Márcala. Este es tu índice de contenido.
2. Empieza con la Semana 1. No te saltes.
3. Vuelve cada semana. Los nuevos artículos se publican cada semana. Los enlaces aparecerán arriba.
4. Haz los ejercicios. Leer no es aprender.
5. Construye los tres proyectos hitos. Son tu prueba de que realmente puedes hacer esto.

Si alguna vez te sientes perdido, vuelve aquí. El camino no cambia. Las herramientas irán y vendrán (nuevos frameworks, nuevos modelos, nuevas startups), pero los fundamentos de este roadmap seguirán siendo lo que importe dentro de cinco años.

Nos vemos en la Semana 1.

🔔 Mantente a la vanguardia en IA

Si estás siguiendo este roadmap y quieres recibir herramientas prácticas de IA cada semana mientras aprendes, suscríbete al boletín gratuito ByteBuilders. Cada edición te ofrece:

• Más de 1000 prompts de IA que puedes copiar y usar hoy
• Herramientas prácticas de IA, probadas y explicadas
• Flujos de trabajo de automatización que te ahorran horas
• Casos de uso de productividad para el trabajo y el aprendizaje
• Recursos seleccionados de IA para mantener tus habilidades afiladas

Únete a miles de constructores y estudiantes que siguen este roadmap:

++Suscríbete gratis a ByteBuilders →++