# Iaparagentecuriosa

> Index del curso "Inteligencia Artificial para Gente Curiosa" de 686h6c61 — 12 fascículos, 113 capítulos, 34 cuadernos Colab, 1105 términos glosario. Incluye mapeo URL, estructura y metodología de extracción de skills.

- Skill: `ntizar/iaparagentecuriosa` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add ntizar/iaparagentecuriosa`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ntizar/iaparagentecuriosa/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ntizar (https://skillmd.com/u/ntizar)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/ntizar/iaparagentecuriosa

---


# IA para Gente Curiosa — Index del Curso

## Qué es

Curso completo de IA en español (CC BY 4.0 + MIT) por 686h6c61. 12 fascículos, 113 capítulos, 34 cuadernos ejecutables en Colab, 1105 términos de glosario.

**URL base:** `https://www.iaparagentecuriosa.686f6c61.dev/`

## Estructura del curso

### 12 Fascículos

| # | Título | Caps | Cuadernos | URL base |
|---|--------|------|-----------|----------|
| F01 | Los cimientos | 11 | 3 | `/fasciculo-01/` |
| F02 | Inteligencia clásica | 16 | 4 | `/fasciculo-02/` |
| F03 | Arquitecturas y modelos | 7 | 4 | `/fasciculo-03/` |
| F04 | La caja de herramientas | 11 | 2 | `/fasciculo-04/` |
| F05 | Agentes y orquestación | 12 | 3 | `/fasciculo-05/` |
| F06 | Construir y operar | 10 | 2 | `/fasciculo-06/` |
| F07 | Evaluar, calibrar e interpretar | 6 | 2 | `/fasciculo-07/` |
| F08 | La ciencia de los datos | 8 | 2 | `/fasciculo-08/` |
| F09 | Seguridad, privacidad y gobernanza | 5 | 2 | `/fasciculo-09/` |
| F10 | Aprendizaje por refuerzo | 8 | 2 | `/fasciculo-10/` |
| F11 | IA multimodal | 12 | 2 | `/fasciculo-11/` |
| F12 | Lógica e incertidumbre | 7 | 6 | `/fasciculo-12/` |

### Capítulos F01 — Los cimientos (11)
1. Qué es y qué no es la IA
2. Sistemas deterministas frente a sistemas probabilísticos
3. Los cinco principios
4. La neurona artificial
5. Redes neuronales: capas y arquitectura
6. Retropropagación
7. Funciones de pérdida y optimizadores
8. CNNs y RNNs
9. Tokens y embeddings
10. Entrenamiento frente a inferencia
11. Machine learning clásico

### Capítulos F02 — Inteligencia clásica (16)
1. Búsqueda como espacio de estados
2. BFS, DFS, UCS e IDS
3. Greedy, A* y heurísticas
4. Agentes modernos
5. SAT y CSP
6. Variables, dominios y restricciones
7. Propagación, backtracking y heurísticas en CSP
8. Restricciones como guardrails
9. Planificación automática
10. Planificación heurística, SAT y agentes LLM
11. Juegos: decidir con otros actores
12. Conocimiento simbólico

### Capítulos F03 — Arquitecturas y modelos (7)
1. Qué es un LLM: modelo, parámetros y escala
2. Transformer: de texto a tensores y atención
3. Q, K, V, máscara causal y softmax
4. MLP, residual, LayerNorm, logits y sampling
5. Arquitecturas modernas: familias, MoE, razonamiento y multimodalidad
6. Transfer learning, destilación y modelos abiertos
7. Inferencia optimizada, edge AI y hardware

### Capítulos F04 — La caja de herramientas (11)
1. Elegir la intervención correcta
2. APIs: mensajes, eventos y contratos
3. Tokens, contexto y caché
4. Model cards y elección de modelos
5. Local, cuantización y dependencia operativa
6. Embeddings y búsqueda semántica
7. Bases vectoriales y búsqueda híbrida
8. RAG básico: evidencia antes que respuesta
9. Evaluar RAG y no fiarse de la demo
10. Agentic RAG y GraphRAG: complicar con permiso
11. Text-to-SQL y herramientas de datos

### Capítulos F05 — Agentes y orquestación (12)
*(Extraer de `/fasciculo-05/`)*

### Capítulos F06 — Construir y operar (10)
*(Extraer de `/fasciculo-06/`)*

### Capítulos F07 — Evaluar, calibrar e interpretar (6)
*(Extraer de `/fasciculo-07/`)*

### Capítulos F08 — La ciencia de los datos (8)
*(Extraer de `/fasciculo-08/`)*

### Capítulos F09 — Seguridad, privacidad y gobernanza (5)
*(Extraer de `/fasciculo-09/`)*

### Capítulos F10 — Aprendizaje por refuerzo (8)
*(Extraer de `/fasciculo-10/`)*

### Capítulos F11 — IA multimodal (12)
*(Extraer de `/fasciculo-11/`)*

### Capítulos F12 — Lógica e incertidumbre (7)
*(Extraer de `/fasciculo-12/`)*

## 34 Cuadernos de Colab

Todos están en `/cuadernos/`. Se abren en Google Colab sin instalar nada.

1. Una red neuronal a mano, con NumPy
2. Entrenamiento vs inferencia: el sobreajuste, en directo
3. Machine learning clásico que decide de verdad
4. Buscar en un mapa: BFS, DFS, coste uniforme y A*
5. Sudoku como CSP: fuerza bruta frente a propagación
6. Planificar de verdad: el mundo de bloques
7. Decidir contra alguien: minimax y poda alfa-beta
8. Atención a mano: Q, K, V y la máscara causal
9. Cómo elige palabras un LLM: temperatura, top-k y top-p
10. Cuantización: cómo cabe un modelo gigante en tu portátil
11. Un mini-GPT desde cero: constrúyelo y míralo pensar
12. Tokens, contexto y coste: la factura de un LLM
13. Salidas estructuradas: que el modelo rellene tu formulario
14. Un agente ReAct mínimo, paso a paso
15. Function calling: el contrato entre el modelo y tus herramientas
16. El bucle con verificador: optimizar código probando, midiendo y quedándote con lo mejor
17. Observabilidad: la caja negra que sí puedes mirar
18. Routing, fallback y presupuesto: el modelo adecuado para cada tarea
19. El coste del error: dónde poner el umbral
20. Calibración: cuando el modelo dice «90%», ¿es un 90%?
21. Leakage: cómo te engañas sin querer
22. Slices y sesgo: el promedio miente
23. Minimizar y anonimizar: tratar datos personales con cabeza
24. Inyección de prompt: cuando el dato te da órdenes
25. Aprender a decidir: MDP, Bellman y un mundo de casillas
26. Explorar o explotar: el dilema de los bandidos
27. De píxeles a patches: cómo una imagen entra en un Transformer
28. Buscar imágenes por su contenido: el germen de la búsqueda multimodal
29. Lógica y resolución: razonar con reglas, no con datos
30. Bayes y redes bayesianas: razonar con probabilidades
31. Lógica difusa: cuando «verdadero» y «falso» no bastan
32. Sistemas expertos: encadenamiento hacia delante y hacia atrás
33. Razonamiento causal: correlación no es causa
34. Razonamiento no monótono: retractarse cuando llega un dato nuevo

## Recursos complementarios

- **Glosario:** `/glosario/` — 1105 términos con enlace al capítulo donde se explica
- **Aprende con TEO:** `/aprende-con-teo/` — Mini-cursos prácticos paso a paso
- **Bricoman(IA):** `/bricomania/` — Artículos técnicos reproducibles (taller: "Radiografiar un LLM capa a capa con la Jacobian lens")
- **Licencia:** CC BY 4.0 (texto) + MIT (código y cuadernos)

## Extracción de skills — Metodología

Este curso puede convertirse en skills de Hermes mediante:

1. **Scraping estructural:** `python scrape_iaparagentecuriosa_final.py` desde `/root/workspace/`
2. **Extraer capítulos:** buscar h2 numerados (`^(\d+)\.\s+(.+)$`)
3. **Extraer cuadernos:** buscar bloques `<article>` con h4 + párrafos
4. **Generar skills:** 1-3 skills por fascículo, accionables y específicas
5. **Guardar:** `agent/skills/iaparagentecuriosa/`

### Cron automatizado
Job `3d5c484ead60` — ejecuta 12 ticks (uno por fascículo) a las 10:00 UTC diarios. Cada tick procesa un fascículo y crea 1-3 skills.

### HTML estructurado del curso
El sitio usa un patrón consistente por fascículo:
- `h1` = título del fascículo
- `h2` numerados = capítulos reales
- Dentro de cada capítulo: subsecciones "Cómo funciona", "Por qué debería importarte", "Dónde solía tropezar yo", "Vocabulario aprendido", "Antes de pasar página"
- Los cuadernos se vinculan desde la recapitulación de cada fascículo
- El glosario usa `<dt>/<dd>` para términos/definiciones

## Scripts

- `scripts/scrape-iaparagentecuriosa.py` — Scraping estructural: extrae fascículos, capítulos, cuadernos y glosario. Output: `/root/workspace/iaparagentecuriosa_final.json`.

## Datos escrapados

Archivo de referencia: `/root/workspace/iaparagentecuriosa_final.json`
Contiene: 12 fascículos con capítulos numerados, 34 cuadernos con descripciones, muestra de glosario.

## Rutas de lectura recomendadas

- **Desde cero:** F01 → F02 → F03
- **Construir con LLM:** F04 → F05 → F06
- **Agentes en producción:** F05 → F06 → F09
- **Ingeniería de datos:** F08 → F04 → F07
- **Evaluar y gobernar:** F07 → F09
- **RL:** F10 (inmersión)
- **Multimodal:** F11 (inmersión)