Módulo 00 — BIENVENIDA¶

Bienvenido a AI Master Academy. Este módulo no enseña IA: enseña cómo vas a aprender IA durante las próximas 44 semanas. Sáltatelo y fracasarás en la semana 6. Complétalo y llegarás al final.

Índice¶

Introducción
Objetivos del módulo
Qué vas a conseguir al final de la academia
El método de estudio
Preparación del entorno de trabajo
Laboratorio 0: tu primer entorno funcionando
Mentalidad profesional
Errores comunes de los estudiantes
Checklist final
Preguntas frecuentes
Resumen

1. Introducción¶

Estás a punto de empezar un programa equivalente a un bootcamp profesional más una carrera universitaria. La diferencia con ambos es que aquí todo apunta a un resultado económico concreto: empleo senior, empresa propia o consultoría.

La IA es hoy la habilidad mejor pagada del mercado tecnológico, y a la vez la peor enseñada: sobra contenido superficial ("haz un chatbot en 5 minutos") y falta formación profunda (¿qué pasa dentro del modelo?, ¿cómo se despliega para 10.000 usuarios?, ¿cómo se cobra?). Esta academia existe para cerrar esa brecha.

¿Para quién es esto?¶

Perfil	¿Sirve?	Nota
Cero conocimientos de programación		Empezamos desde cero absoluto en el módulo 01
Programador que quiere pasarse a IA		Puedes acelerar el bloque A
Data scientist que quiere LLMs/agentes		Empieza en el módulo 04
Emprendedor no técnico		Prioriza la ruta "Fundador" del ROADMAP
Quien busca resultados en una semana		Esto es un maratón, no un truco

2. Objetivos¶

Al terminar este módulo serás capaz de:

[ ] Explicar el método de estudio de la academia y por qué funciona.
[ ] Tener instalado y verificado el entorno completo: Python, Node.js, Git, Docker, VS Code.
[ ] Tener cuentas creadas en los servicios que usaremos (GitHub, proveedor de LLM).
[ ] Haber ejecutado tu primer script y tu primer contenedor.
[ ] Tener un plan de estudio semanal realista y por escrito.

3. Qué vas a conseguir¶

flowchart TD
    A[Tú hoy] --> B[Bloque A: piensas como ingeniero]
    B --> C[Bloque B: construyes con LLMs]
    C --> D[Bloque C: despliegas productos reales]
    D --> E[Bloque D: dominas lo avanzado]
    E --> F[Bloque E: sabes venderlo]
    F --> G1[Empleo Senior AI Engineer]
    F --> G2[Tu empresa de IA]
    F --> G3[Consultoría independiente]

Y un portafolio con más de 20 proyectos desplegados y documentados — la lista completa está en el README principal.

4. El método de estudio¶

4.1 La regla 30/70¶

30 % teoría, 70 % práctica. Cada módulo tiene esta estructura y debes respetarla:

Fase	Qué haces	% del tiempo
1. Lectura activa	Lees el capítulo tomando notas a mano	20 %
2. Reproducción	Escribes y ejecutas TODO el código del capítulo (sin copiar-pegar)	25 %
3. Laboratorio	Sigues el laboratorio guiado paso a paso	25 %
4. Ejercicios	Resuelves los ejercicios sin mirar la solución	15 %
5. Proyecto	Construyes el proyecto del módulo	15 %

Advertencia

copiar-pegar código es la forma más eficaz de NO aprender. Escríbelo. Los errores de tipeo que cometas y depures son el aprendizaje real.

4.2 Repaso espaciado¶

El cerebro olvida el 70 % de lo aprendido en 7 días si no lo repasa. Solución:

Día 1: aprendes el concepto.
Día 2: lo repasas 10 minutos (tus notas, no el material).
Día 7: lo aplicas en un ejercicio nuevo.
Día 30: lo usas en un proyecto.

Consejo profesional

crea tus propias flashcards de cada módulo. La pregunta delante ("¿qué es un embedding?"), la respuesta detrás. 10 minutos diarios de flashcards valen más que 2 horas de relectura.

4.3 El diario de aprendizaje¶

Crea un archivo DIARIO.md en tu carpeta personal. Cada día de estudio escribe 3 líneas:

## 2026-07-03
- Aprendí: qué es la tokenización y por qué "fresa" confunde a los LLMs.
- Me costó: entender la diferencia entre parámetros y tokens.
- Construí: script que cuenta tokens de un texto con tiktoken.

Esto sirve para: (1) repaso espaciado, (2) material para tus futuras entrevistas, (3) contenido para tu LinkedIn (módulo 29).

4.4 Cómo usar la IA para estudiar IA¶

Sí, debes usar asistentes de IA (Claude, ChatGPT) mientras estudias. Pero con reglas:

Uso correcto	Uso incorrecto
"Explícame X con otra analogía"	"Hazme el ejercicio 3"
"¿Por qué mi código da este error?" (después de 15 min intentándolo)	Pegar el error sin haberlo leído
"Hazme 5 preguntas de examen sobre este tema"	Pedir el proyecto completo hecho
"Critica mi solución al ejercicio"	No intentar nada sin IA

5. Preparación del entorno¶

5.1 Hardware mínimo¶

Componente	Mínimo	Recomendado
RAM	8 GB	16–32 GB
Disco	50 GB libres (SSD)	200 GB SSD
CPU	4 núcleos	8+ núcleos
GPU	No necesaria (usamos APIs y cloud)	NVIDIA con 8+ GB VRAM solo para módulo 16
SO	Windows 10/11, macOS o Linux	Cualquiera; en Windows instalaremos WSL2

Nota

NO necesitas una GPU cara. El 90 % del trabajo profesional con IA usa APIs (Claude, OpenAI) o infraestructura cloud. El módulo 16 (LLMs open source) ofrece alternativas cloud si tu equipo no tiene GPU.

5.2 Software a instalar (en orden)¶

VS Code — editor principal. code.visualstudio.com
Git — control de versiones. git-scm.com
Python 3.12+ — vía python.org o uv (lo veremos en el módulo 01).
Node.js 22 LTS+ — nodejs.org
Docker Desktop — contenedores. docker.com
En Windows: WSL2 — subsistema Linux. wsl --install en PowerShell como administrador.

5.3 Cuentas a crear¶

Servicio	Para qué	Coste
GitHub	Tu portafolio y control de versiones	Gratis
Anthropic Console	API de Claude (módulos 04+)	Pago por uso (~5 USD bastan para empezar)
OpenAI Platform	API alternativa	Pago por uso
Hugging Face	Modelos y datasets	Gratis
Vercel	Despliegue frontend (módulo 12)	Gratis (hobby)
AWS	Cloud (módulo 11)	Capa gratuita

Advertencia sobre costes

configura límites de gasto en cada plataforma de API el mismo día que crees la cuenta (Anthropic y OpenAI lo permiten en Settings → Limits). Un bucle infinito llamando a una API sin límite puede costar cientos de dólares en una noche. Esto le ha pasado a miles de estudiantes.

5.4 Estructura de carpetas personal¶

Crea junto a esta academia tu carpeta de trabajo:

MI-TRABAJO/
├── DIARIO.md          # Tu diario de aprendizaje
├── notas/             # Notas por módulo
├── ejercicios/        # Tus soluciones
├── laboratorios/      # Tu código de los labs
└── proyectos/         # Tus proyectos (cada uno con su repo Git)

6. Laboratorio 0¶

Objetivo: verificar que todo el entorno funciona.

Paso 1 — Verifica las instalaciones¶

Abre una terminal y ejecuta cada comando. Todos deben responder con una versión:

python --version     # Python 3.12.x o superior
node --version       # v22.x o superior
git --version        # git version 2.x
docker --version     # Docker version 27.x o superior
code --version       # versión de VS Code

Paso 2 — Tu primer script de Python¶

Crea un archivo hola_ia.py:

# hola_ia.py — tu primer script de la academia
import sys                                    # módulo estándar para info del sistema
import platform                               # módulo para datos del SO

print("=" * 40)                               # imprime una línea separadora
print(" AI MASTER ACADEMY — Entorno OK")    # mensaje de bienvenida
print("=" * 40)
print(f"Python     : {sys.version.split()[0]}")   # versión de Python
print(f"Sistema    : {platform.system()}")        # Windows, Linux o Darwin (macOS)
print(f"Procesador : {platform.machine()}")       # arquitectura: AMD64, arm64...

Ejecútalo:

python hola_ia.py

Resultado esperado: el bloque con tu versión de Python y sistema operativo.

Paso 3 — Tu primer contenedor Docker¶

docker run hello-world

Resultado esperado: el mensaje Hello from Docker! que confirma que Docker descarga y ejecuta contenedores.

Paso 4 — Tu primer repositorio Git¶

git config --global user.name "Tu Nombre"
git config --global user.email "tu@email.com"
mkdir mi-primer-repo && cd mi-primer-repo
git init
echo "# Mi viaje en IA" > index.md
git add index.md
git commit -m "Primer commit de mi carrera en IA"

Resultado esperado: git log muestra tu primer commit.

Errores comunes del laboratorio¶

Error	Causa	Solución
`python: command not found`	Python no está en el PATH	Reinstala marcando "Add to PATH", o usa `py` en Windows
`docker: error during connect`	Docker Desktop no está arrancado	Abre Docker Desktop y espera al icono verde
`wsl --install` falla	Virtualización desactivada	Activa VT-x/AMD-V en la BIOS
VS Code no abre con `code`	Falta el shell command	En VS Code: Ctrl+Shift+P → "Shell Command: Install"

7. Mentalidad profesional¶

La frustración es el estado normal del ingeniero. Si nada te falla, no estás aprendiendo. La habilidad profesional número 1 es depurar con calma.
Termina lo que empiezas. Un proyecto al 100 % vale más que cinco al 60 %. Los reclutadores y clientes solo ven lo terminado.
Publica en público. Cada proyecto a GitHub. Cada aprendizaje importante, considera compartirlo en LinkedIn. Tu marca profesional empieza hoy, no cuando "estés listo".
El inglés técnico no es opcional. La documentación de vanguardia sale primero en inglés. Esta academia te lo da todo en español, pero acostúmbrate a leer docs oficiales en inglés desde el módulo 04.
No persigas cada novedad. Cada semana sale un modelo "revolucionario". Los fundamentos que aprenderás aquí (cómo funciona un transformer, cómo se diseña un RAG, cómo se evalúa un agente) sobreviven a todas las modas.

8. Errores comunes¶

#	Error	Consecuencia	Antídoto
1	Saltarse los fundamentos e ir directo a "agentes"	Sabes pegar código, no diseñar sistemas	Sigue el orden del roadmap
2	Ver el material como una serie de Netflix (solo leer)	Olvido total en 2 semanas	Regla 30/70
3	Copiar-pegar todo el código	Incapacidad de escribir código propio	Teclear siempre
4	No poner límites de gasto en las APIs	Factura sorpresa	Configúralos hoy
5	Estudiar 8 h el sábado y nada entre semana	Curva de olvido gana	Mejor 1–2 h diarias
6	No pedir ayuda / no usar comunidades	Bloqueos de días	15 min de intento → pregunta
7	Perfeccionismo en el proyecto 1	Nunca llegas al proyecto 2	Hecho > perfecto; itera

9. Checklist¶

Antes de pasar al módulo 01, verifica:

[ ] Python 3.12+, Node 22+, Git y Docker instalados y verificados
[ ] VS Code instalado con las extensiones de Python
[ ] Cuenta de GitHub creada y primer commit hecho
[ ] Cuenta en Anthropic u OpenAI creada con límite de gasto configurado
[ ] Laboratorio 0 completado (los 4 pasos)
[ ] Carpeta MI-TRABAJO/ creada con DIARIO.md
[ ] Horario semanal de estudio definido y por escrito (mínimo 10 h/semana)
[ ] ROADMAP.md leído y ruta elegida

10. FAQ¶

¿Necesito saber matemáticas? No para empezar. El módulo 01 enseña desde cero exactamente las matemáticas que se usan, con código en lugar de solo fórmulas.

¿Necesito saber inglés? Para seguir la academia, no. Para tu carrera, sí: empieza a leer documentación en inglés desde el bloque B. Es leer, no hablar: es más fácil de lo que crees.

¿Cuánto dinero necesito? Unos 10–30 USD/mes en créditos de API durante los bloques B–D. Todo lo demás tiene capa gratuita. Ninguna herramienta de pago es obligatoria.

¿Puedo estudiar solo los fines de semana? Puedes, pero rendirás menos por la curva del olvido. Mejor 5 sesiones de 2 h que 1 de 10 h.

¿Qué pasa si ya sé programar? Haz los ejercicios finales del módulo 01: si los apruebas todos, salta al módulo 02 (o al 04 si ya conoces ML clásico).

¿Sirve esto si solo quiero montar un negocio, no ser ingeniero? Sí. Sigue la ruta "Fundador" del roadmap. Pero entiende: los fundadores técnicos levantan productos 10 veces más rápido y baratos que los que dependen 100 % de terceros.

11. Resumen¶

Esta academia te lleva de cero absoluto a arquitecto senior en ~44 semanas con el programa completo.
El método es 30 % teoría, 70 % práctica, con repaso espaciado y diario de aprendizaje.
Tu entorno base: Python, Node.js, Git, Docker, VS Code — verificado en el Laboratorio 0.
Configura límites de gasto en las APIs hoy.
La constancia diaria le gana al atracón de fin de semana.

Anterior	Inicio	Siguiente
—	README	01-FUNDAMENTOS