Sistema de estudio + laboratorio

Construí una IA.
Entendé cada capa.

Una ruta rigurosa para pasar de los fundamentos a un modelo de lenguaje pequeño entrenado por vos. Sin cajas negras, sin saltos mágicos y con evidencia en cada decisión.

Entrar a la academia Ver el mapa completo
4módulos
Ruta activa disponible
9lecciones
Explicación y práctica
0cuentas
Progreso local y privado
modelo_mental.py
CICLO BASE
datos = texto limpio y separado
modelo = parámetros ajustables
experimento = hipótesis medible

while not aprendido:

predicción = modelo(entrada)

error = medir(predicción, objetivo)

parámetros = ajustar(error)

# observar → medir → aprender → repetir

// ciclo de experimentación

El trabajo serio en IA avanza por ciclos de evidencia.

Una corrida no termina cuando el modelo deja de entrenar. Termina cuando comparás el resultado, entendés los errores y usás esa evidencia para decidir la siguiente pregunta.

CICLO / 001

De una pregunta concreta a una decisión documentada.

Repetible · comparable · auditable

01

Formular

Hipótesis y criterio

Definí qué cambio esperás, con qué métrica lo vas a observar y qué resultado justificaría continuar.

02

Preparar

Datos y particiones

Versioná el conjunto de datos y fijá train, validación y test antes de mirar resultados.

03

Referenciar

Baseline medible

Registrá una solución simple, su calidad y su costo. Sin referencia, una mejora es solo una impresión.

04

Diseñar

Una variable por vez

Elegí el cambio mínimo que aísle la hipótesis. Si todo cambia, no vas a saber qué produjo el resultado.

05

Ejecutar

Corrida reproducible

Guardá configuración, semilla, commit, métricas, recursos y checkpoints para poder repetir la evidencia.

06

Interpretar

Evaluación y errores

Compará contra el baseline en datos no vistos y analizá dónde mejora, dónde falla y a qué costo.

07

Decidir

Aprender y reformular

Adoptá, descartá o ajustá el cambio. Documentá lo aprendido y convertí la evidencia en otra pregunta.

Volvé al inicio: la decisión no cierra el trabajo; mejora la hipótesis de la próxima vuelta.

// recorrido dentro de la academia

Aprendé y practicá en una ruta que sí podés recorrer.

Los módulos disponibles son los mismos que encontrás en tu campus. Cada uno reúne lecturas, prácticas autocorregibles, experiencia y un criterio concreto para desbloquear el siguiente.

Disponible ahora

Tu ruta activa

El progreso se lee directamente desde este navegador.

Abrir mi campus
01

Fundamentos del aprendizaje

Disponible

Construí el modelo mental antes de escribir redes.

30 min 220 XP2 lecciones
0 de 2 completadas0%
  1. 01Cómo aprende un modelo12m
  2. 02Tensores y dimensiones18m
Comenzar módulo
02

Matemática para entrenar

Bloqueado

Entendé las operaciones que convierten error en aprendizaje.

118 min 750 XP5 lecciones
0 de 5 completadas0%
  1. 01Vectores y producto punto20m
  2. 02Logits, probabilidades y softmax22m
  3. 03Pérdida y entropía cruzada24m
  4. 04Gradientes y regla de la cadena28m
  5. 05Learning rate y descenso por gradiente24m
Completá el módulo anterior para desbloquear estas prácticas.
03

Texto como datos

Bloqueado

De caracteres y palabras a secuencias numéricas.

20 min 140 XP1 lección
0 de 1 completadas0%
  1. 01Tokens y vocabulario20m
Completá el módulo anterior para desbloquear estas prácticas.
04

Arquitectura Transformer

Bloqueado

Attention, causalidad y generación paso a paso.

25 min 180 XP1 lección
0 de 1 completadas0%
  1. 01Attention: intuición primero25m
Completá el módulo anterior para desbloquear estas prácticas.

Hoja de ruta

Próximas capacidades para aprender y practicar

Todavía no forman parte de la ruta activa. Se publicarán como módulos completos, con explicación, práctica interactiva, desafío y evidencia de dominio.

Sin fechas artificiales: se habilitan cuando el contenido está listo.
+01 Planificado

Python

Python y pensamiento científico

Pasar de escribir aplicaciones a diseñar experimentos reproducibles.

  • Python moderno: funciones, clases, tipos y módulos
  • Entornos, dependencias y notebooks
  • NumPy: arrays, shapes, broadcasting y vectorización

Desafío previsto

Implementar estadísticas simples y operaciones de matrices sin copiar soluciones.

+02 Planificado

ML clásico

Machine learning clásico

Aprender el método experimental antes de sumar redes profundas.

  • Train, validation y test
  • Generalización, overfitting y regularización
  • Baselines, métricas y fuga de datos

Desafío previsto

Resolver un problema pequeño con baseline, métrica y comparación de experimentos.

+03 Planificado

PyTorch

Redes neuronales con PyTorch

Dominar el ciclo completo de entrenamiento y depuración.

  • Tensores, autograd y dispositivos
  • Dataset, DataLoader y batches
  • Capas, activaciones e inicialización

Desafío previsto

Construir un MLP y escribir el training loop explícitamente.

+04 Planificado

Model Lab

Muga Model Lab

Convertir conocimiento en un sistema propio, medible y reproducible.

  • Configuración versionada de experimentos
  • Tracking de métricas y artefactos
  • Ablations: cambiar una variable por vez

Desafío previsto

Entrenar variantes pequeñas, comparar resultados y registrar decisiones.

// convertir estudio en trabajo

Tu laboratorio debe recordar lo que vos aprendés.

Código, datos, configuración, resultados y conclusiones forman una sola unidad. Si falta una pieza, el experimento no es reproducible.

Estructura objetivo de muga-model-lab

muga-model-lab/
├── configs/        # parámetros de cada corrida
├── data/           # datos crudos, procesados y splits
├── notebooks/      # exploración, no lógica final
├── src/
│   ├── data/       # carga y tokenización
│   ├── models/     # arquitecturas
│   ├── training/   # entrenamiento
│   └── evaluation/ # métricas y análisis
├── tests/          # comportamiento verificable
├── artifacts/      # checkpoints y muestras
├── reports/        # conclusiones de experimentos
└── CHANGELOG.md

Hacé esto

  • • Empezá con un baseline mínimo.
  • • Cambiá una variable por vez.
  • • Guardá semillas y configuración.
  • • Escribí la conclusión antes de seguir.

Evitá esto

  • • Copiar una arquitectura sin entenderla.
  • • Evaluar sobre datos de entrenamiento.
  • • Cambiar cinco cosas juntas.
  • • Elegir ejemplos por intuición.

Qué medir siempre

Pérdida train/val
Para detectar aprendizaje y sobreajuste.
Perplejidad
Para comparar modelos de lenguaje similares.
Tiempo por step
Para medir el costo real de una idea.
VRAM máxima
Para saber si el experimento escala.
Parámetros
Para comparar capacidad con justicia.
Muestras fijas
Para observar cambios cualitativos.

Alcance realista

Una RTX 3090 es excelente para aprender, entrenar modelos pequeños y hacer fine-tuning eficiente. No alcanza para reproducir modelos de frontera desde cero. El objetivo es dominar el sistema completo a una escala que puedas inspeccionar.

Primer hito: entrenar un modelo por caracteres sobre un corpus pequeño, generar texto, guardar un checkpoint y explicar por qué la pérdida bajó.

// lenguaje compartido

Glosario esencial.

Volvé a estas definiciones cada vez que una explicación use palabras complejas para ocultar una idea simple.

Tensor
Contenedor multidimensional de números; la estructura base de los cálculos.
Parámetro
Número interno que el entrenamiento ajusta para mejorar predicciones.
Token
Unidad de texto representada por un identificador numérico.
Embedding
Vector aprendido que representa un token en un espacio continuo.
Logit
Puntaje sin normalizar que el modelo asigna a una salida posible.
Pérdida
Número que resume cuánto difiere la predicción del objetivo.
Gradiente
Indica cómo cambia la pérdida al modificar cada parámetro.
Batch
Grupo de ejemplos procesados antes de actualizar los parámetros.
Epoch
Una pasada completa por el conjunto de entrenamiento.
Inferencia
Uso del modelo entrenado para producir predicciones o texto.
Overfitting
El modelo memoriza entrenamiento y falla al generalizar.
Checkpoint
Estado guardado del modelo, optimizador y progreso.
// biblioteca mínima

Fuentes para estudiar, no para coleccionar.

Elegí un recurso principal por etapa. Leé, implementá una idea y escribí qué entendiste antes de abrir el siguiente.

Fundamentos

Python Tutorial

Python Docs

Sintaxis, estructuras, módulos y clases desde la fuente oficial.

Cálculo numérico

NumPy Learn

NumPy

Arrays, operaciones vectorizadas y material de aprendizaje curado.

Redes neuronales

Deep Learning

Goodfellow et al.

Referencia profunda; usar por capítulos, no leer de corrido al inicio.

Implementación

PyTorch Tutorials

PyTorch

Flujo de tensores, datasets, entrenamiento y guardado.

Transformers

Attention Is All You Need

arXiv

Leer después de implementar attention simple y entender sus shapes.

Curso práctico

Neural Networks: Zero to Hero

Andrej Karpathy

Construcción gradual de modelos de lenguaje desde los fundamentos.