ALaI

Inteligencia artificial, sin humo

Artificializando
la Inteligencia

Una mirada rigurosa y cercana para comprender cómo aprende una máquina, desde los fundamentos hasta la IA generativa.

Obtener el libro Ver el índice Cómo citar
  • 336 páginas
  • IA práctica
  • Deep Learning moderno
  • Actualizado para 2026
Portada del libro Artificializando la Inteligencia

Por qué este libro

Una guía para artificializar la inteligencia.

La Inteligencia Artificial se ha convertido en un término ampliamente difundido, pasando de ser un concepto propio del ámbito informático y académico a convertirse en un tema de discusión cotidiano en la ronda de mate.

Sin embargo, ¿qué significa “Inteligencia Artificial”? Algunos quizás poseen una idea bien formada; otros, tal vez, se enfrentan a una diversidad de enfoques y aplicaciones que hacen difícil discernir qué camino tomar para satisfacer esa curiosidad por aprender.

En este libro el lector será guiado a través de los principales conceptos que estructuran el campo de la Inteligencia Artificial. El recorrido abarca desde los enfoques clásicos y los algoritmos genéticos hasta los primeros modelos basados en el perceptrón, incorporando nociones fundamentales de ciencia de datos, optimización y evaluación de modelos.

Sobre estas bases, se construye una introducción al Aprendizaje Automático y al Aprendizaje Profundo, transitando modelos como las redes de Hopfield, la regla de Oja y los mapas autoorganizados de Kohonen, hacia arquitecturas más complejas, como las Redes Convolucionales, los Autoencoders y las Redes Generativas Adversariales, hasta llegar a enfoques modernos como los Transformers.

Asimismo, veremos la aplicación de estos conceptos en contextos de la industria e invitaremos a reflexionar sobre los desafíos y limitaciones que presentan hasta los modelos más complejos. De este modo, el lector podrá transitar el puente entre los fundamentos teóricos y los sistemas que hoy definen el estado del arte, en un camino atravesado por una pregunta fundamental: ¿hasta dónde hemos llegado en nuestra búsqueda por artificializar la inteligencia?

Dentro del libro

De los fundamentos
al estado del arte.

Un recorrido progresivo para entender las ideas, la matemática y las decisiones de implementación que sostienen la inteligencia artificial actual.

ILos iniciosCapítulos 1–2
  1. 1 Introducción19
  2. 1.1 ¿Qué es la inteligencia?19
  3. 1.2 Los orígenes20
  4. 1.2.1 El Simbolismo21
  5. 1.2.2 Nos Vemos en Dartmouth21
  6. 1.2.3 El procesamiento del lenguaje23
  7. 1.2.4 GPS, General Problem Solver23
  8. 1.2.5 Informática en Acción24
  9. 1.2.6 El enfoque evolutivo24
  10. 1.2.7 Sistemas Expertos25
  11. 1.2.8 El abordaje Conexionista25
  12. 1.2.9 Aprendizaje Automático26
  13. 1.2.10 Aprendizaje Profundo27
  14. 1.2.11 La Inteligencia Artificial en la Argentina27
  15. 1.3 Definición de Inteligencia29
  16. 2 Conceptos Preliminares33
  17. 2.1 Generales33
  18. 2.1.1 Matriz de datos33
  19. 2.1.2 Características34
  20. 2.1.3 Aprendizaje y Generalización34
  21. 2.1.4 Nomenclatura34
  22. 2.1.5 Métodos de aprendizaje35
  23. 2.1.6 Las cuatro tareas35
  24. 2.2 Un pelín de Álgebra36
  25. 2.2.1 Combinación Lineal36
  26. 2.2.2 Proyección36
  27. 2.2.3 Plano36
  28. 2.2.4 Matriz Ortonormal37
  29. 2.2.5 Autovalores y Autovectores38
  30. 2.2.6 Regularización41
  31. 2.3 Teoría de la Información42
  32. 2.4 Quiero más47
IIAlgoritmos de búsquedaCapítulos 3–4
  1. 3 Inteligencia Artificial Clásica51
  2. 3.1 Agente51
  3. 3.1.1 Ambientes52
  4. 3.1.2 Conceptos Principales53
  5. 3.2 La importancia de la búsqueda54
  6. 3.3 Métodos de Búsqueda54
  7. 3.3.1 Eficiencia57
  8. 3.3.2 Estrategias de Búsqueda57
  9. 3.3.3 Representación del Problema57
  10. 3.4 Métodos de Búsqueda Desinformados59
  11. 3.4.1 Breadth First Search60
  12. 3.4.2 Uniform Cost Search60
  13. 3.4.3 Depth First Search60
  14. 3.4.4 Estados repetidos y Backtracking61
  15. 3.5 Métodos de Búsqueda Informados62
  16. 3.5.1 Local Greedy Search62
  17. 3.5.2 A*65
  18. 3.5.3 Iterative Deepening A*65
  19. 3.5.4 Heuristic Path Planning65
  20. 3.5.5 Ejemplo de juego: Sokoban66
  21. 3.6 Algoritmos de Mejoramiento Iterativo67
  22. 3.6.1 Hill Climbing67
  23. 3.6.2 Simulated Annealing69
  24. 3.6.3 Beam Search70
  25. 4 Algoritmos Genéticos71
  26. 4.1 Definiciones Evolutivas71
  27. 4.2 Crossover76
  28. 4.2.1 Cruce de un punto77
  29. 4.2.2 Cruce de dos puntos77
  30. 4.2.3 Cruce anular77
  31. 4.2.4 Cruce uniforme77
  32. 4.3 Mutación77
  33. 4.3.1 Generando generaciones78
  34. 4.4 Quiero más79
IIIPerceptrónCapítulos 5–8
  1. 5 Optimización Matemática85
  2. 5.1 La latita de Coca85
  3. 5.2 El problema de optimización87
  4. 5.3 El método simplex88
  5. 5.4 Optimización no lineal sin restricciones89
  6. 5.4.1 Definiciones preliminares90
  7. 5.4.2 Gradiente Descendente93
  8. 5.4.3 Método de Newton94
  9. 5.4.4 Métodos Cuasi Newton94
  10. 5.4.5 Métodos de Direcciones Conjugadas95
  11. 5.4.6 Métodos de Gradientes Conjugados, 195295
  12. 5.4.7 El método de Powell 196495
  13. 5.4.8 Gradiente Descendente Estocástico96
  14. 6 El modelo de Neurona99
  15. 6.1 La bioinspiración100
  16. 6.2 Separabilidad lineal101
  17. 6.2.1 Aprendizaje Hebbiano105
  18. 6.2.2 Algoritmo del Perceptrón Simple107
  19. 6.2.3 Perceptrón Lineal108
  20. 6.2.4 Aprendizaje en el Perceptrón Simple No Lineal111
  21. 7 La era del Conexionismo115
  22. 7.1 Perceptrón Multicapa115
  23. 7.1.1 Propagación hacia adelante117
  24. 7.1.2 Propagación hacia atrás119
  25. 7.2 Algoritmo del Perceptrón Multicapa123
  26. 7.2.1 Aprendizaje Incremental125
  27. 7.2.2 Aprendizaje por lotes125
  28. 7.3 Variantes de optimización126
  29. 7.3.1 Momentum126
  30. 7.3.2 Tasa de aprendizaje adaptativa126
  31. 7.3.3 RMSProp127
  32. 7.3.4 Adam128
  33. 7.4 Arquitectura del Perceptrón Multicapa129
  34. 7.5 La promesa detrás de las redes neuronales130
  35. 8 Métricas de Evaluación135
  36. 8.1 Identificar el patrón de manera correcta135
  37. 8.2 Métricas estándar136
  38. 8.2.1 Matriz de Confusión136
  39. 8.2.2 Métricas138
  40. 8.2.3 Ajuste, subajuste y sobreajuste140
  41. 8.2.4 Validación Cruzada141
IVAutomatizando el AprendizajeCapítulos 9–13
  1. 9 Aprendizaje Automático145
  2. 9.1 Redefiniendo Aprendizaje145
  3. 9.2 Métodos de Aprendizaje146
  4. 9.3 Pipeline de Machine Learning147
  5. 9.3.1 El problema Inverso149
  6. 9.4 Quiero más151
  7. 10 Transformaciones en los datos153
  8. 10.1 Estructura interna de los datos153
  9. 10.1.1 Clustering y Agrupamientos155
  10. 10.2 Análisis de Componentes Principales156
  11. 10.2.1 Preliminares157
  12. 10.2.2 Transformación PCA158
  13. 10.3 Quiero más163
  14. 11 Red de Kohonen165
  15. 11.1 Mapa Autoorganizado165
  16. 11.1.1 Aprendizaje Competitivo166
  17. 11.1.2 Arquitectura166
  18. 11.1.3 Algoritmo168
  19. 12 Red de Hopfield173
  20. 12.1 Hopfield 1982174
  21. 12.1.1 Memoria Asociativa175
  22. 12.1.2 Estabilidad178
  23. 12.1.3 Convergencia179
  24. 12.1.4 Limitaciones180
  25. 13 Modelo de Oja y Sanger181
  26. 13.1 La búsqueda del poder de síntesis181
  27. 13.2 Red de Oja182
  28. 13.2.1 Implementación186
  29. 13.3 Red de Sanger187
VDeep LearningCapítulos 14–19
  1. 14 Deep Brain191
  2. 14.1 Biomimesis neuronal191
  3. 14.1.1 Grasa inteligente192
  4. 14.1.2 Una neuro-computadora193
  5. 14.2 La Neurona Recargada196
  6. 14.2.1 ¿Cómo dispara una neurona?196
  7. 14.2.2 Una Computadora Nanotecnológica197
  8. 14.2.3 Conducción a Saltos199
  9. 14.2.4 Sinapsis200
  10. 15 Aprendizaje Profundo203
  11. 15.1 Guía para el tío y la tía que pregunta204
  12. 15.2 Los cuatro pilares de Deep Learning206
  13. 15.2.1 Profundidad206
  14. 15.2.2 Aprendizaje de la Representación209
  15. 15.2.3 Datasets210
  16. 15.2.4 GPUs211
  17. 16 Autoencoders215
  18. 16.1 Autoasociadores215
  19. 16.1.1 Arquitectura215
  20. 16.1.2 Autoencoder Lineal217
  21. 16.1.3 Detección de Outliers220
  22. 16.1.4 Denoising Autoencoder221
  23. 16.1.5 Contractive Autoencoder222
  24. 16.1.6 Sparse Autoencoder222
  25. 16.2 Autoencoder Generativo223
  26. 16.2.1 La estructura del espacio latente225
  27. 16.3 Variational Autoencoder226
  28. 16.3.1 Redes Neuronales Estocásticas227
  29. 16.3.2 Inferencia Variacional228
  30. 16.3.3 Optimizar el Autoencoder Variacional229
  31. 16.3.4 Backpropagation en el VAE235
  32. 16.4 Apéndice236
  33. 17 Convolutional Neural Networks243
  34. 17.1 La operación de Convolución244
  35. 17.1.1 Moving Average245
  36. 17.1.2 Padding245
  37. 17.2 Convolución en Imágenes247
  38. 17.3 Neocognitrón248
  39. 17.4 La Operatoria Convolucional250
  40. 17.4.1 Capa Convolucional250
  41. 17.4.2 La capa de Pooling252
  42. 17.4.3 Full Layer y Softmax252
  43. 17.4.4 Backpropagation253
  44. 17.5 ¿Por qué funcionan?255
  45. 17.6 Inteligibilidad255
  46. 17.7 Arquitecturas Reusables256
  47. 17.7.1 ResNet257
  48. 17.7.2 U-Net258
  49. 17.8 Más allá de las imágenes259
  50. 17.9 Quiero más259
  51. 18 Generative Adversarial Networks261
  52. 18.1 Generando gatitos261
  53. 18.2 Juego MinMax264
  54. 18.3 Colapso Modal265
  55. 18.4 El gran simulador266
  56. 19 Transformers267
  57. 19.1 Las Redes Recurrentes268
  58. 19.1.1 Long Short-Term Memory269
  59. 19.2 Arquitectura de un Transformer270
  60. 19.3 Preprocesamiento273
  61. 19.4 Attention is all you need275
  62. 19.4.1 Una tabla de acceso indexado continua275
  63. 19.4.2 Kernel Smoothing277
  64. 19.4.3 Atención Cognitiva278
  65. 19.4.4 Cálculo de Atención278
  66. 19.5 Entrenamiento280
  67. 19.6 Large Language Models281
  68. 19.7 Quiero más284
VIPragmatismo ProfesionalCapítulos 20–21
  1. 20 Del Dato a la Industria287
  2. 20.1 El Análisis Cuantitativo287
  3. 20.2 ETLs y EDAs291
  4. 20.3 Falacias de la Ciencia de Datos292
  5. 20.4 Inteligencia Artificial y la Frontera Digital294
  6. 21 Guía para el apurado297
  7. 21.1 Condimentos de una Red Neuronal297
  8. 21.1.1 Transformación de los datos298
  9. 21.1.2 Balanceo de clases299
  10. 21.1.3 Funciones de Costo299
  11. 21.1.4 Funciones de Activación299
  12. 21.1.5 ¿Cómo cocino un panqueque? con una Red Neuronal299
  13. 21.2 Infraestructura de Software302
  14. 21.3 Quiero más306
  15. Index331

Referencia bibliográfica

Cómo citar este libro.

Copiá esta referencia en formato BibTeX para incluirla en tus trabajos, artículos o materiales académicos.

BibTeX 
@book{alai2026,
  title={Artificializando La Inteligencia},
  author={Ramele, Rodrigo and Pierri, Alan and Fuster, Marina and Piñeiro, Eugenia Sol},
  year={2026},
  edition={1st},
  note={\url{https://artificializandolainteligencia.github.io/}},
  publisher={Editorial Dunken, Buenos Aires, Argentina}
}

El próximo capítulo empieza acá

Entender la IA cambia
cómo imaginamos el futuro.

Una base sólida para quienes quieren construir, enseñar o decidir con inteligencia artificial.

Obtener el libro Contactanos