Directorio · 15 expertos
Gente que enseña cosas reales
No CEOs hablando en general. Personas que se sientan frente a una cámara, abren el código o el paper, y te explican exactamente qué está pasando. Con los recursos específicos donde lo enseñan.
Andrej Karpathy
Ex-Tesla AI, Ex-OpenAI — Educador independiente
El estándar de oro. Explica cómo funcionan los modelos desde cero, sin simplificar. Sus videos son los únicos donde realmente entendés qué pasa adentro de un LLM.
Qué enseña: Construir GPT desde cero en código. Cómo funcionan los transformers. Por qué los LLMs hacen lo que hacen.
Por dónde empezar
Andrew Ng
Fundador deeplearning.ai / Cofundador Coursera
El mayor educador de AI del mundo. Sus cursos en Coursera formaron a más de 7 millones de profesionales. deeplearning.ai produce el contenido más práctico y estructurado del campo.
Qué enseña: Machine learning aplicado. Cómo construir proyectos de AI que funcionen en producción. Agentic workflows.
Por dónde empezar
Ethan Mollick
Profesor Wharton / Autor 'Co-Intelligence'
Usa AI en todo lo que hace y documenta qué funciona y qué no. Sin hype, sin teoría — reportes directos de lo que pasa cuando implementás AI en trabajo real.
Qué enseña: Cómo integrar AI en flujos de trabajo reales. Dónde supera a humanos y dónde no. Prompting avanzado para profesionales.
Por dónde empezar
3Blue1Brown (Grant Sanderson)
Educador matemático / Canal YouTube
El mejor canal de matemáticas del mundo. Sus series sobre redes neuronales y transformers son las visualizaciones más claras que existen — para entender la geometría de lo que está pasando.
Qué enseña: Por qué funcionan las redes neuronales. Cómo funciona la atención en transformers. La matemática detrás de AI, explicada visualmente.
Por dónde empezar
Neural Networks series (chapter 1)
La mejor introducción visual a redes neuronales. Ver los 4 capítulos.
But what is a GPT? Visual intro to transformers
Cómo funciona un transformer, explicado con animaciones
Attention in transformers, visually explained
El mecanismo de atención — el corazón de los LLMs modernos
Jeremy Howard
Fundador fast.ai / Ex-Kaggle
Construyó fast.ai con una filosofía: enseñar deep learning de arriba hacia abajo — primero hacés que funcione, después entendés por qué. Ex-presidente de Kaggle. Sus cursos son gratuitos y brutalmente prácticos.
Qué enseña: Construir modelos reales desde el primer día. Deep learning aplicado sin prerequisitos innecesarios. Fine-tuning de modelos en datos propios.
Por dónde empezar
François Chollet
Ex-Google Brain / Creador de Keras
Creador de Keras. Diseñó el ARC benchmark — el test más riguroso para medir razonamiento real. La voz más técnicamente sólida sobre qué pueden y qué no pueden hacer los LLMs.
Qué enseña: Cómo evaluar realmente la inteligencia de un modelo. Por qué memorización no es razonamiento. Qué problemas siguen abiertos.
Por dónde empezar
Yannic Kilcher
Investigador AI / Educador técnico
Explica los papers más importantes de AI con una pizarra y mucho rigor. Cuando sale un paper relevante, su explicación es el lugar donde la gente técnica va a entender qué significa.
Qué enseña: Cómo leer e interpretar papers de AI. Los modelos más importantes explicados en detalle. Por qué ciertos avances importan.
Por dónde empezar
Yann LeCun
Chief AI Scientist, Meta / Premio Turing
Ganador del Premio Turing. Pionero de las redes convolucionales. Hoy la voz más respetada argumentando que los LLMs no llevan a AGI — y enseñando qué arquitecturas sí podrían hacerlo.
Qué enseña: Los fundamentos matemáticos de deep learning. Por qué los LLMs son insuficientes para razonamiento real. Qué viene después.
Por dónde empezar
Josh Starmer (StatQuest)
Canal YouTube / Bioestadística → ML
Explica estadística y machine learning mejor que cualquier libro de texto. Si alguna vez te perdiste con los fundamentos matemáticos de AI, StatQuest es donde vas a entenderlos.
Qué enseña: Qué significa realmente una red neuronal. Cómo funciona gradient descent. Los fundamentos estadísticos que todos asumen que sabés.
Por dónde empezar
Harrison Chase
CEO / Cofundador LangChain
Construyó LangChain — el framework más usado para conectar LLMs con datos reales, APIs y herramientas. No habla de AI en abstracto: enseña a construir con ella.
Qué enseña: Cómo conectar LLMs con tus datos. Cómo construir agentes AI que hagan cosas reales. RAG, chains y workflows en producción.
Por dónde empezar
Sebastian Raschka
Investigador AI / Autor 'Build a Large Language Model From Scratch'
Escribe el newsletter más técnico y práctico sobre LLMs. Autor del libro 'Build a Large Language Model From Scratch' — el único libro que te enseña a construir un GPT completo en código. Investigador en Lightning AI.
Qué enseña: Cómo construir LLMs desde cero en PyTorch. Fine-tuning, instrucción, alineación — en código real. Los últimos papers explicados con implementación.
Por dónde empezar
Two Minute Papers (Károly Zsolnai-Fehér)
Canal YouTube / Divulgador científico
Toma los papers más importantes de AI de la semana y los explica en 2–10 minutos con demos visuales. No profundiza técnicamente, pero es el mejor radar para saber qué avances importan.
Qué enseña: Qué salió esta semana en investigación AI. Por qué ciertos avances son un salto cualitativo. Cómo seguir el ritmo del campo sin leer 20 papers.
Por dónde empezar
Fei-Fei Li
Cofundadora World Labs / Profesora Stanford
Creó ImageNet — el dataset que desencadenó la revolución del deep learning. Su curso CS231n de Stanford (Computer Vision) es el más seguido del campo. Fundó World Labs en 2024.
Qué enseña: Computer vision desde los cimientos. Por qué los datos son el factor clave en AI. La próxima frontera: inteligencia espacial.
Por dónde empezar
Dario Amodei
CEO Anthropic / Ex-VP Research OpenAI
El único CEO que escribe ensayos técnicos reales. 'Machines of Loving Grace' es el documento más concreto sobre cómo AI transforma sectores específicos: salud, economía, trabajo.
Qué enseña: Qué puede hacer AI en los próximos 5 años, sector por sector. Cómo pensar sobre riesgos reales vs hype. Constitutional AI — cómo alinear modelos.
Por dónde empezar
Lex Fridman
MIT Research · Podcast · Curso de Deep Learning
Enseña Deep Learning en MIT (6.S094, gratuito). Su podcast es el archivo más completo de conversaciones largas con los protagonistas del campo — Karpathy, LeCun, Chollet, todos pasaron.
Qué enseña: Deep learning aplicado a robótica. Acceso a las mentes más importantes del campo en conversaciones sin filtro. Los fundamentos de AI.
Por dónde empezar
MIT Deep Learning 6.S094 (Lecture 1)
Su curso de MIT — el intro más completo de deep learning en video
Andrej Karpathy: Tesla AI, OpenAI, LLMs
4 horas con Karpathy — conversación más profunda sobre LLMs que existe
Yann LeCun: Future of AI
El debate más sustancioso sobre hacia dónde va la investigación en AI
¿Falta alguien? Si encontrás a alguien que enseña cosas concretas y no está acá, avisanos en la comunidad →