Cinco cursos gratuitos para pasar de principiante a practicante de LLM
Una ruta estructurada que cubre desde la teoría básica de redes neuronales hasta el despliegue de agentes LLM a gran escala.
KDnuggets ha publicado una lista de cinco cursos gratuitos que forman una cadena de aprendizaje coherente para trabajar con grandes modelos de lenguaje (LLM). Cada curso cubre una fase distinta: fundamentos matemáticos, arquitectura de producción, teoría avanzada, afinado práctico y despliegue de agentes. La selección está pensada para que el alumno termine con una pila completa, desde construir un motor de autodiferenciación hasta lanzar un agente orquestado en producción.
Curso 1 – Fundamentos con Neural Networks: Zero to Hero (Andrej Karpathy) El curso de Karpathy, creador de micrograd, lleva al estudiante a construir desde cero un motor de autograd, un modelo de lenguaje a nivel de caracteres y, finalmente, un transformer del tamaño de GPT‑2 con tokenizer BPE propio. Se requiere dominio sólido de Python y conceptos básicos de derivadas. El contenido está disponible como lista de reproducción gratuita en YouTube (9 lecciones) y notebooks en GitHub, con entre 20 y 30 horas de codificación activa.
Curso 2 – Arquitectura de producción con el Full Stack LLM Bootcamp (Full Stack Deep Learning) Grabado en un evento presencial de 2023, este bootcamp muestra cómo montar una aplicación LLM fiable: ingeniería de prompts a nivel de sistema, LLMOps, diseño de harness de evaluación, monitorización y control de latencia y coste. Asume conocimientos de API y Python. El material se distribuye en YouTube y diapositivas complementarias; aunque algunas referencias a APIs están desactualizadas, los principios arquitectónicos siguen vigentes.
Curso 3 – Teoría profunda con Stanford CS336: Language Modeling from Scratch Impartido por Percy Liang y Tatsunori Hashimoto, el curso aborda la construcción de un modelo de lenguaje a gran escala desde la recolección de datos hasta la evaluación. Se tratan leyes de escalado, curación de corpus, alineación y consideraciones de infraestructura para entrenar en diferentes escalas de hardware. El formato incluye diapositivas, tareas y notas públicas; es material de nivel de posgrado y exige una carga de trabajo considerable.
Curso 4 – Afinado práctico con el Hugging Face LLM Course Actualizado hasta mediados de 2026, este curso de 13 capítulos cubre todo el ecosistema Hugging Face: desde tokenizadores y la biblioteca Datasets hasta fine‑tuning supervisado con TRL y adaptación de bajo rango (LoRA) mediante PEFT. Los capítulos 10‑12 introducen la curación de datos con Argilla, el flujo de trabajo SFTTrainer con LoRA y alternativas a RLHF como la optimización directa de preferencias (DPO). Se entregan notebooks listos para ejecutar y demos en Gradio.
Curso 5 – Despliegue y orquestación de agentes (próximamente) El artículo original menciona que el quinto curso completa la cadena al abordar la puesta en producción y la orquestación de agentes a escala, aunque aún no se ha publicado el enlace definitivo.
Estos recursos, todos gratuitos y de alta calidad, permiten a administradores de sistemas, ingenieros de datos y desarrolladores de IA construir una base sólida y avanzar rápidamente hacia la producción de LLMs sin depender de tutoriales superficiales.
La relevancia radica en que la mayoría de los equipos de IA todavía carecen de una ruta de aprendizaje estructurada que cubra tanto la teoría como la práctica operativa. Adoptar alguno de estos cursos puede acelerar la incorporación de talento interno y reducir la dependencia de consultorías externas para la puesta en marcha de pipelines LLM.
