Recursos y bibliografía

Referencias transversales al programa, comentadas. Cada módulo tiene además su propia sección "Para profundizar" al final de cada fichero de teoría.

Papers fundacionales#

• Attention Is All You Need (Vaswani et al., 2017) — el paper del transformer. Léelo tras la teoría del módulo 1.
• Language Models are Few-Shot Learners (Brown et al., 2020, GPT-3) — origen del few-shot prompting.
• Chain-of-Thought Prompting Elicits Reasoning (Wei et al., 2022) y Self-Consistency (Wang et al., 2022) — base del módulo 2.
• Retrieval-Augmented Generation for Knowledge-Intensive NLP (Lewis et al., 2020) — el paper de RAG.
• ReAct: Synergizing Reasoning and Acting (Yao et al., 2022) — el patrón de agente que implementarás a mano en el módulo 4.
• Constitutional AI (Bai et al., Anthropic, 2022) — alignment, módulo 4.

Documentación oficial imprescindible#

• Guías de prompting de Anthropic (docs.claude.com) y OpenAI (platform.openai.com/docs) — las mejores guías prácticas que existen; releerlas cada pocos meses.
• Building effective agents (Anthropic) — el ensayo de referencia sobre cuándo usar agentes y cuándo no.
• Model Context Protocol — modelcontextprotocol.io (spec y SDKs).
• LangGraph — langchain-ai.github.io/langgraph.
• RAGAS — docs.ragas.io.
• Amazon Bedrock — docs.aws.amazon.com/bedrock.
• OWASP Top 10 for LLM Applications — genai.owasp.org (módulo 5).

Cursos complementarios gratuitos#

• DeepLearning.AI short courses (deeplearning.ai/short-courses) — píldoras de 1-2 h sobre prompting, RAG, agentes, evals; útiles como refuerzo por módulo.
• AWS Skill Builder — ruta oficial gratuita para AIF-C01.
• fast.ai Practical Deep Learning — si necesitas reforzar los fundamentos de DL previos al programa.

Newsletters y seguimiento del estado del arte#

El panorama de modelos cambia cada pocos meses: apóyate en las release notes de OpenAI/Anthropic/Google/Meta, en LMSYS Chatbot Arena para comparativas vivas, y desconfía de cualquier tabla estática de benchmarks (incluidas las de este repo si alguna vez las hubiera).

Cómo estudiar este programa#

1. Teoría → lab → ejercicios, en ese orden, por cada tema. No pases al siguiente tema sin haber ejecutado y roto el lab (cambia parámetros, provoca errores, mide).
2. Un cuaderno de notas propio (notas/ está en .gitignore si quieres crearla): explicar un concepto con tus palabras es el mejor test de comprensión.
3. Commits por tema: trata tu avance como un proyecto real; el historial de git es tu registro de estudio.
4. Los simulacros de certificación, en frío: hazlos con reloj y sin mirar apuntes, y repasa después las áreas falladas con las guías por dominio.