Material de estudio personal — no redistribuible

De cero teoría a poder leer un paper de LLMs sin perderte

Los cuatro cursos de referencia de siempre — Hugging Face LLM Course, PyTorch, TensorFlow y fast.ai — reescritos con explicaciones más directas, actualizados a 2026, y organizados para alguien con práctica pero sin la base teórica formal.

🔧 Aplicado a tus proyectos

La misma teoría de los capítulos oficiales, pero mirando directo el código de dos cosas que ya construiste y corrés en tu propio hardware — no ejemplos genéricos.

Tu pipeline NVFP4 · Gemma 4

Arquitectura, cuantización real y decoding especulativo con tus propios benchmarks. Disponible →

Interpretante Lacaniano

Decoder + encoder + RAG + fine-tuning generacional, con Lacan de por medio. Disponible →

El gate anti-alucinación

Dos capas de verificación numérica, disparadas por un incidente real. Disponible →

Tus fixes en vLLM

FlashInfer, atención heterogénea de Gemma-4, y un bug de NVFP4 que no truena. Disponible →

NVFP4 en difusión

La misma cuantización en Flux2 (imagen) y Wan 2.1 (video), sin vLLM de por medio. Disponible →

🤗 Hugging Face — LLM Course

La columna vertebral del curso: transformers, cómo se entrenan, cómo se sirven, cómo fine-tunearlos. Los 12 capítulos del original, completos.

1. Modelos Transformer

Atención, arquitecturas, inferencia, sesgos. Disponible →

2. Usando 🤗 Transformers

Tokenizers, modelos, batching, servir con vLLM/TGI/llama.cpp. Disponible →

3. Fine-tuning de un modelo

Trainer API, training loop manual, curvas de entrenamiento, LoRA/QLoRA. Disponible →

4. Compartir modelos y tokenizers

Publicar en el Hub, model cards, y por qué el git manual ya no hace falta. Disponible →

5. La librería Datasets

Datasets enormes, streaming, y un buscador semántico con FAISS. Disponible →

6. La librería Tokenizers

Offset mapping, BPE/WordPiece/Unigram, armar un tokenizer bloque por bloque. Disponible →

7. Tareas clásicas de NLP

NER, masked LM, traducción, resumen, LM causal desde cero, QA extractivo. Disponible →

8. Cómo pedir ayuda

Leer tracebacks, debuggear un entrenamiento que no crashea, reportar bugs bien. Disponible →

9. Demos con Gradio

Interface, compartir con Spaces, State, Blocks. Disponible →

10. Curar datasets con Argilla

Fields/Questions, anotar en equipo, exportar de vuelta al Hub. Disponible →

11. Fine-tuning de LLMs

Chat templates, SFTTrainer, LoRA con código real, evaluación. Disponible →

12. Construir modelos de razonamiento

RL, DeepSeek R1, GRPO y por qué reemplaza al value model de RLHF clásico. Disponible →

🔥 PyTorch

Tensores, autograd, entrenamiento, y por qué es el framework por defecto en investigación e industria de LLMs hoy. Completo.

Tensores y datos

El tensor, in-place ops, Dataset/DataLoader. Disponible →

nn.Module y arquitectura

Composición de módulos, por qué nunca llamás forward() directo. Disponible →

Autograd y optimización

El DAG dinámico, por qué los gradientes se acumulan, train() vs eval(). Disponible →

Guardar, cargar y compilar

state_dict, y torch.compile: TorchDynamo/TorchInductor. Disponible →

Por qué PyTorch ganó

Eager vs. grafo estático, el ecosistema, DDP/FSDP. Disponible →

🧮 TensorFlow

Referencia comparativa frente a PyTorch, no en paralelo con la misma profundidad. Completo.

TensorFlow vs. PyTorch

tf.Variable, GradientTape, tf.function, Keras, y dónde TF/JAX siguen importando. Disponible →

🚀 fast.ai — Practical Deep Learning

El enfoque top-down: entrenar algo real primero, entender la teoría después — el espejo del recorrido de HF. Parte 1 completa (8 lecciones + bonus de ética) y Parte 2 completa (5 unidades condensadas: de matmul a Stable Diffusion).

1. Empezando

Deep learning sin rodeos, gatos vs. perros en 6 líneas. Disponible →

2. Deployment

DataBlock API, limpiar datos con el propio modelo, out-of-domain data. Disponible →

3. Fundamentos de redes

SGD, sigmoid y una red de dos capas construidas a mano. Disponible →

4. NLP

ULMFiT y transfer learning en NLP, antes de los Transformers. Disponible →

5. Modelo desde cero

El mismo SGD aplicado a datos tabulares (Titanic), y por qué usar un framework. Disponible →

6. Random forests

Árboles, bagging, OOB error, feature importance y partial dependence. Disponible →

7. Collaborative filtering

Latent factors, embeddings como atajo computacional, cold start. Disponible →

8. Convoluciones

Qué es literalmente una convolución, receptive fields, batchnorm. Disponible →

Bonus. Ética de datos

Recourse, feedback loops, sesgo racial, Myanmar — casos reales. Disponible →

Parte 2 · U1. Framework desde cero

Matmul, backprop manual, el sistema de callbacks de miniai. Disponible →

Parte 2 · U2. Por qué no explotan

Init Xavier/Kaiming, LayerNorm/BatchNorm, LSUV, ResNets. Disponible →

Parte 2 · U3. Difusión desde cero

DDPM, DDIM (10× más rápido), preconditioning de Karras. Disponible →

Parte 2 · U4. Autoencoders, VAE, atención

Por qué un VAE genera algo coherente y un autoencoder no. Disponible →

Parte 2 · U5. Stable Diffusion completo

U-Net condicional, CLIP, guidance, textual inversion, DreamBooth. Disponible →

Fuentes originales: huggingface.co/learn/llm-course · pytorch.org · tensorflow.org · course.fast.ai. Contenido reescrito para estudio personal — no es una copia ni una redistribución del original.