En 10-01 organizaste tus lecturas: libros por bloque, artículos clave y un plan en tres etapas. Los libros dan profundidad, pero aprender solo con ellos es lento cuando lo que hace falta es práctica guiada, con vídeos, ejercicios corregidos y una secuencia pensada por alguien que ya recorrió el camino. Eso es lo que ofrecen los cursos y tutoriales en línea, y hay tantos que el problema ya no es encontrarlos sino elegir bien y no acumular inscripciones sin acabar. Esta lección te da un criterio de elección, presenta los MOOC y especializaciones de referencia (los que la comunidad lleva años recomendando), enseña a usar la documentación oficial como tutorial (a menudo el mejor curso es el que escribió quien hizo la librería), recoge canales de vídeo que explican de verdad, comenta los recursos en español, insiste en la práctica deliberada (Kaggle, proyectos, replicar artículos) y termina con una tabla resumen, un plan de tres meses y lo que harían Marta y Diego para reforzar lo que cada uno necesita.

Misma prudencia que en 10-01: solo citamos cursos reales y consolidados, por nombre y plataforma; no damos precios ni enlaces profundos, porque cambian; los tiempos son orientativos; lo que hoy es gratuito o "auditable" sin coste puede dejar de serlo, compruébalo antes de planificar.

1. Cómo elegir un curso: objetivo, nivel, tiempo, práctica y certificado
2. MOOC y especializaciones de referencia
3. La documentación oficial como tutorial
4. Canales y series de vídeo que explican de verdad
5. Recursos en español
6. Práctica deliberada: Kaggle, proyectos propios y replicar artículos
7. Tabla resumen: curso, nivel, módulo que amplía, tiempo, para quién
8. Plan de tres meses de ejemplo y aterrizaje en NovaMarket
9. Errores Comunes y Consejos
10. Ejercicios
11. Conclusión

Antes de inscribirte en nada, responde por escrito a cinco preguntas:

Un criterio adicional: quién lo imparte y cuánta gente lo ha terminado. Los cursos que citamos abajo llevan años en circulación, tienen miles de reseñas y sus autores son referentes; eso reduce el riesgo.

Agrupados por lo que amplían del curso. Los tiempos son estimaciones habituales; consulta la plataforma.

• Machine Learning Specialization (Coursera; DeepLearning.AI y Stanford Online, Andrew Ng). Tres cursos: regresión y clasificación, algoritmos avanzados (redes, árboles), y aprendizaje no supervisado, recomendadores y refuerzo. Es la versión modernizada en Python del célebre curso de Ng. Perfecta como "segundo curso" tras este: mismo mapa que nuestro módulo 4, más matemáticas y más ejercicios. Orientativo: 2-3 meses a 5 h/semana.
• Google Machine Learning Crash Course (developers.google.com). Gratuito en el momento de escribir, corto, con vídeos, ejercicios interactivos y un glosario excelente. Cubre regresión, clasificación, generalización, embeddings, equidad. Ideal para repasar rápido o para perfiles no técnicos con algo de curiosidad por el código. Orientativo: 15-20 horas.
• Kaggle Learn (kaggle.com/learn). Micro-cursos de 3-5 horas cada uno: Python, pandas, Intro to Machine Learning, Intermediate ML, Feature Engineering, Intro to Deep Learning, Time Series, Data Cleaning, entre otros. Cada uno con cuadernos ejecutables en el navegador. Muy prácticos para tapar huecos concretos (p. ej. "no domino los pipelines con imputers").
• Stanford CS229 Machine Learning (materiales públicos: apuntes y vídeos). Nivel universitario con matemáticas; úsalo cuando quieras la derivación de lo que scikit-learn hace por ti (04-04, 04-06). Orientativo: un semestre.

• Deep Learning Specialization (Coursera; DeepLearning.AI, Andrew Ng). Cinco cursos: redes neuronales, mejora (regularización, optimización, hiperparámetros), estructuración de proyectos, CNN y modelos de secuencias (RNN, atención, transformers). Es el itinerario más completo y pausado; el curso 3 ("Structuring ML Projects") es el complemento perfecto de 08-01. Orientativo: 4-5 meses a 5 h/semana.
• fast.ai, Practical Deep Learning for Coders (course.fast.ai). Gratuito, enfoque "primero construyes, después entiendes": en la primera lección entrenas un clasificador de imágenes con transferencia de aprendizaje. Usa PyTorch y su librería fastai. Ideal para quien aprende haciendo y ya se defiende en Python. Orientativo: 8 lecciones de 2 horas más práctica.
• MIT 6.S191 Introduction to Deep Learning (introtodeeplearning.com y MIT OpenCourseWare). Curso intensivo anual con vídeos y laboratorios en TensorFlow/PyTorch: fundamentos, secuencias, visión, generativos, refuerzo, LLM. Bueno para una visión moderna y compacta. Orientativo: 15-25 horas.
• Stanford CS231n (visión con CNN) y CS224n (PLN con deep learning): apuntes, tareas y vídeos públicos. Referencia universitaria para quien elija el itinerario de visión o de PLN en 10-04. Orientativo: un semestre cada uno.

• MIT 6.034 Artificial Intelligence (MIT OpenCourseWare, Patrick Winston). Vídeos completos de un curso clásico de IA: búsqueda, juegos, reglas, restricciones, redes, aprendizaje, y una manera de explicar única. Es el curso que más se parece a nuestros módulos 3 y 6, con más profundidad. Los vídeos son antiguos pero los fundamentos no caducan.
• Elements of AI (Universidad de Helsinki y MinnaLearn; elementsofai.com). Introducción no técnica, gratuita en el momento de escribir, disponible en muchos idiomas incluido el español: qué es la IA, resolución de problemas, probabilidad, ML, redes, implicaciones. Para perfiles de negocio o para recomendar a compañeros; también tiene una segunda parte ("Building AI") con algo de Python. Orientativo: 30 horas.

• Hugging Face Course / LLM Course (huggingface.co/learn). Gratuito, práctico, con la librería transformers: tokenizadores, ajuste fino, datasets, compartir modelos en el Hub, y capítulos sobre LLM. Es el paso natural desde 05-05 y 07-03 para quien quiera trabajar con modelos preentrenados en español (como sugerimos en 09-04 para las reseñas).
• DeepLearning.AI short courses (deeplearning.ai). Cursos de 1-2 horas, muchos gratuitos, sobre prompting, RAG, evaluación de LLM, agentes, bases de datos vectoriales, con socios del sector. Ideales para prototipar el asistente del caso 7; ten en cuenta que su contenido caduca más rápido que el de los fundamentos.

• Microsoft "AI for Beginners" y "ML for Beginners" (repositorios en GitHub de Microsoft). Planes de estudio de 12 semanas con lecciones, cuadernos y cuestionarios; gratuitos y abiertos. Cubren desde IA simbólica y redes hasta PLN y ética (AI for Beginners) y ML clásico con scikit-learn (ML for Beginners). Buena estructura para autodidactas que quieran un calendario ya hecho.

Los mejores tutoriales de una librería suelen estar en su propia documentación, escritos por sus autores y siempre actualizados:

Método: para cada librería, un cuaderno propio llamado aprendiendo_<libreria>.ipynb en novamarket_ia/notebooks/, con las celdas de la documentación reproducidas y comentadas con tus palabras.

• 3Blue1Brown, serie "Neural networks" (Grant Sanderson). Cuatro vídeos iniciales sobre qué es una red, descenso del gradiente y retropropagación con animaciones excelentes, y una continuación sobre transformers y atención. Es la mejor forma de ver lo que programaste en 05-03. Sus series de álgebra lineal y cálculo son el repaso matemático ideal.
• StatQuest (Josh Starmer). Vídeos cortos y claros de estadística y ML: regresión logística, árboles, random forest, boosting, validación cruzada, ROC/AUC (04-05), PCA. Cuando un concepto de scikit-learn no termine de encajar, casi seguro que hay un StatQuest.
• Andrej Karpathy, "Neural Networks: Zero to Hero". Serie en la que programa desde cero, en directo, la retropropagación (micrograd), un modelo de lenguaje por caracteres, y finalmente un GPT pequeño y un tokenizador. Es la continuación exacta de 05-03 y 05-05 para quien quiera entender un LLM línea a línea. Exigente pero transformadora; hazla con el teclado.

Los vídeos son excelentes para intuición, no sustituyen la práctica: regla de "una hora de vídeo, una hora de código".

Existe una oferta creciente en español: cursos universitarios abiertos (varias universidades españolas y latinoamericanas publican asignaturas de IA y ML en sus plataformas o en MOOC), programas de plataformas de formación en línea, y comunidades que traducen materiales. No citamos nombres concretos porque su calidad y disponibilidad varían mucho y no queremos recomendar algo que mañana no exista; aplica el criterio de la sección 1 (quién imparte, práctica real, reseñas). Lo que sí podemos decir con seguridad:

• Elements of AI tiene versión en español, y es la mejor puerta de entrada no técnica en nuestro idioma.
• La documentación de scikit-learn, PyTorch y pandas está en inglés; conviene acostumbrarse, porque el vocabulario técnico del sector es inglés (por eso en este curso hemos usado los términos con su nombre original entre paréntesis).
• Muchos MOOC de Coursera y edX ofrecen subtítulos en español; el contenido de los ejercicios sigue en inglés.
• Para el vocabulario, un pequeño glosario propio bilingüe (término en inglés, traducción, definición con tus palabras) es una inversión que se amortiza rápido.

Ningún curso enseña lo que enseña un problema que te has empeñado en resolver. Tres formas de práctica, de menos a más libre:

1. Competiciones de iniciación en Kaggle. "Titanic" (clasificación binaria) y "House Prices" (regresión con muchas características) son las clásicas de aprendizaje: datos pequeños, miles de cuadernos públicos para comparar tu enfoque, tabla de clasificación para medirte. Objetivo: no ganar, sino hacer un pipeline limpio como el de 04-03 a 04-06, leer los cuadernos mejor valorados y entender qué hicieron mejor.
2. Proyectos personales. Elige un problema pequeño con datos que te importen (tu ciudad, tu afición, tu trabajo, o los casos de NovaMarket que dejamos abiertos: la previsión de demanda con más historia, el asistente RAG del caso 7). Sigue el método de 08-01 y documenta con model card (10-04 lo convertirá en portfolio).
3. Replicar artículos. Toma un artículo de la tabla de 10-01 (word2vec o LeNet son asequibles) e intenta reproducir un resultado a pequeña escala. Papers with Code te dará implementaciones para comparar. Es la práctica que más te acerca al trabajo real de investigación aplicada.

Plan para un junior con unas 6 horas semanales que quiere consolidar ML y asomarse a deep learning:

Marta necesita llevar el predictor de fraude a producción de forma robusta y arrancar el asistente RAG: haría la Deep Learning Specialization solo en su curso 3 ("Structuring ML Projects") y, sobre todo, buscaría formación de MLOps (monitorización, versionado, despliegue; en 10-04 lo detallamos) además del Hugging Face Course y un par de short courses de RAG para el caso 7; para su equipo, la Machine Learning Specialization como base común. Diego no va a programar modelos, pero necesita entender qué le entregan y decidir bien: haría Elements of AI (ambas partes, en español) y el Google ML Crash Course sin las partes de código, y dedicaría el tiempo restante a las lecturas de ética de 10-01; su entregable sería una lista de preguntas que hará a partir de ahora a cada modelo que le presenten (uso previsto, datos, métrica de negocio, subgrupos, deriva).

• Coleccionar inscripciones. Un curso a la vez, con fecha de fin y entregable. Lo demás, lista de espera.
• Ver vídeos a doble velocidad sin teclear. Sensación de aprender, retención mínima. Una hora de vídeo, una hora de código.
• Empezar por lo último (agentes, LLM) sin fundamento. Los short courses de LLM son estupendos con la base del módulo 4 y 5; sin ella, se convierten en copiar y pegar.
• Elegir por certificado. El certificado no sustituye a un repositorio con un proyecto bien documentado; sirve como complemento.
• Ignorar la documentación oficial por parecer árida. Suele ser el tutorial más correcto y actualizado.
• Consejo: en cada curso, aplica lo aprendido a datos propios (los de NovaMarket sirven) antes de pasar a la siguiente semana; y anota, como en 10-01, qué módulo del curso amplía cada cosa.

1. Ficha de elección. Elige un curso de la tabla y rellena las cinco preguntas de la sección 1 (objetivo, nivel, tiempo, práctica, certificado). Concluye con un "sí/no/todavía no" razonado.
2. Plan de tres meses propio. Adapta el plan de la sección 8 a tu disponibilidad real y a tu itinerario preferido (ML clásico, deep learning/PLN, razonamiento, gestión); una fila por bloque de semanas con entregable.
3. Vídeo a código. Ve el primer vídeo de la serie de redes de 3Blue1Brown (o uno de StatQuest sobre regresión logística) y escribe qué fragmento de código de 05-01/05-03 (o de 04-04) corresponde a lo explicado, y qué experimento pequeño harías para comprobarlo.

1. Ejemplo: "Machine Learning Specialization. Objetivo: entender la matemática de la regresión logística y de los árboles que uso con scikit-learn, y ampliar a recomendadores (caso 1). Nivel: prerrequisitos de Python y álgebra básica, los tengo. Tiempo: 5 h/semana durante 10 semanas, compatible con el trabajo. Práctica: laboratorios en Python corregidos y cuestionarios. Certificado: no lo necesito ahora; lo seguiré sin él y decidiré al final. Conclusión: sí, empiezo el lunes."
2. Ejemplo (itinerario deep learning/PLN, 5 h/semana): Sem. 1-2: PyTorch "Learn the Basics" + 3Blue1Brown; entregable: red de 09-03 reescrita con nn.Module propio. Sem. 3-8: fast.ai lecciones 1-4 + Karpathy micrograd; entregable: clasificador de imágenes con transferencia y notas de la retropropagación desde cero. Sem. 9-12: Hugging Face Course caps. 1-3; entregable: modelo en español ajustado a reseñas con model card.
3. Ejemplo: "El vídeo explica que cada neurona calcula una suma ponderada más sesgo y aplica una activación; corresponde a z = X @ W + b; a = sigmoide(z) de 05-01. Experimento: fijar todos los pesos a cero y comprobar que todas las neuronas de una capa aprenden lo mismo (simetría), como advertimos en 05-03."

Ahora tienes un criterio para elegir cursos (objetivo, nivel, tiempo, práctica, certificado), un mapa de los MOOC y especializaciones de referencia por bloque (Elements of AI y Google Crash Course como entrada; Machine Learning y Deep Learning Specialization, fast.ai, MIT 6.S191 y 6.034, Stanford CS229/CS231n/CS224n, Kaggle Learn, Hugging Face Course, short courses de LLM, Microsoft for Beginners), el hábito de usar la documentación oficial como tutorial, canales de vídeo que enseñan (3Blue1Brown, StatQuest, Karpathy), una nota realista sobre los recursos en español, tres formas de práctica deliberada, un plan de tres meses y los refuerzos concretos de Marta y Diego. Con libros (10-01) y cursos (10-02) tienes contenido de sobra; lo que falta es lo que ningún material da por sí solo: personas a las que preguntar cuando te atascas, con las que contrastar y a las que ayudar. De eso trata la siguiente lección (10-03): comunidades y foros, cómo preguntar bien y cómo participar sin exponer datos de tu empresa.