Los libros te dan profundidad y coherencia; los cursos en línea aportan otra cosa: estructura temporal, vídeo para conceptos difíciles de visualizar, ejercicios autocorregidos y, en algunos casos, certificados. El problema no es encontrar cursos — hay miles — sino elegir los pocos que de verdad añaden algo después de haber completado este. En esta lección seleccionamos cursos y especializaciones reales y consolidadas, indicamos qué módulo de este curso amplía cada una y, sobre todo, te damos una estrategia para no caer en la trampa más común del autodidacta: coleccionar cursos sin terminar ninguno.

1. Qué puede darte un curso online que este curso no te ha dado ya
2. Las especializaciones de Andrew Ng (Coursera / DeepLearning.AI)
3. fast.ai: deep learning de arriba abajo
4. Kaggle Learn: micro-cursos con notebooks
5. La documentación de scikit-learn como curso
6. Nivel avanzado: Stanford CS229 y MIT OpenCourseWare
7. Contenidos en español
8. Tabla comparativa
9. Cómo no coleccionar cursos: el proyecto como eje

Antes de apuntarte a nada, pregúntate qué buscas. Tras completar los 10 módulos de este curso, un curso online solo tiene sentido si te aporta una de estas tres cosas:

• Profundidad en un área concreta (deep learning, teoría matemática) que aquí tratamos de forma introductoria.
• Otra perspectiva sobre lo mismo: oír a otro profesor explicar la regularización o el descenso de gradiente consolida lo aprendido.
• Práctica guiada adicional con feedback automático (notebooks autocorregidos).

Si un curso no te da ninguna de las tres, es redundante: no lo empieces.

• Plataforma: Coursera (DeepLearning.AI y Stanford). Idioma: inglés, con subtítulos en español.
• Coste: los vídeos pueden auditarse gratis; el certificado y los laboratorios calificados son de pago (suscripción Coursera).
• Para quién: quien quiera consolidar los fundamentos con la explicación más didáctica que existe en vídeo. Andrew Ng es probablemente el profesor de ML más influyente del mundo, y esta especialización (heredera de su mítico curso de 2011, modernizada con Python) es un clásico por algo.
• Qué aporta tras este curso: repasa los módulos 4, 6 y 7 desde dentro: implementa el descenso de gradiente y la regresión logística a bajo nivel, donde nosotros usamos scikit-learn como caja bien entendida pero cerrada. Es la "otra perspectiva" por excelencia.

• Plataforma: Coursera (DeepLearning.AI). Idioma: inglés, con subtítulos en español. Coste: igual que la anterior.
• Para quién: quien quiera especializarse en redes neuronales tras el aperitivo de 07-04 y los proyectos 09-02 (CNN) y 09-03 (NLP).
• Qué aporta tras este curso: cinco cursos que cubren redes desde cero: fundamentos, ajuste práctico, estructuración de proyectos, CNN y modelos de secuencia. Es el camino en vídeo equivalente al libro de Chollet de la lección anterior; muchos hacen ambos.

• Plataforma: fast.ai (curso Practical Deep Learning for Coders). Idioma: inglés. Coste: totalmente gratuito.
• Para quién: perfil práctico que prefiera empezar entrenando modelos de última generación y entender la teoría después.
• Qué aporta tras este curso: la filosofía inversa a la de Andrew Ng. Donde Ng construye de abajo arriba (matemáticas → modelo), fast.ai va de arriba abajo: en la primera lección ya entrenas un clasificador de imágenes competitivo, y las capas de teoría llegan después. Amplía los proyectos del módulo 9 y te expone a PyTorch (mediante la librería fastai), un framework que no usamos en este curso y que domina la investigación.
• Cómo abordarlo: elige o la especialización de Ng o fast.ai como primer paso en deep learning, según tu estilo de aprendizaje. Hacer ambos a la vez es la receta del abandono.

• Plataforma: kaggle.com/learn. Idioma: inglés. Coste: gratuito.
• Para quién: quien quiera repasos rápidos y prácticos, en sesiones de menos de una hora.
• Qué aporta tras este curso: micro-cursos de 3-5 horas (Intro to Machine Learning, Intermediate ML, Feature Engineering, Time Series...) hechos íntegramente en notebooks ejecutables en el navegador. Tras este curso, la mayoría te resultarán fáciles: úsalos como calentamiento antes de una competición de Kaggle (lo veremos en la próxima lección) o para temas que tratamos poco, como feature engineering avanzado (amplía el módulo 3) o series temporales (que este curso no cubrió).

• Plataforma: scikit-learn.org. Idioma: inglés. Coste: gratuito.
• Merece entrada propia porque es uno de los recursos más infravalorados: la sección User Guide de scikit-learn es, en la práctica, un curso completo de ML clásico, con explicación conceptual, matemáticas y ejemplos ejecutables de cada algoritmo, y la galería de ejemplos es una mina de código de calidad.
• Qué aporta tras este curso: es la referencia directa de casi todo lo que hicimos en los módulos 3 a 7. Cuando quieras entender de verdad un parámetro que ajustaste "porque sí", su página del User Guide es el primer sitio donde mirar. Acostumbrarte a leer documentación oficial es, además, una habilidad profesional en sí misma.

• CS229 (Stanford, Machine Learning): las clases completas de la asignatura de posgrado están gratis en YouTube (canal Stanford Online), con apuntes en la web del curso. Idioma: inglés. Es la versión matemática y rigurosa del temario de Ng: derivaciones completas, teoría del aprendizaje. Abórdalo solo con base de álgebra lineal y cálculo, idealmente tras haber leído ISL (lección anterior).
• MIT OpenCourseWare: publica gratuitamente materiales y vídeos de asignaturas del MIT, incluidas Introduction to Machine Learning y las excelentes bases matemáticas (álgebra lineal de Gilbert Strang, probabilidad). Idioma: inglés. Útil sobre todo para reforzar las matemáticas que sostienen los módulos 2, 4 y 7.

La oferta de calidad en español es menor, pero existe:

• Coursera y edX alojan cursos de universidades hispanohablantes y de universidades que traducen contenidos; además, gran parte del catálogo en inglés (incluidas las especializaciones de Ng) ofrece subtítulos en español, lo que rebaja mucho la barrera.
• UNED, UPV, UAB y otras universidades españolas publican MOOCs de introducción a la ciencia de datos y al ML en plataformas como edX o MiriadaX; su nivel suele ser introductorio, por lo que tras este curso te servirán más como repaso que como ampliación.
• Consejo honesto: usa el español como apoyo (subtítulos, repaso), pero no limites tu ruta a él; los cursos de referencia del área están en inglés y esperarlos traducidos es quedarse atrás.

El patrón de fracaso más común del autodidacta tiene nombre: tutorial hell. Apuntarse a cinco cursos, empezar tres, terminar cero. Los antídotos:

• Un curso activo a la vez. Igual que con los libros. Terminar un curso mediocre entero enseña más que empezar tres excelentes.
• El proyecto manda, el curso sirve. Invierte la relación: en lugar de "hago el curso y luego ya veré qué construyo", define primero un proyecto propio (una extensión de MercaFresh, un dataset de tu sector, una competición de Kaggle) y matricúlate solo en el curso que desbloquee tu siguiente paso. Un curso elegido para resolver un problema concreto se termina; uno elegido "por si acaso" se abandona.
• Regla del 20%: si tras completar el 20% de un curso todo te suena de este, no es ampliación, es repetición: déjalo sin culpa y busca uno de nivel superior. Abandonar por redundancia es criterio; abandonar por pereza es el problema.
• Certificados en su justa medida: en ML, un repositorio de GitHub con proyectos propios pesa más en una candidatura que una lista de certificados. Paga por un certificado solo si tu contexto laboral lo valora explícitamente.

• Error: matricularse en un curso introductorio "para repasar". Tras 10 módulos, otro curso de introducción es procrastinación disfrazada de estudio. Entra directamente al nivel intermedio.
• Error: ver vídeos como quien ve una serie. Ver 40 vídeos sin abrir un editor no es estudiar. Regla: por cada hora de vídeo, al menos una hora de código propio.
• Error: elegir curso por el certificado y no por el contenido. El certificado es un subproducto, no el objetivo.
• Consejo: audita antes de pagar. En Coursera casi todo el contenido lectivo se puede ver gratis en modo audit; paga solo cuando hayas comprobado que el curso te aporta y quieras las tareas calificadas o el certificado.
• Consejo: usa la velocidad de reproducción con cabeza. A 1.25x-1.5x los vídeos introductorios se digieren bien; pero cuando llegue una derivación matemática, vuelve a 1x y coge papel.

Crea una cuenta en Coursera (si no la tienes) y audita gratuitamente la primera semana de la Machine Learning Specialization de Andrew Ng. Compara su explicación del descenso de gradiente con tu intuición actual tras este curso, y decide con criterio: ¿te aporta perspectiva nueva o aplica la regla del 20%?

Completa de principio a fin el micro-curso Intermediate Machine Learning de Kaggle Learn (3-4 horas). Objetivo doble: repasar pipelines y validación (módulos 3 y 6) en un entorno nuevo, y familiarizarte con los notebooks de Kaggle, que usarás en la próxima lección.

Define por escrito un proyecto propio (por ejemplo: "predecir la demanda semanal de frutas de MercaFresh" o algo de tu sector) y, a partir de él, elige UN solo curso de la tabla que desbloquee ese proyecto. Escribe un plan de 12 semanas que alterne semanas de curso y semanas de proyecto.

Ejercicio 1 (orientativa): lo habitual tras este curso es una posición intermedia: los conceptos te sonarán (regresión, coste, gradiente), pero verlos implementados desde cero en Python, sin scikit-learn, aporta una comprensión nueva. Si es tu caso, el curso pasa el filtro: es "otra perspectiva", no repetición. Si de verdad todo te resulta trivial, salta a la Deep Learning Specialization o a CS229.

Ejercicio 2 (orientativa): deberías poder completarlo con fluidez; los apartados de pipelines, validación cruzada y XGBoost son repaso directo de los módulos 3, 6 y 7. El valor añadido está en los apartados de data leakage (que conecta con lo visto en 06-05 sobre errores de evaluación) y en soltarte con la interfaz de notebooks de Kaggle.

Ejercicio 3 (orientativa): un plan razonable para el ejemplo de demanda semanal: semanas 1-2, exploración de datos y baseline con lo que ya sabes; semanas 3-6, micro-curso Time Series de Kaggle Learn (elegido porque las series temporales son justo lo que este curso no cubrió y el proyecto exige); semanas 7-10, aplicar lo aprendido al proyecto; semanas 11-12, evaluación honesta y documentación en GitHub. Fíjate en el criterio: el curso entra en el plan porque el proyecto lo pide, no al revés.

Los cursos en línea son un complemento poderoso si se eligen con criterio: las especializaciones de Andrew Ng para consolidar fundamentos con la mejor didáctica en vídeo, fast.ai para deep learning práctico, Kaggle Learn para píldoras aplicadas, la documentación de scikit-learn como referencia permanente y CS229/MIT OCW cuando busques rigor matemático. La estrategia importa más que el catálogo: un curso a la vez, elegido porque tu proyecto lo necesita, y código propio por cada hora de vídeo. Pero estudiar solo tiene un límite: antes o después necesitarás preguntar, comparar y aprender de otros. De eso trata la siguiente lección: las comunidades y foros donde viven los practicantes de machine learning.