De las matemáticas al código: redes neuronales desde cero, comparación de modelos y evaluación con criterio
No soy un ML engineer de laboratorio. Estudio Machine Learning desde los fundamentos matemáticos —álgebra lineal, cálculo, estadística— y lo aplico a problemas reales: una librería propia de redes neuronales, un libro gratuito de ML en español y práctica en Kaggle. Esa base me permite, además, integrar IA en stacks Drupal con criterio —no como caja negra, sino entendiendo qué hace cada modelo.
El valor no está en acumular cursos, sino en entender los modelos por dentro y saber cuándo y cómo aplicarlos.
Mi formación viene de programas y certificaciones profesionales de Coursera —Stanford, DeepLearning.AI, IBM— y en algunos casos directamente desde las propias plataformas. Entiendo las matemáticas detrás de los modelos, no solo cómo llamar a una API.
Construí una librería propia de redes neuronales en JavaScript sin frameworks: perceptrones, backpropagation y descenso de gradiente implementados paso a paso. Es la mejor forma de entender qué ocurre por debajo de TensorFlow o PyTorch.
No asumo que lo complejo sea mejor. Entreno y comparo varios modelos sobre los mismos datos, con métricas reales, para decidir con datos —no con intuición—. Como cuando una Regresión Logística superó a una red neuronal en el dataset Titanic.
Drupal no sirve para entrenar modelos, pero sí para consumirlos: módulos de IA, OpenAI, LLMs y agentes. Aplico ML en un CMS real como caso de uso, no como única razón de ser.
Especializaciones completadas en las plataformas de referencia mundial en Machine Learning.
Andrew Ng. Regresión, clasificación, redes neuronales, árboles de decisión, recomendación y refuerzo. La base matemática del ML moderno.
Álgebra lineal, cálculo y probabilidad aplicados directamente a Machine Learning. Los pilares matemáticos que sostienen cada algoritmo.
Pipeline completo de ciencia de datos: limpieza, análisis exploratorio, selección de modelos, evaluación y despliegue con Python.
Tutoriales paso a paso basados en ejercicios reales: procesamiento de datos, comparación de modelos y más.
Construye tu propia red neuronal en JavaScript desde cero: propagación hacia delante, backpropagation y descenso de gradiente implementados paso a paso, sin ningún framework. Aprende qué ocurre por debajo de TensorFlow.
Leer guía → Modelos de clasificaciónEntrena y compara 10 modelos de clasificación sobre el dataset Titanic. Una Regresión Logística (0.855) superó a una red neuronal MLP (0.793) y el Ensemble Stacking se llevó el mejor resultado. Incluye pipeline completo con pandas, scikit-learn y XGBoost.
Leer guía →No me quedo en los cursos. Construyo para aprender y comparto para aportar.
Libro en español construido con Quarto: desde los fundamentos matemáticos (álgebra lineal, cálculo, probabilidad) hasta algoritmos clásicos implementados con Python. 19 capítulos, código ejecutable y visualizaciones SVG.
Explorar el libro → Red neuronal desde ceroLibrería propia de redes neuronales sin frameworks: perceptrones, backpropagation y descenso de gradiente implementados desde cero. Entrenada con 1.000+ ejemplos, 90%+ de precisión en validación.
Ver en GitHub →Entender los modelos y sus limitaciones es lo que permite aplicarlos con criterio, ya sea entrenando el tuyo propio o integrándolo en un CMS en producción. Hablemos.