Machine Learning Crash Course: preparación e insignias de Google
Revisa las bases matemáticas y Python, el acceso a Colab y las insignias por módulo. Un ejemplo propio muestra por qué acertar muchas veces no basta.

Foto: Candy Sotomayor, CC BY-SA 4.0, recortada.
Machine Learning Crash Course de Google es una introducción al aprendizaje automático: cómo aprender patrones de datos y evaluar resultados. El material es gratuito. No necesitas haber estudiado este tema antes, pero sí conviene revisar tu preparación matemática y de programación.
Qué bases necesitas antes de comenzar
Los prerrequisitos oficiales recomiendan manejar variables, ecuaciones, gráficos y promedios, además de programar con soltura. Los ejercicios usan Python; conocer NumPy y pandas ayuda a trabajar con sus datos. El cálculo se presenta como apoyo opcional para temas avanzados.
Si esos nombres son nuevos, no empieces acumulando herramientas. Lee la preparación previa y repasa la parte que te falta. Ser principiante en aprendizaje automático no significa que el curso enseñe toda la programación desde cero.

Foto: QM Keen, CC BY-SA 4.0, recortada.
Cómo seguir el curso y qué cuenta necesitas
La portada del curso combina vídeos, explicaciones, visualizaciones y actividades. Trata modelos, preparación de datos, evaluación, redes neuronales y aplicaciones reales. Si empiezas en este campo, Google recomienda seguir el orden; con experiencia puedes revisar módulos concretos.
Puedes abrir la versión en español. La ayuda sobre idiomas explica que el texto se traduce automáticamente y permite elegir idioma en el selector de la parte superior derecha. Los vídeos admiten subtítulos traducidos automáticamente, pero no tienen audio doblado.
- Lee los prerrequisitos y completa el repaso necesario.
- Estudia un módulo y explica su idea con tus palabras.
- Utiliza sus actividades para comprobar lo que entendiste.
- Revisa tus errores antes de continuar.
La ayuda sobre cuentas permite estudiar sin cuenta Google, pero la requiere para los ejercicios de programación en Colab. El entorno funciona en el navegador; no necesitas instalar herramientas al azar para esas actividades.
Si una actividad pide una cuenta de Google, inicia sesión en el servicio oficial. La orientación sobre dispositivos recomienda una computadora para una experiencia más cómoda con actividades interactivas; leer desde el teléfono no equivale a probar todo el recorrido.

Foto: Candy Sotomayor, CC BY-SA 4.0, recortada.
Ejemplo propio: acertar mucho puede ocultar un fallo
Imagina diez solicitudes ficticias a una mesa de ayuda: ocho normales y dos urgentes. Una regla que marque todas como normales acertaría ocho veces, pero dejaría sin detectar las dos urgentes.
| Tipo real | Cantidad | Regla: siempre normal |
|---|---|---|
| Normal | 8 | 8 aciertos |
| Urgente | 2 | 2 errores |
Ocho de diez es 80%. Ese porcentaje no basta para decidir si la regla sirve. La explicación oficial de métricas enseña a considerar los tipos de error y su importancia. Este cálculo es nuestro, no una respuesta a una actividad del curso.
Evalúa con ejemplos diferentes
La guía de separación de datos distingue entrenamiento, validación y prueba. No evalúes una solución únicamente con los mismos ejemplos que usaste para ajustarla. La lista de esta guía es demasiado pequeña para demostrar calidad real.
Insignias no significa certificación profesional
Google no ofrece certificación formal para este curso. Sí publica insignias por módulo: exige 80% en el cuestionario final, cuatro de cinco respuestas correctas, y permite repetirlo. Ese umbral evalúa el cuestionario, no la calidad de un modelo.
Cuenta por separado los errores que te importan
En las diez solicitudes ficticias, la regla siempre normal no genera falsas alarmas, pero omite las dos urgentes. Escribe ambas observaciones. Si sólo informas ocho aciertos, una persona podría imaginar que el sistema detecta casi todos los problemas importantes. El total oculta qué clase de caso queda fuera.
Compara ahora una regla opuesta que marque las diez como urgentes. Detectaría las dos urgentes, pero enviaría a atención prioritaria ocho solicitudes normales. No has resuelto el problema por cambiar de extremo: trasladarías esfuerzo a revisar falsas alarmas. La decisión necesita considerar el efecto de cada error y los recursos disponibles para atenderlo.
Esta lista diminuta no permite elegir una herramienta para un servicio real. Sirve para aprender a formular preguntas: qué clase quieres detectar, qué ocurre cuando se omite y qué ocurre cuando se señala por equivocación. No uses el porcentaje de un cuestionario del curso como un umbral de calidad para un modelo; son evaluaciones de cosas distintas.
Separa los ejemplos usados para ajustar de los usados para evaluar
Si cambias una regla cada vez que falla un ejemplo de tu lista y luego vuelves a medir sólo con esa misma lista, puedes estar adaptándola a esos casos. Necesitas información distinta para estudiar cómo se comporta fuera de lo que ya miraste. El curso explica la separación entre entrenamiento, validación y prueba.
También debes conocer de dónde vienen los datos y qué representa cada fila. Varias filas de una misma solicitud o una información registrada después del resultado pueden dar una impresión engañosa de desempeño. Para una práctica inicial, utiliza los conjuntos e instrucciones permitidos por el curso y reconoce qué aspectos del proceso todavía no sabes evaluar.
Organiza el repaso matemático alrededor de una duda concreta
Cuando aparezca una fórmula, identifica primero sus variables y qué cambia si una aumenta. Revisa una operación pequeña a mano antes de interpretar una figura con muchos puntos. Si no recuerdas cómo leer un eje o calcular un promedio, vuelve a ese prerrequisito. Copiar una expresión en un cuaderno no demuestra que comprendes lo que mide.
Para cada módulo, conserva una explicación breve, un ejemplo propio y una pregunta pendiente. En clasificación, el ejemplo de solicitudes permite explicar por qué la exactitud global puede resultar insuficiente. En datos, puedes distinguir un valor faltante de una categoría válida. El repaso se vuelve más útil cuando sabes qué dificultad buscas resolver.
Al completar una actividad de Colab, sigue las instrucciones para las celdas y los datos del ejercicio. No introduzcas credenciales o archivos del trabajo para probar una idea. Antes de interpretar el resultado, identifica qué parte estaba preparada por el curso y qué modificaste tú. Esa diferencia evita atribuirte un modelo o un proceso que todavía no puedes reproducir y explicar.
Elige tu siguiente paso sin subir información privada
Practica con datos permitidos o inventados, no con archivos de clientes. Si buscas implementar algoritmos de IA y ya tienes preparación en Python, compara con CS50 AI. Tiene proyectos, requisitos y credenciales propios; no es la continuación obligatoria de Google.
Comparte este artículo
