Cómo enseñamos lo que no es fácil
El machine learning aplicado a finanzas personales combina matemáticas, código y criterio económico. Ninguna de esas tres partes se puede omitir. Nuestro proceso las trabaja en orden.
Cinco fases, un recorrido coherente
Cada fase depende de la anterior. No hay atajos, pero tampoco tiempo perdido.
Diagnóstico inicial
Antes de empezar, identificamos qué sabe el estudiante de estadística, Python y finanzas básicas. Sin esa base, el resto no funciona.
Datos financieros reales
Trabajamos con conjuntos de datos del sector: perfiles de gasto, historial de inversión y variables de riesgo. Los modelos se entrenan sobre problemas concretos, no sobre ejemplos de libro.
Los datos de práctica determinan si el modelo sirve para algo fuera del aula.
Proyecto integrador
El estudiante construye un sistema de recomendación funcional. Es el único modo de verificar que el aprendizaje se sostiene fuera de los ejercicios guiados.
Fundamentos técnicos
Regresión logística, árboles de decisión, filtrado colaborativo. Estudiamos los algoritmos que aparecen en sistemas de recomendación reales, no los que solo quedan bien en un temario.
Evaluación de modelos
Precision, recall, NDCG. Aprender a leer estas métricas en contexto financiero es tan importante como construir el modelo. Un sistema que recomienda mal puede perjudicar al usuario.
Del tiempo, en práctica directa
Más de la mitad de cada módulo se dedica a escribir código, interpretar resultados y corregir errores. La parte expositiva existe para dar contexto, no para ocupar espacio.
Revisiones por proyecto final
Cada proyecto integrador pasa por tres rondas de revisión con criterios específicos: precisión del modelo, claridad del código y coherencia con el caso financiero planteado.