Lo que dicen los estudiantes

Experiencias de quienes pasaron por los programas

Aprender IA es un proceso largo. Estos son los recuentos de personas que lo sostuvieron y lo terminaron.

Volver al inicio

Años de programas activos

Trayectos de formación en IA

4.7

Calificación promedio de programas

ARG

Estudiantes en todo el país

Testimonios

Palabras de los estudiantes

Selección de experiencias de estudiantes de los tres programas.

Agustín Gómez

Córdoba · Fundamentos ML

Arranqué sin saber casi nada de Python y terminé con un proyecto de clasificación funcionando que puedo abrir y explicar. Lo que más me ayudó fue que cuando me trancaba con algo, el mentor me respondía ese mismo día con comentarios concretos, no vagos.

Junio 2025

Valentina Rubio

Buenos Aires · Visión por Computadora

Trabajo como desarrolladora y quería agregar visión por computadora a lo que sé hacer. El programa está bien pensado: no empieza desde cero ni asume que sabés todo. Las revisiones de código son lo que más valor tiene; el feedback que recibí en cada entrega cambió cómo escribo el código.

Mayo 2025

Marcos Sánchez

Rosario · Full-Stack AI Engineering

El track full-stack es exigente, no lo voy a negar. Pero es exigente de la manera correcta: te pide que tomes decisiones reales sobre arquitectura, pipelines y despliegue, no que memorices definiciones. Al terminar tenía un proyecto completo que explica cómo pensé cada parte.

Junio 2025

Luciana Ponce

Mendoza · Fundamentos ML

Lo que más valoro es la honestidad del programa: no promete trabajo ni título, pero sí te da una base real y un proyecto que muestra lo que aprendiste. La comunidad también es activa; las preguntas en el grupo casi siempre las resuelve alguien antes de que llegue el mentor.

Julio 2025

Ezequiel Ferrara

Santa Fe · Visión por Computadora

Venía de leer mucho sobre CNNs pero nunca había implementado nada desde cero con datos propios. El programa me obligó a hacer exactamente eso. Al principio es incómodo, pero ese proceso es donde realmente aprendés. El mentor que tuve tuvo paciencia con mis preguntas repetitivas.

Junio 2025

Carolina Noriega

Buenos Aires · Full-Stack AI Engineering

La revisión entre pares del track avanzado me sorprendió. Al principio me parecía raro revisar el trabajo de otros, pero te hace pensar el doble. Leer cómo otra persona resolvió el mismo problema que yo te da perspectiva que ningún video puede darte.

Mayo 2025

Historias de aprendizaje

Del punto de partida al proyecto terminado

Tres recuentos que muestran qué pasó en el recorrido, no solo cómo terminó.

El punto de partida

Agustín: analista sin base de código

Trabajaba analizando datos en hojas de cálculo. Sabía que el camino pasaba por Python y ML, pero cada vez que intentaba aprender solo se perdía entre tutoriales desconectados y no avanzaba.

El proceso

Se anotó en Fundamentos de ML. Las primeras semanas fueron lentas porque la sintaxis de Python le resultaba nueva. La comunidad del programa le respondía preguntas que le daba vergüenza hacer en otros lados. En la cuarta semana empezó a ver cómo los conceptos se conectaban.

El resultado

Terminó con un modelo de clasificación aplicado a datos de su sector, con documentación clara y un notebook organizado. Según él, lo más valioso fue tener algo concreto para mostrar que no hubiera podido hacer seis meses antes.

El punto de partida

Valentina: desarrolladora en busca de especialización

Con tres años de experiencia en desarrollo web, quería incorporar visión por computadora a su trabajo. Había hecho tutoriales en YouTube pero nunca llegó a un proyecto completo porque no había estructura ni alguien que revisara el código.

El proceso

El Programa de Visión por Computadora le dio la estructura que le faltaba. Las revisiones de código fueron el punto clave: los comentarios de su mentor iban más allá de "esto está mal" y explicaban por qué una decisión era mejor que otra en términos de eficiencia y legibilidad.

El resultado

Construyó un sistema de detección de objetos aplicado a un caso de uso de su elección, con el pipeline completo desde la preparación de datos hasta la evaluación del modelo. Dice que cambió cómo piensa cualquier problema de datos, más allá de las imágenes.

El punto de partida

Marcos: ingeniero de software con curiosidad por ML

Con años de experiencia construyendo backend, Marcos entendía bien sistemas distribuidos pero nunca había integrado modelos de ML en una aplicación real. Sabía cómo funciona el software, pero no cómo encajar la IA ahí.

El proceso

El Full-Stack AI Engineering Track le resultó el más difícil al principio porque implicaba tomar decisiones de diseño sin una respuesta clara. Las mentorías individuales le ayudaron a avanzar cuando no sabía qué criterio usar para elegir entre dos enfoques.

El resultado

Terminó con una aplicación funcional que incluye pipeline de datos, modelo entrenado, API de inferencia y documentación de las decisiones de diseño. Dijo que la revisión entre pares al final del programa fue la parte que más lo hizo crecer.

Contacto