Experiencias de quienes ya pasaron por el programa
Sin afirmaciones sobre resultados garantizados — solo lo que cada persona aprendió y cómo fue el proceso.
← Volver al inicioParticipantes desde 2021
Valoración promedio del programa
Cohortes Capstone completadas
Mentores con experiencia activa
Lo que compartieron los participantes
"Venía de hacer varios tutoriales de YouTube sin entender bien qué estaba haciendo. Aquí fue diferente porque el mentor te pregunta por qué tomaste esa decisión, no solo si el código corre. Al final del módulo tenía un proyecto pequeño pero que podía explicar de principio a fin."
Junio 2025
"El Capstone fue exigente en el buen sentido. No te dicen qué hacer: tú defines el problema y tienes que defenderlo ante el mentor. Me tomó más tiempo del que pensé, pero el resultado fue un proyecto que pude presentarle a mi equipo de trabajo con argumentos. La revisión por pares también ayudó bastante."
Julio 2025
"Lo que más me sirvió fue la parte de depuración. Aprendes mucho más cuando el modelo no converge que cuando todo sale bien desde el primer intento. El mentor explicó exactamente qué estaba pasando con los gradientes y por qué. Eso no lo había encontrado en ningún curso online."
Junio 2025
"Al principio me preocupaba no tener suficiente base matemática. Los primeros ejercicios son directos y no requieren más de lo que uno fue viendo en el módulo. Las grabaciones me ayudaron cuando necesitaba repasar algo antes de la siguiente sesión."
Mayo 2025
"El grupo pequeño hace una diferencia real. Somos pocas personas y el mentor tiene tiempo para revisar tu trabajo con detalle. Terminé documentando mi proyecto de una forma que no habría hecho sola — el proceso de revisión te obliga a escribir bien lo que hiciste y por qué."
Julio 2025
"Tomé el módulo de Deep Learning después de hacer el de Fundamentos y la progresión tiene sentido. No es un salto brusco. Lo que más valoro es que trabajamos con datos que tienen problemas reales, no datasets de juguete donde todo sale perfecto."
Junio 2025
Tres historias del programa
El proceso completo: desde dónde empezó cada persona hasta qué construyó al finalizar.
Trabajaba con datos de infraestructura pero no sabía cómo pasar de hojas de cálculo a algo que pudiera predecir comportamientos. Había intentado aprender por su cuenta pero no lograba conectar los conceptos con el código.
Comenzó con Fundamentos para asentar el flujo de trabajo básico. Cuatro meses después entró al Capstone con un problema concreto de su trabajo: detectar anomalías en series temporales de sensores.
Completó un proyecto documentado de detección de anomalías con datos reales. El mentor señaló que la documentación era lo más sólido del entregable — algo que no habría logrado sin el proceso de revisión.
"Lo más valioso fue aprender a documentar las decisiones. Antes solo guardaba el código que funcionaba."
Llevaba redes neuronales en la universidad pero las clases eran muy teóricas. Sabía la fórmula de backpropagation pero nunca había entrenado una red con datos reales ni sabido qué hacer cuando los resultados eran malos.
Ingresó directamente al módulo de Deep Learning. Las primeras sesiones conectaron la teoría que ya sabía con el código de PyTorch. El valor fue el tiempo dedicado a diagnosticar por qué el modelo no convergía.
Completó un clasificador de texto con dataset propio, con análisis documentado de los errores del modelo. Presentó el proyecto en un evento universitario un mes después del módulo.
"La diferencia con la universidad fue que aquí alguien revisó mi código específicamente. No solo me dijo si la tarea estaba bien o mal."
¿Tienes alguna pregunta?
Calle 8 #43-116
Medellín 050012
Lun–Vie 8–18h
Sáb 9–13h
¿Listo para comenzar?
Cuéntanos en qué punto estás. Te orientamos sobre el módulo más adecuado para tu nivel.
Escríbenos