Ruta 780

Plan de estudio de matemática, estadística y aprendizaje automático

Plan de estudio de 86 semanas sobre matemática, estadística, programación y aprendizaje automático, con lecciones que incluyen derivaciones, visuales manipulables y ejercicios de Python que corren en el navegador.

Plan de estudio2026 — 2027

Ciencia de datos
desde los fundamentos

Un plan de estudio de 86 semanas sobre matemática, estadística, programación y aprendizaje automático. Empieza en álgebra lineal y probabilidad; termina en los métodos que se usan en producción.

Cada tema se trabaja tres veces: se deriva a mano, se implementa desde cero en NumPy, y se contrasta con la librería que ya lo resuelve.

Horas
860
Semanas
86
Lecciones
174
Al día
2 h
Empezar por la lección 1

Qué contiene una lección

Todas siguen la misma estructura:

Sección Qué hay
Objetivo Qué se sabrá hacer al terminar, en cuatro puntos
Hilo Qué lecciones anteriores usa y qué lecciones posteriores la necesitan, nombradas
Notación Cada símbolo, cómo se lee y qué significa
Desarrollo Definiciones y proposiciones numeradas, cada una con su demostración
Visuales Uno por concepto que lo admita: se manipulan y recalculan en vivo
Código Bloques de Python que se ejecutan en el navegador, sin instalar nada
Ejercicios Con pistas, solución y corrección automática
Del libro Citas textuales de las fuentes, con sección y licencia
Fuentes Qué demuestra la página sola, qué viene del libro, y qué es interpretación propia

Los términos técnicos y los símbolos de las fórmulas llevan un punteado debajo: al pasar el cursor aparece su definición. Están todos reunidos en el glosario.

La lección Esperanza y varianza es la que fija el modelo.

Los módulos

Python Del refresco de tipos y scope a NumPy vectorizado y pandas. F0–F1 · sem 1–18 Matemática Álgebra lineal hasta SVD, cálculo hasta KKT. Todo derivado a mano. F1 · sem 3–18 Estadística Probabilidad, verosimilitud, bootstrap e inferencia bayesiana. F1 y F5 · sem 3–80 Series de tiempo Forecasting con estacionalidad, feriados y validación temporal honesta. F3 · sem 47–52 Machine Learning ISLP completo, después ESL y deep learning desde los cimientos. F2 y F4 · sem 19–68 Inferencia causal De la correlación a la decisión: A/B, diff-in-diff, uplift. F5 · sem 69–80

La escalera de profundidad

Cada lección declara hasta qué peldaño sube. El núcleo llega a L3 o L4 — nunca se queda en la intuición.

Nivel Qué significa
L1 Intuición Visual interactivo, cero fórmula. Mueves el parámetro y ves qué cambia.
L2 Derivación El resultado se deriva paso a paso, sin saltos. Tú lo reproduces en papel.
L3 From scratch Lo implementas en NumPy puro y empatas con la librería a 6 decimales.
L4 Producción La librería de verdad, con diagnósticos, supuestos y modos de falla.

El día

Dos tipos de día que se alternan. Derivas uno, implementas el siguiente: eso es intercalado, y deja que la noche consolide lo derivado antes de codearlo.

Min Bloque Qué
20 Recall Flashcards + reescribir de memoria una derivación de la semana pasada
50 Derivar Lección en pantalla, papel al lado. Cada paso antes de mirar el siguiente
10 Pausa Levantarse. Sin pantalla
30 Verificar El visual interactivo y el ejercicio en vivo de la lección
10 Cerebro Nota con la derivación en LaTeX, en tus palabras + flashcards
Min Bloque Qué
20 Recall Flashcards + un ejercicio “en frío” sin pistas
40 From scratch Implementas en NumPy lo que derivaste ayer
10 Pausa Levantarse. Sin pantalla
40 Aplicar El reto o el proyecto de la fase. Termina en commit
10 Cerebro Nota de implementación: gotchas, qué falló
Min Bloque Qué
100 Proyecto El proyecto de la fase. Sin lección nueva
10 Repaso Qué derivación no salió, qué implementación quedó coja
10 Pedido Los temas y visuales de la semana siguiente

Sábado y domingo: cero obligatorio. Opcional, 10–15 min de flashcards.

Las fases

Fase Semanas Horas Cierra con
F0 Plataforma y Python 1–2 20 Sitio online, streak de 10 días, 30 flashcards
F1 Cimientos 3–18 160 Regresión completa desde cero empatando statsmodels
F2 ISLP 19–46 280 scratch/ con ~20 algoritmos testeados vs scikit-learn
F3 Series de tiempo 47–52 60 Pipeline de forecasting con backtesting sin fuga
F4 ESL y deep learning 53–68 160 Boosting y red neuronal desde cero vs LightGBM y PyTorch
F5 Causal y Bayes 69–80 120 Portfolio público de 3 proyectos
Buffer 81–86 60 INCAE e imprevistos

Reglas

  1. Mismo horario, mismo lugar. La decisión de empezar ya está tomada.
  2. La primera tarea de mañana se escribe hoy.
  3. 25 minutos cuentan como día. El streak protege el hábito.
  4. Una derivación atorada no detiene la fila: se marca, se sigue, se vuelve el viernes.
  5. Aburrido → cambiar de modalidad, no de pantalla.
  6. Domingo cero. En 18 meses, descansar es estrategia.