Cuatro semanas para pasar de cero a entrenar un modelo de machine learning con precios reales de la BMV y del S&P 500. Escribes código desde la primera sesión, y terminas con un modelo evaluado con honestidad — incluyendo el momento en que compruebas que ganarle al azar es mucho más difícil de lo que promete Internet. Esa lección es la que separa a quien entiende de quien repite.
El curso arranca con una pregunta incómoda: si predecir el mercado fuera fácil con machine learning, ¿por qué los fondos siguen contratando gente? A partir de ahí, el alumno construye desde abajo. Aprende qué es un feature y qué es un label usando datos que le importan (Walmex, Bitcoin, el dólar, el ETF que sea), programa en Python dentro de Google Colab sin instalar nada, y entrena sus primeros modelos con scikit-learn: regresión logística y árboles de decisión. La mitad del curso está dedicada a lo que casi nadie enseña bien: separar datos de entrenamiento y prueba, detectar overfitting, y comparar el modelo contra un baseline aleatorio. Se trabaja con datasets reales, con sus huecos, sus splits y sus dividendos. Instructores que entrenan modelos en producción revisan el código de cada alumno en vivo. Al final, el alumno no dice 'la IA predice el mercado': explica con números qué logró su modelo, qué no, y por qué.
ML Lab: tu primer modelo de mercados — te enviamos el brochure y un asesor te contacta.