Por qué empezamos esto
Después de años trabajando con equipos cuantitativos en varias instituciones financieras, notamos un patrón frustrante. Los cursos de machine learning eran demasiado teóricos o, si eran prácticos, usaban datasets de juguete que no capturaban la complejidad real de datos financieros. Los profesionales acababan con certificados pero sin capacidad real de implementar modelos en producción.
Decidimos hacer algo diferente. Cada módulo que diseñamos parte de un problema real que hemos encontrado: predicción de series temporales con datos faltantes, gestión de drift en modelos de riesgo, optimización de costes en infraestructura cloud cuando entrenas modelos con millones de parámetros. No inventamos ejercicios académicos, documentamos soluciones que funcionan.
Nuestros instructores vienen de roles donde implementaron estos sistemas a escala. No son académicos puros ni consultores que repiten teoría de libros. Son ingenieros y científicos de datos que han depurado pipelines rotos a las tres de la mañana, que han tenido que explicar a un comité de riesgo por qué un modelo falló, que saben exactamente qué partes de la documentación oficial de AWS o GCP son útiles y cuáles puedes ignorar.
Mantenemos los grupos pequeños porque el feedback individualizado es crítico cuando trabajas con arquitecturas complejas. Un error en tu configuración de IAM puede costarte miles de euros en facturas cloud o, peor, exponer datos sensibles. Queremos que termines el curso sabiendo no solo qué hacer, sino qué puede salir mal y cómo detectarlo antes de que llegue a producción.
La industria financiera no perdona errores en modelos de riesgo o trading. Por eso enfatizamos tanto testing, monitorización y validación. Enseñamos a construir sistemas robustos que funcionan bajo presión regulatoria y operativa, no demos que lucen bien en presentaciones pero colapsan con datos reales.
