Roadmap: Machine Learning desde cero

Fase 0 — Matematicas esenciales (1-2 semanas)

Algebra lineal

• Vectores, matrices, operaciones basicas (suma, producto, transpuesta)
• Producto punto y multiplicacion de matrices
• Normas (L1, L2)
• Autovalores y autovectores (intuicion, no demostracion)

Calculo

• Derivadas parciales
• Regla de la cadena (fundamental para backpropagation)
• Gradientes y la intuicion de "en que direccion crece mas rapido"

Probabilidad y estadistica

• Distribuciones (normal, Bernoulli, categorica)
• Probabilidad condicional y Teorema de Bayes
• Esperanza, varianza
• Maximum Likelihood Estimation (MLE)

Recursos:

• 3Blue1Brown — Esencia del Algebra Lineal (doblado al espanol) — YouTube
• 3Blue1Brown — Esencia del Calculo (en espanol) — YouTube
• Khan Academy en espanol — algebra lineal, calculo, probabilidad
• StatQuest (YouTube, ingles) — muy visual, vocabulario simple

---

Fase 1 — NumPy desde cero (1 semana)

Aprende a pensar en operaciones vectorizadas, no en bucles for.

1. Crear arrays, shapes, dtypes
2. Indexing, slicing, boolean masking
3. Broadcasting (como NumPy opera entre arrays de distinto shape)
4. Operaciones: dot, matmul, sum, mean, argmax, reshape
5. Random: generar datos sinteticos
6. Ejercicio clave: implementar regresion lineal solo con NumPy

Recursos:

• Documentacion oficial de NumPy (ingles)
• Curso Python para Data Science de IBM en Coursera (espanol)
• Codigo Facilito — tutoriales NumPy (YouTube, espanol)

---

Fase 2 — Regresion lineal y gradiente descendente (1 semana)

1. Pesos (weights) y sesgos (biases): y = Wx + b
2. Funcion de perdida: MSE (Mean Squared Error)
3. Gradiente descendente: calcular gradientes a mano, actualizar pesos
4. Learning rate: que pasa si es muy alto o muy bajo
5. Implementar todo en NumPy puro (sin PyTorch aun)

Ejercicio: predecir precio de casas con datos sinteticos, solo NumPy.

Recursos:

• Andrew Ng — Machine Learning (Coursera, subtitulado al espanol)
• DotCSV (YouTube, espanol) — series sobre redes neuronales y gradiente descendente
• Ringa Tech (YouTube, espanol)

---

Fase 3 — Clasificacion (1-2 semanas)

1. Regresion logistica: sigmoid, binary cross-entropy loss
2. Clasificacion multiclase:
   • Softmax: convierte logits en probabilidades (sum = 1)
   • Cross-entropy loss: funcion de perdida estandar para clasificacion
3. Decision boundaries: visualizar con matplotlib
4. Metricas: accuracy, precision, recall, F1, matriz de confusion

Ejercicio: clasificar datos 2D (espirales, lunas) con NumPy puro.

Recursos:

• Andrew Ng — Coursera (subtitulado al espanol)
• DotCSV (YouTube, espanol)
• Aprende Machine Learning (aprende-machine-learning.com, blog en espanol)

---

Fase 4 — Redes neuronales a mano (1-2 semanas)

Construye una red neuronal SIN frameworks:

1. Forward pass: multiplicacion de matrices + activaciones
2. Funciones de activacion: ReLU, sigmoid, tanh, softmax
3. Backpropagation: regla de la cadena aplicada capa por capa
4. Actualizacion de pesos: SGD (Stochastic Gradient Descent)
5. Implementar una red de 2-3 capas en NumPy

Este es el ejercicio mas importante del roadmap.

Recursos:

• DotCSV — serie "Redes Neuronales" (YouTube, espanol)
• Andrej Karpathy — Neural Networks: Zero to Hero (YouTube, ingles, imprescindible)
• Aprende Machine Learning (blog en espanol)

---

Fase 5 — PyTorch desde cero (2 semanas)

1. Tensores: como NumPy arrays pero con autograd y GPU
2. Autograd: requires_grad=True, .backward(), .grad
3. nn.Module: como definir modelos
4. nn.Linear, nn.ReLU, nn.Softmax, nn.CrossEntropyLoss
5. Optimizadores: torch.optim.SGD, Adam
6. DataLoader y Dataset: cargar datos en batches
7. Training loop: forward, loss, zero_grad, backward, step
8. GPU: .to('cuda'), cuando y por que

Recursos:

• Documentacion y tutoriales oficiales de PyTorch (ingles)
• DotCSV — "PyTorch en 30 minutos" (YouTube, espanol)
• Sensio.ai (blog/YouTube, espanol)
• Codigo Facilito — curso PyTorch (espanol)

---

Fase 6 — Optimizacion avanzada (1 semana)

1. SGD con momentum
2. Adam (y por que es el default)
3. Learning rate scheduling: step decay, cosine annealing
4. Batch normalization
5. Dropout (regularizacion)
6. Overfitting vs underfitting: train/val/test split
7. Early stopping
8. Weight initialization (Xavier, He)

Recursos:

• Andrew Ng — Deep Learning (Coursera, curso 2, subtitulado al espanol)
• DotCSV — videos sobre Adam, overfitting, regularizacion (espanol)

---

Fase 7 — Metodos Bayesianos (1-2 semanas)

1. Teorema de Bayes aplicado a ML: prior, likelihood, posterior
2. Naive Bayes classifier: implementar desde cero
3. MAP vs MLE: Maximum A Posteriori vs Maximum Likelihood
4. Regularizacion como prior Bayesiano: L2 = prior gaussiano
5. Intuicion Bayesiana: distribuciones sobre pesos, no un solo punto
6. Opcional avanzado: Bayesian Neural Networks, variational inference

Recursos:

• Khan Academy en espanol — Teorema de Bayes, probabilidad condicional
• DotCSV — "Teorema de Bayes" (YouTube, espanol)
• Bayesian Methods for Hackers (ingles, muy visual, con codigo)

---

Fase 8 — Teoria de la Informacion (1 semana)

1. Entropia: mide incertidumbre de una distribucion
2. Cross-entropy: por que es la loss function para clasificacion
3. KL Divergence: distancia entre dos distribuciones
4. Mutual Information: cuanta informacion comparten dos variables
5. Conexion: minimizar cross-entropy = maximizar likelihood

Recursos:

• Visual Information Theory — Chris Olah (ingles, mejor recurso visual)
• DotCSV — "Entropia" (YouTube, espanol)
• Khan Academy en espanol — teoria de la informacion basica

---

Fase 9 — Algoritmos clasicos de ML (1-2 semanas)

Algoritmo	Tipo	Aprende
KNN	Clasificacion	Distancias, no hay training
Decision Trees	Ambos	Entropia, information gain
Random Forest	Ambos	Ensembles, bagging
SVM	Clasificacion	Margenes, kernels
K-Means	Clustering	Sin supervision
PCA	Reduccion dim.	Autovectores en practica

Implementa al menos KNN, Decision Tree y K-Means desde cero.

Recursos:

• Andrew Ng — Coursera (subtitulado al espanol)
• Aprende Machine Learning (blog en espanol, implementaciones paso a paso)
• Ringa Tech (YouTube, espanol)

---

Fase 10 — Proyecto integrador (2+ semanas)

Construye algo real con PyTorch:

• Opcion A: Clasificador de imagenes (MNIST/CIFAR-10) con CNN
• Opcion B: Analisis de sentimiento con red recurrente o transformer simple
• Opcion C: Generador de texto caracter por caracter (char-RNN)

Recursos:

• fast.ai — Practical Deep Learning for Coders (ingles, mejor curso practico)
• Kaggle Learn — mini-cursos gratuitos (ingles, con codigo interactivo)

---

Recursos imprescindibles — resumen

Recurso	Idioma	Por que
3Blue1Brown (serie en espanol)	ES	Mejor intro visual a algebra lineal y calculo
DotCSV	ES	Mejor divulgador de ML/DL en espanol
Andrew Ng — Coursera	ES (subs)	El curso clasico, completo y riguroso
Khan Academy espanol	ES	Base matematica solida, con ejercicios
Karpathy — Zero to Hero	EN	No tiene rival para construir desde cero
fast.ai	EN	El mejor curso practico que existe
Aprende Machine Learning (blog)	ES	Articulos con codigo en espanol

---

Atajo si tienes prisa

1. Karpathy — Zero to Hero (te lleva de 0 a backprop + GPT basico)
2. NumPy manual (1-2 dias de practica)
3. PyTorch tutorials (1 semana)
4. Proyecto propio (aprende el resto sobre la marcha)

Tiempo total estimado: 10-16 semanas a ~2h/dia.