El machine learning es la capacidad que tienen las computadoras de aprender patrones a partir de datos, sin que un humano les diga exactamente qué regla seguir.
¿Tú ya usas machine learning sin saberlo?
Antes de continuar, responde esta pregunta en tu cabeza: ¿cuántas veces crees que interactuaste hoy con un sistema de inteligencia artificial?
La mayoría de las personas dice "una o dos veces". La respuesta real probablemente es más de veinte. Cada búsqueda en Google, cada recomendación de Netflix, cada filtro de spam en tu correo y cada vez que Mercado Libre te sugiere un producto, hay un modelo de machine learning trabajando.
Eso no es coincidencia. Es el resultado de un cambio tecnológico que lleva más de una década acelerando. Y México está justo en medio de ese cambio.
El número que cambia todo
Según datos del Foro Económico Mundial, para 2027 el 44% de las habilidades laborales fundamentales van a cambiar por el impacto de la automatización y la inteligencia artificial. En México, el Instituto Mexicano para la Competitividad (IMCO) estima que hay una brecha de más de 87,000 profesionales en áreas de datos y tecnología avanzada.
Esa brecha tiene un nombre: oportunidad.
Las empresas mexicanas están dispuestas a pagar bien por personas que entiendan cómo funcionan estas tecnologías. Un analista de datos con conocimientos de ML en México puede ganar entre $18,000 y $28,000 al mes. Un ingeniero de machine learning con experiencia puede superar los $35,000. Y la demanda sigue creciendo.
Bimbo, FEMSA, Liverpool y Mercado Libre ya usan modelos de aprendizaje automático para decisiones de negocio todos los días. No como experimento. Como parte de su operación normal.
¿Qué significa realmente "aprender"?
Aquí está la idea que lo cambia todo: una computadora tradicional sigue instrucciones. Tú le dices exactamente qué hacer en cada situación. Si pasa A, haz B. Si pasa C, haz D.
El machine learning rompe ese modelo.
En lugar de programar reglas, tú le das a la computadora muchos ejemplos y le dices: "Encuentra tú el patrón". La máquina analiza los datos, identifica relaciones y construye su propio conjunto de reglas internas.
Llama a ese proceso el Ciclo de Aprendizaje Automatizado. Funciona en tres fases:
El Ciclo de Aprendizaje Automatizado
Fase 1 – Datos: Le proporcionas a la máquina ejemplos históricos. Por ejemplo, miles de transacciones bancarias etiquetadas como "fraude" o "legítima".
Fase 2 – Entrenamiento: El algoritmo analiza esos datos y ajusta sus parámetros internos hasta encontrar un patrón que explique la mayoría de los casos correctamente.
Fase 3 – Predicción: Cuando llega un dato nuevo, el modelo aplica lo que aprendió para predecir el resultado sin necesitar que un humano tome la decisión.
Ese ciclo se repite. El modelo mejora con cada nuevo dato. Es por eso que los sistemas de recomendación de Mercado Libre se vuelven más precisos con el tiempo: aprenden de tus clics, tus búsquedas y tus compras.
Un ejemplo concreto: cómo Bimbo podría usar ML
Imagina que eres gerente de logística en Bimbo. Tienes que decidir cuántas piezas de pan de caja enviar a cada tienda cada día. Si mandas de más, el producto caduca y pierdes dinero. Si mandas de menos, la tienda se queda sin inventario y pierdes ventas.
Durante años, esa decisión dependía de la experiencia del repartidor o de promedios históricos simples. Con machine learning, el modelo puede analizar decenas de variables al mismo tiempo: día de la semana, clima, eventos locales, promociones activas, historial de ventas por tienda, temporada del año.
El resultado es una predicción mucho más precisa. Menos desperdicio. Más ventas. Mejor margen.
Eso es machine learning aplicado al mundo real mexicano.
¿Machine learning es lo mismo que inteligencia artificial?
Esta confusión es muy común. Piénsalo como círculos concéntricos.
La inteligencia artificial es el campo más grande. Es todo intento de hacer que las máquinas realicen tareas que normalmente requieren inteligencia humana.
El machine learning es una rama dentro de la IA. Es el enfoque específico de enseñar a las máquinas mediante datos, en lugar de reglas explícitas.
El deep learning es una rama dentro del machine learning. Usa redes neuronales con muchas capas para resolver problemas complejos como reconocimiento de imágenes o procesamiento de lenguaje.
En este curso nos enfocamos principalmente en machine learning clásico. Es el punto de entrada correcto. Te da las bases para entender todo lo demás.
¿Por qué importa ahora y no después?
Hay una razón económica clara para aprender esto hoy.
Según LinkedIn, "Machine Learning Engineer" y "Data Scientist" han sido de las profesiones de mayor crecimiento en México por tres años consecutivos. Las publicaciones de empleo con esas palabras clave aumentaron un 38% entre 2022 y 2024.
Al mismo tiempo, el costo de las herramientas bajó drásticamente. Antes necesitabas servidores costosos y doctorados en estadística. Hoy puedes entrenar modelos funcionales en la nube por menos de $500 al mes, usando librerías de Python gratuitas y abiertas.
La barrera de entrada nunca fue tan baja. La demanda nunca fue tan alta.
Qué vas a aprender en este curso
Este curso está diseñado para llevarte de cero a competente en los conceptos fundamentales del machine learning. No necesitas ser matemático. Sí necesitas curiosidad y disposición para pensar con datos.
Estos son los temas que cubrirás:
- Los tres tipos de aprendizaje automático y cuándo usar cada uno
- Cómo preparar datos para que un modelo funcione correctamente
- Regresión lineal para predecir valores numéricos
- Árboles de decisión para clasificar información
- Cómo medir si tu modelo realmente funciona
- Qué es el sobreajuste y cómo evitar que arruine tus predicciones
- Redes neuronales básicas y cuándo tiene sentido usarlas
- Cómo estructurar un proyecto de ML de principio a fin
Cada lección usa ejemplos del contexto mexicano. Verás referencias a empresas reales, cifras en pesos y situaciones que puedes encontrar en cualquier empresa del país.
El punto de partida más honesto
El machine learning no es magia. No resuelve todos los problemas. No reemplaza el criterio humano.
Pero sí hace algo poderoso: convierte grandes cantidades de datos en decisiones mejores, más rápidas y más consistentes.
Con los datos correctos y el modelo adecuado, puedes predecir qué cliente va a cancelar su suscripción, qué producto va a agotarse antes del fin de semana o qué empleado tiene mayor riesgo de accidente laboral, algo que ya interesa mucho a las empresas bajo las normas de la STPS.
Aprender machine learning hoy no es prepararte para el futuro. Es entender lo que ya está pasando a tu alrededor.