Lo que dicen los estudiantes
Experiencias reales de personas reales
Personas de distintas ciudades de Colombia que pasaron por los programas y quieren contar cómo les fue.
Volver al inicio340+
Estudiantes formados
4.8
Calificación promedio
12
Cohortes completadas
91%
Tasa de finalización
Reseñas
Voces del laboratorio
Manuela Rodríguez
Bogotá · Estación 01
No tenía ningún conocimiento previo de programación. Siempre me pareció algo complicado y lejano. Lo que más me ayudó fue que cada semana tenía una tarea concreta, y el mentor revisaba lo que hacía con comentarios específicos. Al terminar las siete semanas, tenía un análisis real con datos de ventas de mi ciudad.
Junio 2025
Diego Arbeláez
Medellín · Estación 02
Ya sabía Python básico pero nunca había entrenado un modelo desde cero. El Laboratorio ML fue exactamente lo que buscaba: trabajar con datos reales, no con ejercicios de juguete. La retroalimentación de Luisa era muy detallada; me señalaba no solo si el modelo funcionaba, sino por qué mis decisiones de diseño eran o no las más apropiadas.
Mayo 2025
Valentina García
Bucaramanga · Estación 01
Trabajo en administración y quería entender mejor los reportes de datos que llegan a mi equipo. El curso me dio exactamente eso: no solo entiendo los números ahora, sino que puedo hacer mis propios análisis. El ritmo fue manejable incluso trabajando de tiempo completo. Las sesiones sincrónicas opcionales ayudaron cuando tenía dudas.
Junio 2025
Julián Ospina
Cali · Track Completo
Hice las tres estaciones seguidas. La diferencia del Track Completo fue que Julián Pedraza te enseña a pensar en el sistema completo, no solo en el modelo. Aprender a desplegar en nube con Docker y monitorear métricas en producción fue lo que más valor le dio al programa para mi trabajo como desarrollador.
Mayo 2025
Sara Castillo
Barranquilla · Estación 02
Lo que más me sorprendió fue que los datos del proyecto eran de verdad: información de transporte urbano de una ciudad colombiana. No era un dataset inventado para el ejercicio. Eso cambia mucho la experiencia porque te enfrentas a problemas reales: datos sucios, valores faltantes, decisiones de limpieza que afectan el resultado.
Junio 2025
Andrés Ferreira
Pereira · Estación 01
Intenté aprender Python por mi cuenta con tutoriales de YouTube y no lograba avanzar. La diferencia aquí es que hay alguien revisando lo que haces y diciéndote específicamente qué mejorar. Eso acelera mucho el proceso. El precio también es muy razonable comparado con opciones en dólares que no ofrecen mentoría real.
Abril 2025
Casos de estudio
Proyectos que salieron del laboratorio
El reto
Análisis de rotación en pequeña empresa
Valentina trabajaba en RRHH y tenía datos de empleados en hojas de cálculo pero no sabía cómo analizarlos para entender por qué algunos equipos rotaban más.
El proceso
Durante la Estación 01 aprendió a importar esos datos en pandas, limpiarlos y hacer visualizaciones que mostraban patrones claros por departamento y tiempo de permanencia.
El resultado
Entregó un análisis exploratorio que identificó tres factores correlacionados con la rotación. Su empresa lo usó para ajustar el proceso de incorporación de nuevos colaboradores.
Duración: 7 semanas · Estación 01
El reto
Predicción de demanda en comercio minorista
Diego quería construir un modelo que pudiera anticipar la demanda semanal de productos en una cadena de tiendas, para reducir el sobrestock y los agotados.
El proceso
En la Estación 02 trabajó con un dataset de ventas reales, probó distintos modelos de regresión, comparó métricas de error y documentó sus decisiones con la guía de la mentora.
El resultado
Construyó un modelo de regresión que superó la línea base en un 23% según el error cuadrático medio. El proyecto quedó documentado en GitHub y lo usó en su proceso de entrevistas técnicas.
Duración: 11 semanas · Estación 02
El reto
Sistema de clasificación de textos en producción
Julián necesitaba construir un sistema que clasificara automáticamente solicitudes de soporte técnico, desplegarlo como API y mantenerlo funcionando con monitoreo básico.
El proceso
En el Track Completo diseñó el modelo, lo encapsuló en un contenedor Docker, desplegó la API en un servicio de nube y configuró alertas de degradación de rendimiento.
El resultado
El sistema lleva tres meses operando en producción con más del 87% de precisión. Julián lo presentó como su proyecto capstone y lo tiene activo como parte de su portafolio público.
Duración: varios meses · Track Completo
¿Tienes preguntas?
Contáctanos directamente
¿Quieres ser parte de la próxima cohorte?
Cuéntanos qué te interesa y te contamos cuándo abre el siguiente período.
Escribirnos