Experiencias de participantes reales.

Lo que más me sirvió fue entender por qué la división de los datos importa antes de entrenar cualquier cosa. En otros tutoriales siempre me la habían saltado. Acá fue el primer tema de la primera semana, y se notó en todo lo que vino después.

Julio 2025

Tenía modelos funcionando pero nunca estaba seguro de si funcionaban bien o si solo funcionaban en el test set que yo mismo había armado. El track me dio las herramientas para hacer esa distinción. La revisión quincenal fue más útil de lo que esperaba: el comentario escrito no solo señalaba el problema, explicaba el razonamiento.

Junio 2025

Me anoté dudando porque solo tenía Python básico. El programa cumplió exactamente lo que prometió: al terminar tenía un modelo chico, entendía qué significaban los números que daba y sabía por qué el baseline que elegimos era deliberadamente sencillo. Nada de eso estaba en los recursos que había intentado antes.

Julio 2025

El Programa Bucle Largo es exigente en tiempo — las 20 horas semanales son reales, no una estimación optimista. Pero al terminar tenía algo concreto: un modelo desplegado detrás de una API con monitoreo activo y las notas de revisión de cada ciclo que explicaban por qué habíamos tomado cada decisión. Eso es lo que me llevé.

Junio 2025

Llegué al track con un modelo que había entrenado sola y que creía que andaba bien. La primera semana ya vi los problemas. Eso fue incómodo al principio, pero ese es exactamente el punto del programa: que el análisis de errores por segmento sea una práctica, no algo que hacés si sobra tiempo.

Julio 2025

El grupo pequeño hace una diferencia real. Con 16 personas, la clase tiene tiempo para parar cuando alguien no entendió algo. No es un video donde tenés que pausar y buscar en otro lado. El ritmo es el de la cohorte y eso ayuda cuando el tema es nuevo.

Junio 2025