Referencias para una pregunta concreta
Las actividades semanales A/B/C y de entrega ya indican qué abrir. Usa esta lista para repasar o elegir profundidad opcional, no como otro checklist.
Contenido seleccionado consultado el 13 de octubre de 2026. Son fuentes educativas, documentación del proveedor y currículo abierto complementario; disponibilidad no implica respaldo institucional, dominio o ranking.
| Pregunta | Recurso | Ejercicio útil |
|---|---|---|
| ¿Puedo explicar/probar una función Python? | CS50P Unit Tests, pytest | Escribe prueba fallida, corrige función y explica assertion. |
| ¿Por qué un join duplica filas? | CS50 SQL Relating, Designing | Inspecciona claves/cardinalidad, prueba restricción y corrige consulta. |
| ¿La validación filtra información? | Errores scikit-learn, validación cruzada | Divide antes de ajustar preprocesamiento; compara validación contaminada/limpia. |
| ¿Cómo se transforma texto en entrada? | HF Tokenizers | Compara tokens en dos idiomas y texto largo. |
| ¿Cómo entrenar con mis datos? | HF Datasets, fine-tuning | Clasificación pequeña tras requisitos Python/aprendizaje profundo. |
| ¿Por qué empeoró una consulta? | Retrieval Evaluation Lab | Valida etiquetas/rankings e inspecciona cambio por consulta; generación necesita evaluación propia. |
| ¿Async acelera CPU? | Concurrencia FastAPI | Demuestra espera I/O frente a CPU; mide, no supongas. |
| ¿Cómo guardar vectores junto a relaciones? | pgvector | Inserta, busca, actualiza y elimina; compara exacto/aproximado antes de añadir índice. |
| ¿Cómo reproducir experimento? | MLflow, módulo de experimentos | Registra IDs datos/código/modelo, métricas y artefactos; repite comandos. |
| ¿Qué debe sobrevivir reinicio? | Persistencia LangGraph, interrupts | Checkpoints duraderos, aislamiento y revisión; revisar no autoriza acciones. |
| ¿Qué aporta un protocolo de herramientas? | Arquitectura MCP | Explica host/cliente/servidor; valida herramienta local de solo lectura y fija versiones. |
| ¿Qué pasa tras entregar? | Despliegue, monitoreo, buenas prácticas | Monitorea entorno pequeño, provoca fallo y ensaya rollback/limpieza. |
Profundidad opcional
Tras entrenamiento C, lecciones fast.ai profundizan modelado; curso HF orienta a capítulos avanzados. Sigue requisitos y añade tiempo. Entrenamiento grande, múltiples frameworks, infraestructura distribuida y generación multimedia están fuera del núcleo.
Lee tutoriales críticamente
La lección RAG de referencia incluye afirmaciones amplias de costo, privacidad y superioridad. Usamos explicación del pipeline, no esas afirmaciones como hechos universales: compara calidad/costo en tus datos y recuerda que prompts alojados pueden enviar pasajes recuperados. Sus requisitos previos son más amplios; lectura conceptual seleccionada no completa toda una fase.
MLOps/fast.ai pueden usar dependencias antiguas. Acompaña con APIs oficiales actuales, fija versiones y no expongas demos públicamente por defecto. Ejecutores del laboratorio tienen funciones dependientes de POSIX; elige entorno adecuado y registra pruebas reales.
Ver páginas públicas no valida cada bloque de código, video, ejecutor, dependencia o experiencia pagada/con sesión. Consulta alcance de verificación y credenciales.