Reseña honesta: “Inteligencia Artificial y Deep Learning desde cero” de Santiago Hernández [2026] – ¿Vale la pena?

Qué promete y qué encontré al analizarlo

Inteligencia Artificial y Deep Learning desde cero en Python es el curso de redes neuronales de Santiago Hernández y, por temario, la continuación natural de su curso de machine learning. Promete explicar desde un nivel muy básico los fundamentos teóricos y matemáticos del deep learning, con las ecuaciones desarrolladas a mano, y aplicarlos en más de 30 casos prácticos con Scikit-learn, TensorFlow y Keras. Tiene casi 25 mil alumnos, 3,919 reseñas con un promedio de 4.75 y una actualización de septiembre de 2026.

Al revisar el temario, queda claro qué tipo de curso es: un curso de fundamentos. De sus 134 elementos, 57 explican cómo funciona y cómo aprende una red (la neurona, el perceptrón, las redes profundas, las funciones de error y el entrenamiento) y otros 32 se dedican a activaciones, optimizadores e hiperparámetros. Keras y TensorFlow llegan en la segunda mitad y suman 13 elementos. Lo que no aparece en ningún título son las redes convolucionales, las recurrentes o los transformers.

El temario, en resumen

• Arranque (14 elementos): contexto, motivación y preparación del entorno de aprendizaje (11).
• La neurona y el perceptrón (25): qué es el deep learning, introducción a las redes neuronales artificiales y el perceptrón (10).
• Cómo aprende una red (32): redes profundas, funciones de error y de optimización, entrenamiento y una implementación vectorizada opcional.
• Herramientas y aplicación (20): regresión y clasificación con redes neuronales, introducción a Keras (7) y TensorFlow (6).
• Ajuste y proyecto (41): funciones de activación (10), funciones de optimización (15), selección de hiperparámetros (7) y consideraciones de un proyecto de deep learning (9).

Puntos fuertes

• Explica cómo aprende una red, de verdad. Perceptrón, funciones de error, entrenamiento de redes profundas e implementación vectorizada: el curso construye la intuición de cómo se ajustan los pesos antes de esconderla detrás de una librería. Como ingeniero, es lo que más valoro: sin esto, depurar una red que no aprende es adivinar.
• Optimizadores y activaciones a fondo. 15 elementos para funciones de optimización, 10 para activaciones y 7 para hiperparámetros. Es justo el conocimiento que separa a quien copia una arquitectura de quien sabe por qué falla.
• Accesible sin rebajar el nivel. El único requisito es Python básico y las matemáticas se explican de forma gráfica. Es exigente en conceptos, pero no presupone una carrera de matemáticas.
• Datos excelentes y actualización reciente. 4.75 de promedio sobre 3,919 reseñas y una actualización de septiembre de 2026: pocas compras de deep learning en español tienen tan poco riesgo.

Aspectos mejorables

• No hay redes convolucionales ni recurrentes. El temario solo trata redes densas. No aparecen CNN para imágenes, RNN para secuencias ni transformers. Para un subtítulo que promete convertirte en experto en deep learning, es una ausencia importante.
• Poco tiempo con las herramientas. Keras y TensorFlow suman 13 elementos de 134. Saldrás entendiendo la teoría mejor que la mayoría, pero con poca soltura en los frameworks, y PyTorch no aparece.
• Cero práctica evaluada. No hay cuestionarios ni ejercicios de código, y solo 2 artículos. Los más de 30 casos prácticos de la descripción se siguen en video; aplicarlos a tus propios datos queda de tu cuenta.
• Sobreajuste sin sección propia y versiones por confirmar. Ningún título menciona regularización, dropout o sobreajuste; lo probable es que se traten en hiperparámetros y en las consideraciones de proyecto, pero no puedes comprobarlo. Además, los textos hablan de TensorFlow 2.0, una etiqueta de 2019; con la actualización reciente puede que el código esté al día, pero los datos no lo confirman.

Conclusión honesta

Si quieres entender las redes neuronales por dentro, este es el curso que recomendaría en español: ordenado, bien explicado y con una valoración excelente. Su alcance, eso sí, es menor de lo que sugiere el título. Termina donde empiezan las arquitecturas que se usan hoy en visión y lenguaje.

La ruta lógica es tomarlo después de un curso de machine learning clásico, como el de Santiago Hernández, y continuar con Deep Learning con Python y Keras, que sí cubre redes convolucionales y recurrentes con mucha práctica. Si tu meta es el lenguaje natural, sigue con el Máster en NLP, que llega a los transformers.

Preguntas frecuentes