Reseña honesta: “Deep Learning con Python y Keras” de Manuel Castillo-Cara [2026] – ¿Vale la pena?

Qué promete y qué encontré al analizarlo

Deep Learning con Python y Keras es el curso de redes neuronales de Manuel Castillo-Cara, doctor, profesor e investigador en inteligencia artificial. Promete llevarte de cero a experto en el desarrollo y la evaluación de modelos de deep learning con Keras: redes feedforward, convolucionales para visión y recurrentes para secuencias, con técnicas como data augmentation y transfer learning. Tiene 3,277 alumnos, 368 reseñas con un promedio de 4.64 y una actualización de septiembre de 2026.

Al revisar sus 155 elementos, el curso alterna secciones de teoría y de práctica de forma muy explícita, y la práctica gana con claridad: 85 elementos en secciones prácticas frente a unos 30 de teoría. Las redes convolucionales (37) y las recurrentes (35) tienen cada una su teoría, su práctica y sus prácticas avanzadas. Es un curso del perfil de machine learning: aunque Udemy lo marca para todos los niveles, los requisitos piden conocimientos intermedios de aprendizaje supervisado y de programación.

El temario, en resumen

• Preparación (20 elementos): introducción al curso y repaso de Python y sus librerías; según la descripción, el entorno de trabajo es Jupyter Notebook o Google Colab.
• Fundamentos y redes densas (50): fundamentos del deep learning, teoría de redes neuronales y de redes avanzadas, y prácticas de diseño, proyectos con datos en formato tidy data y redes avanzadas.
• Redes convolucionales (37): teoría (8), práctica (17) y prácticas avanzadas (12), donde encajan la visión por computador, el data augmentation y el transfer learning que prometen los objetivos.
• Redes recurrentes (35): teoría (9), práctica (14) y prácticas avanzadas (12), orientadas a problemas de secuencias y series de tiempo.
• Extras (13): clases extra, contenido adicional y una sección de tres elementos para solicitar el certificado.

Puntos fuertes

• Las tres arquitecturas clásicas, con profundidad. Redes densas, convolucionales y recurrentes tienen bloques completos, cada uno con teoría, práctica y práctica avanzada. Es la cobertura más amplia de arquitecturas entre los cursos de deep learning en español que analizamos.
• Más práctica que teoría. Las secciones marcadas como práctica suman 85 elementos, casi el triple que las teóricas. Para deep learning, donde la intuición se forma entrenando y fallando, esa proporción es la correcta.
• Técnicas que se usan de verdad. Evaluar modelos está en el propio subtítulo, y data augmentation y transfer learning aparecen entre los objetivos. Son dos de las herramientas más efectivas contra el sobreajuste cuando tienes pocos datos.
• Actualizado y sin exigir hardware caro. La última actualización es de septiembre de 2026 y los requisitos aclaran que no necesitas un equipo potente; la descripción propone Google Colab como entorno.

Aspectos mejorables

• No es para todos los niveles. Los requisitos piden machine learning supervisado y programación a nivel intermedio, y la descripción recomienda tomar antes un curso de machine learning del mismo instructor. Si empiezas de cero, te vas a perder.
• Se queda antes de los transformers. El temario termina en redes recurrentes. No aparecen mecanismos de atención ni transformers, que hoy dominan el procesamiento de lenguaje y buena parte de la visión. Para eso tendrás que ir a otro curso.
• Una ficha con señales de descuido. La descripción todavía presenta Keras como una capa sobre Theano y TensorFlow, aunque Theano dejó de desarrollarse hace años, y no aclara si el código usa Keras 3. Parte del público y de los requisitos son textos genéricos que hablan de «el programa» y de «esta herramienta».
• Poca práctica evaluada y una muestra pequeña. Hay 5 cuestionarios y ningún ejercicio de código: la práctica es guiada. Además, 368 reseñas son una muestra mucho menor que la de otros cursos del tema.

Conclusión honesta

Deep Learning con Python y Keras es una buena elección para quien ya entiende machine learning y quiere dominar las arquitecturas clásicas con muchas horas de práctica guiada. Su estructura de teoría, práctica y práctica avanzada por arquitectura es de lo mejor organizado del tema en español.

Frente a Inteligencia Artificial y Deep Learning desde cero de Santiago Hernández, son complementarios: aquel explica a fondo cómo aprende una red (perceptrón, funciones de error, optimizadores, hiperparámetros) pero no llega a convolucionales ni recurrentes; este sí cubre esas arquitecturas, pero da por sabida la base. Una ruta lógica sería machine learning clásico, después Santiago y después este. Para transformers, el siguiente paso es el Máster en NLP del mismo autor o un curso de ingeniería de LLM.

Preguntas frecuentes