Adaptly
Libro · edición 2026

Machine Learning: Manual for the Next Generation

Un libro que forma arquitectos, no operadores.

No es un manual de programación. Explica qué es el aprendizaje automático, qué problemas tiene la industria y por qué la mayoría de los proyectos de ML no llega a producción. Lectura en papel y en tableta para quien entra en esta época.

Edición 2026: estructura rehecha, unos 20 capítulos numerados y un prólogo, ejercicios revisados. El material gira en torno a la práctica real, no a herramientas pasajeras. El texto completo está cerrado; aquí está la parte pública: posicionamiento, fuentes y parte del código.

Reconstrucción 2026 en curso Manuscrito aún no publicado Amazon Kindle y papel, 2026
Crear cuenta

Qué cambia en la edición 2026

Audiencia más precisa, contenido más hondo

  • Audiencia más estrecha: estudiantes, ingenieros de ML que empiezan y lectores con experiencia que quieren explicaciones claras y pensamiento de sistemas, no la carrera por la herramienta de moda.
  • Calidad en lugar de volumen: se quitó el relato sobrante y se reforzaron ejercicios y casos. El núcleo es el pensamiento de arquitecto, el stack de 2026, la matemática necesaria y cómo la industria evalúa a los ingenieros.
  • Los capítulos de economía, regulación y brecha cognitiva, que antes abrían el libro, pasan a un volumen aparte: AI, Cognitive Inequality, and the Illusion of Progress. El material no se elimina: va a su audiencia.

El problema

Por qué el conocimiento de ML caduca antes de asentarse

  • Ciclos de caducidad de 90 días: modelos y frameworks cambian más rápido que los programas de estudio.
  • La mayoría de los proyectos de ML no llega a producción: hay un hueco entre la demo y el sistema que funciona.
  • La formación está optimizada para herramientas, no para arquitectura, evaluación ni análisis de fallos.

Qué enseña el libro

No es un curso general de introducción al ML

El libro se apoya en fuentes revisadas e incluye código Python que funciona. Después, el lector sabe:

  • separar el hype de la realidad de ingeniería;
  • construir sistemas de ML que fallan y se recuperan de forma segura;
  • tratar el trabajo con variables y la evaluación como disciplinas propias;
  • distinguir el ML de competición del ML de negocio;
  • entender las alucinaciones de los modelos y cómo comprobar la coherencia, también en código;
  • pensar como arquitecto del sistema, no como operador de una herramienta.

Estructura

Edición 2026, títulos de trabajo

ParteContenido
PrólogoPara quién es esta edición y cómo usarla
Parte IPensamiento de arquitecto: operadores frente a arquitectos · competición frente a producción · variables · geometría de los datos · causalidad · interpretabilidad · evaluación · sistemas, no demos
Parte IIStack de 2026: stack actual · RAG · agentes · fine-tuning frente a prompting · inferencia eficiente · infraestructura de ML propia · dependencia de API frente a independencia
Parte IIIMatemática y bases: la matemática necesaria · capa de data science · programación competitiva y pensamiento en ML
Parte IVSalida a la industria: cómo la big tech evalúa a los ingenieros · qué hacer después: un proyecto y el siguiente paso
ApéndicesÍndice de código, recursos, notas de hardware, glosario y fuentes

Código abierto

Parte de los ejemplos, en abierto

El texto del libro está cerrado, pero el código de algunos capítulos se publica bajo licencia MIT y se actualiza a medida que la edición avanza.

ch04_hallucination_detector.py

Comprobaciones de coherencia, al estilo de un detector de alucinaciones

ch08_system_design_checklist.md

Autocomprobación: operador o arquitecto

ch07_creativity_exercise.md

Ejercicio (numeración v2, alineación con v3 en curso)

Autor

Nikita Emelianov

Nikita Emelianov

Emprendedor con trayectoria en educación y psicología del aprendizaje. Diseña sistemas de aprendizaje a partir de mecanismos cognitivos, motivación y claridad de la explicación, y lleva esas pautas a la arquitectura del producto. Antes construyó productos educativos en línea.

Publicaciones relacionadas

Preprints en los que se apoya el libro

TítuloTipoDOI
Competition ML vs. Production ML: A Systematic Gap Analysis Preprint 10.5281/zenodo.18721926
Cognitive Inequality in the Age of Generative AI: Who Benefits and Who Falls Behind Preprint 10.5281/zenodo.18746412

De la misma serie

Segundo volumen

AI, Cognitive Inequality, and the Illusion of Progress — volumen sobre quién gana y quién se queda atrás en la era de la IA generativa: economía, regulación y brecha cognitiva. Los capítulos que antes abrían el ML-Manual forman ahora este volumen aparte.

© 2026 Adaptly. Todos los derechos reservados. El texto del libro es propiedad del autor; el código de la sección «Código abierto» se distribuye bajo licencia MIT.