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.
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
| Parte | Contenido |
|---|---|
| Prólogo | Para quién es esta edición y cómo usarla |
| Parte I | Pensamiento de arquitecto: operadores frente a arquitectos · competición frente a producción · variables · geometría de los datos · causalidad · interpretabilidad · evaluación · sistemas, no demos |
| Parte II | Stack de 2026: stack actual · RAG · agentes · fine-tuning frente a prompting · inferencia eficiente · infraestructura de ML propia · dependencia de API frente a independencia |
| Parte III | Matemática y bases: la matemática necesaria · capa de data science · programación competitiva y pensamiento en ML |
| Parte IV | Salida a la industria: cómo la big tech evalúa a los ingenieros · qué hacer después: un proyecto y el siguiente paso |
| Apéndices | Índice 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
| Título | Tipo | DOI |
|---|---|---|
| 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.
